关键词： 铁路   运维巡检   数据采集   无人机   目标检测   风险排查  

摘要： 传统铁路运维人工巡检存在效率低、成本高、有检测盲区等不足,而无人机在铁路运维巡检数据采集、数据处理与应用等方面也面临一些痛点问题,故提出一种具有安全缓冲区的航线规划算法,该算法基于分区作业策略,利用正射与侧视拍摄两种方式,有效地提高了作业效率和数据采集的安全性。此外,依托无人机巡检航拍项目的数据,经过相关处理形成铁路运维环境下典型病害样本库,并利用YOLOv7目标检测算法实现了对彩钢瓦、防尘网、塑料膜3种典型病害的快速自动检测,并结合人机交互的方式实现了对外部环境隐患的智能提取与快速建档,形成了一套基于无人机平台的铁路运维环境智能监测技术方案。结果表明,无人机技术、目标检测技术、计算机技术的有效结合应用可实现快速自动化隐患识别,使铁路运维巡检效率提升150%,为铁路安全管理提供重要的技术支持。

关键词： YOLOv7   遥感图像检测   船舶旋转目标检测   注意力机制  

摘要： 针对在遥感图像复杂背景下船舶目标尺度变化大以及方向任意的特点,提出一种基于YOLOv7改进的光学遥感图像船舶旋转目标检测算法.在骨干网络中融入全局注意力机制(GAM),使模型在复杂背景中更加关注船舶对象;在颈部加入自适应空间特征融合模块(ASFF),消除了特征金字塔内部特征信息不一致的问题;针对船舶比例细长且方向任意的特点,加入了高斯建模表示的旋转框检测,提高了定位精度并保留了船舶目标方向信息.结果表明:改进的算法在保证检测速度的同时,在HRSC2016数据集取得了90.73%的检测精度,检测效果也有所提升.

关键词： 多目标跟踪   YOLOX   自适应运动状态关联   深度学习   团队体育视频  

摘要： 当前主流多目标跟踪(MOT)方法主要针对行人或车辆等目标的规则运动模式,不适用于团队体育视频中非线性、不规则运动的目标跟踪。针对该问题,提出了基于改进YOLOX和自适应运动状态关联的团队体育多目标跟踪(TS-MOT)深度学习框架。对原YOLOX检测网络进行改进,在主干网络末端集成相似度注意力模块(SimAM),提高特征提取的表征能力,改善颈部组件中特征融合过程。在损失函数中使用变焦损失和广义交并比损失,提高对目标姿态变化和相互重叠的检测能力。此外,在数据关联中,使用具有弱相关性的多个运动状态对目标运动进行表征,通过运动状态相似度计算关联每个目标和轨迹,动态提高轨迹连续性和对意外运动变化的鲁棒性。实验结果表明,所提方法在团队体育MOT任务中表现较好,在SportsMOT数据集上取得了89.4%和78.2%的IDP和IDF1,优于其他先进的MOT方法。

关键词： 目标检测   SSD   反卷积   分步多尺度特征融合  

摘要： 为解决SSD(single shot multibox detector)目标检测算法由于浅层特征表征能力不强,导致对小目标检测精度较低的问题,提出了一种基于分步多尺度特征融合的SSD目标检测算法。为增加SSD模型浅层特征包含的细节信息和语义信息,在模型的低层特征部分引入了两个特征层;只对模型低层的两个特征图进行反卷积操作,并且分两步将低层三个不同尺度的特征图进行特征融合,不仅提高了模型浅层特征的表征能力,而且减少了算法运行过程中的计算量。实验结果表明,在PASCAL VOC2007数据集上,改进后的算法小目标类别的AP值得到了大幅度提高,mAP值比SSD算法提高了3.6%,算法的检测速度也满足实时性要求。

关键词： 深度学习   目标检测   YOLOv5   表面缺陷检测   重参数化  

摘要： 锯材表面缺陷检测是锯材加工的重要环节,随着深度学习和卷积神经网络的发展,越来越多的目标检测算法被引入并应用于锯材表面缺陷的检测。然而,目前的锯材表面缺陷检测算法仍存在检测速度慢、检测精度低等问题。为了解决这些问题,设计了一种基于YOLOv5的锯材表面缺陷检测算法,针对该算法设计了可重参数化的主干网络,改进了聚类算法和损失函数,使用了多种数据增强方式并且设计了解耦的检测头。将改进后的算法在NVIDIA RTX3090 GPU上进行训练和测试,在本研究使用的橡胶木和松木锯材表面缺陷数据集上的平均精度均值(mAP)分别达到了98.02%和98.37%,推理时间分别为6.79和6.58 ms。将本研究改进的算法与改进前的算法以及Faster R-CNN、YOLOv3等常用算法进行对比,结果表明,本研究改进的YOLOv5在速度和精度方面都有显著提高。此外,还将本研究使用的橡胶木和松木数据集进行了融合,本研究改进的算法在融合后数据集上的mAP达到了94.88%,推理时间为6.89 ms,相比对比算法仍有明显优势。最后,对相关研究成果进行了对比分析,结果表明本研究改进的算法在检测速度上也具有较大优势,验证了该算法的有效性。

关键词： 低光图像增强   图像退化   Retinex理论   图像恢复   深度学习   图像处理   图像分解   图像融合  

摘要： 为解决低光图像存在的质量不佳和退化的问题,提出一种新的基于Retinex理论的低光图像增强网络用于低光图像的增强。与传统的基于Retinex的低光图像增强网络的三阶段处理方法不同,提出的网络一共包括分解网络和融合网络2个子网络,分别用于对低光图像的Retinex分解和对分解的反射分量与光照分量的融合,最后得到增强后的低光图像。改进后的2个子网络解决了低光图像存在的图像严重退化的问题,并通过与其他算法的对比试验验证了改进后的网络对低光图像增强效果的优越性。本文提出的低光图像增强算法能够明显降低低光图像增强过程中的噪声和颜色失真。

关键词： 星图   拖尾直线   统计特征   插值技术   目标检测  

摘要： 现代光电望远镜技术快速发展,装备探测能力不断提高。星图中存在的拖尾现象,给天文定位处理的精度和时效性都带来了巨大的压力。星图对比度低,背景强弱分布不均,如何在去除拖尾直线噪声的同时,又保留星图的目标信息和目标定位精度,是一个具有挑战性的问题。提出一种基于统计特征的星图拖尾快速去除方法,通过星图目标信息统计规律实现对单帧图像拖尾目标直线的快速检测,利用插值技术快速完成星图拖尾直线去除,从而消除拖尾对空间目标检测的干扰,降低由拖尾产生的虚警概率,提升空间目标天文定位的精度。仿真试验表明,方法可以去除星图中绝大部分拖尾直线,同时能够保留目标信息,图像质量明显改善,比Hough变换方法具有显著优势。在单线程下,针对1024×1024大小图像,使用该方法进行单帧拖尾目标去除的时间为0.71s。可以看出,在不增加计算资源的前提下,能够大幅降低计算复杂度,提高计算效率。

关键词： 3D目标检测   鸟瞰图视角   多传感融合   自动驾驶   道路环境感知  

摘要： 3D目标检测是自动驾驶在道路环境感知任务中的重要环节,现有主流框架通过搭载多种感知设备获取多模态的数据信息来实现多传感融合检测;传统相机与激光雷达的传感器融合过程中存在几何失真,以及信息优先级不对等,导致传感融合的3D目标检测性能不足;对此,提出了一种基于鸟瞰视角(BEV)的多传感融合3D目标检测算法;利用提升-展开-投射(LSS)方式,获取图像的潜在深度分布建立图像在BEV空间下的特征;采用PV-RCNN的集合抽象法建立点云在BEV空间下的特征;该算法在统一的BEV共享空间中设计了低复杂度的特征编码网络融合多模态特征实现3D目标检测;实验结果表明,所提出的算法在检测精度上相较于纯激光方法提升4.8%,相较于传统的融合方案减少了47%的参数,并保持了相近的精度,较好地满足了自动驾驶系统道路环境感知任务的检测要求。

关键词： 迁移学习   机器学习   医疗卫生事业   自然语言处理   计算机视觉  

摘要： 在医疗科研工作中,高质量样本获取一直是决定研究质量的关键因素之一。尤其在开展针对罕见病或特殊人群的研究时,常会面临由于样本量严重不足导致机器学习算法以及传统统计方法难以达到应有统计效能的情况。迁移学习作为机器学习领域中专注于解决小样本问题的算法之一,目前已在医疗相关科研工作中有了较多的实际应用。本文重点综述近几年迁移学习在医疗科研图像识别、自然语言处理以及结构化数据分析中的应用,以期为研究者在今后科研工作中的算法选择提供参考。

关键词： 指针式仪表   YOLOv7   轻量化   目标检测  

摘要： 为了高效准确地完成工业指针式仪表表盘的定位检测,研究了轻量化的YOLOv7目标检测网络算法。根据仪表图像中目标形状特征多样的特点,对网络卷积核进行了轻量化改进,使用深度可分离卷积代替普通卷积减少参数量,提高网络模型检测精度和检测速度,并与其它网络模型进行了性能指标对比。实验表明,轻量化改进后的YOLOv7网络mAP指标上提升了3.03%,参数量和模型规模下降了35.1%,准确率提高了4.61%,检测速度提升了21.3%,实现了高效率高精度的仪表检测。