关键词： 火灾防控   深度学习   目标检测  

摘要： 工业生产过程现场的火灾防控一直是企业安全管理的重要组成部分,储能电站作为维持国家电力系统稳定的重要一环,其火灾事故的精准防控具有重大的意义。目前,深度学习技术已广泛运用于各个行业,并展现出巨大的使用价值。本文基于YOLOv7目标检测模型,使用公开数据集数据,构建了运用于储能电站的烟雾与火焰目标检测模型,调整损失函数权重值使模型更加注重对火焰或烟雾目标出现的检测。实验结果表明,模型对烟雾与火焰目标的检测精确率分别为85.88%与76.03%,对烟雾与火焰目标的检测召回率分别为93.54%与78.8%,模型mAP值为89.67%,模型对两类目标的检测效果较好。

关键词： 鲁棒性   鉴别特征学习   高分辨率增强图像   图像检测   小目标检测  

摘要： 在高分辨率特征增强图像小目标特征检测过程中,局部特征与全局目标识别参量之间的参量分布不均,无法在目标图像区域内识别有效特征信息,导致实际检测结果无法满足应用要求。为了解决这一问题,利用鲁棒鉴别特征学习完成高分辨率特征增强图像的小目标检测。该算法中的D3Tes2Block结构单元提取小目标的多尺度特征,并通过损失函数优化,降低特征损失以提高对小目标区域的关注度,在鲁棒性特征学习结果的基础上,根据学习尺度参量进行目标区检测信息聚合,输出小目标检测结果。实验结果显示,本文方法能够有效提升小目标检测精准度,且整体性能输出稳定,更加适合实际场景的应用。

关键词： 二维语义栅格地图   语义导航   目标检测   语音识别   避障能力  

摘要： 针对移动机器人对于复杂室内环境的语义信息利用不足问题,提出一种基于二维语义栅格地图的声控语义导航方法,弥补室内机器人在单场景环境下语义导航领域的空缺。基于构建的二维语义栅格地图,采用声控语义导航算法,用语音指令驱动机器人导航到相应的语义物体附近,精确定位语义物体,并在这些物体周围的安全区域计算出合适的导航点;配合语音识别和自然语言处理技术,使机器人能够根据用户模糊的语音指令精确移动到指定的语义物体附近,实现智能化和灵活性更高的导航决策。实验结果表明,导航成功率达到了93%;在布置有不规则障碍物的环境中,该语义导航碰撞率仅为4.6%。所提声控语义导航方法可行,避障能力具有明显优势。

关键词： 三维激光扫描技术   智能制造生产线   目标检测   图像去噪   支持向量机  

摘要： 智能制造生产线目标图像数据采集过程受到噪声、光照变化等问题,导致输入图像的质量不佳,进而影响目标检测的准确性,对此,设计一种基于三维激光扫描技术的智能制造生产线目标检测方法。首先,采用三维激光扫描仪获取待检测目标点云数据,通过点云变换准则计算数据之间的拓扑关联,生成完整三维激光图像。然后,利用杂交小波变换对三维激光目标图像进行去噪处理。最后,使用能量、熵、对比度、相关性4种参数提取图像纹理特征并采取归一化处理,创建最优分类函数,并运用支持向量机算法划分生产线目标样本图像数据,完成智能制造生产线目标检测工作。实验结果表明,所提方法的交并比值最高时达到0.97,F1值最高时达到0.96,平均检测耗时仅为0.53 s,说明所提方法的检测精度高、效率快,鲁棒性强,在实际操作中具备相当的可用性,为智能制造产业提供技术支持。

关键词： 图像翻译   语义图像合成   生成对抗网络   深度学习   计算机视觉  

摘要： 语义图像合成是图像翻译领域一个重要的研究和应用方向,旨在利用输入的语义图像(如语义分割图、地图、线稿图等)生成与图像描述相符的真实图像。针对基于生成对抗网络(GAN)的语义图像合成任务由于缺乏全局信息导致生成图像特征模糊、纹理细节缺乏关联性的问题,基于pix2pix网络提出一种结合外部注意力机制改进的全局信息增强语义图像合成方法。首先,在U-net结构的生成器上采样阶段引入外部注意力机制,增强生成图像像素间的空间相关性;其次,在生成器上采样层使用深度残差模块,在提高生成图像质量的同时,增强生成图像的多样性;最后,鉴别器引入全局信息以增强鉴别能力。在cityscape、landscape、edges2shoes数据集上进行实验,改进后的方法相比基线模型在FID指标上分别提升了57.37、26.74和1.78。实验结果表明,该模型能够有效利用全局信息增强生成图像纹理细节的关联性,提高图像质量。

关键词： 目标检测   隧道预警   高速公路  

摘要： 文章针对高速公路预警系统在隧道场景中存在的问题,提出了一种基于目标检测的高速公路隧道预警系统。该系统以目标检测、多目标跟踪算法为主要的高速公路隧道预警手段,借助高速公路隧道中的视频监控系统提高预警系统在隧道中预警的实时性和准确性,为后续把握道路异常运行状态提供有力保障。

关键词： 目标检测   打架斗殴   YOLOv8   EfficientRep   FocalNeXt   Focal-DIoU  

摘要： 在当今社会,打架斗殴检测技术对于防范暴力事件和冲突至关重要。结合监控摄像头和目标检测,能够实时监测人群活动,从而有效预防潜在威胁。因此,提出了一种基于YOLOv8改进的打架斗殴行为识别算法EFD-YOLO。EFD-YOLO采用EfficientRep替换主干网络,提高了特征提取的效率,并在监控范围内实现准确实时的特征提取。引入FocalNeXt焦点模块,通过深度卷积和跳跃连接的结合,解决了遮挡问题和多尺度特征需求问题。采用Focal-DIoU作为边界框回归损失函数,在复杂情况下减少了误检的问题。实验结果显示,EFD-YOLO算法相较于YOLOv8n在mAP@0.5指标上提升了4.2%,在mAP@0.5:0.95指标上提升了2.5%,满足关键场所中实时检测打架斗殴行为的需求。

关键词： 火龙果   成熟度识别   YOLOv8   PSP-Ellipse   目标检测   形状识别  

摘要： [目的]提高火龙果成熟度检测准确率及鲁棒性。[方法]采用YOLOv8目标检测模型与PSP-Ellipse分割算法相结合的策略,提出一种高效且准确的火龙果成熟度自动识别方法。先利用YOLOv8的实时目标检测功能对火龙果进行初步定位和识别,再通过PSP-Ellipse的形状识别能力,对火龙果的形状和成熟度进行进一步的精细分类。[结果]火龙果成熟度分类准确率为97.6%,鲁棒性较强。[结论]该方法在复杂背景和多种光照条件下能够显著提高火龙果的自动化分级效率。

关键词： 葡萄幼果   疏果   目标检测   shuffle attention   YOLO v8n   Wise-IoU Loss  

摘要： 葡萄簇幼果果实受背景色、遮挡和光照变化的影响,检测难度大。为了实现对背景色、遮挡和光照变化具有鲁棒性的葡萄簇幼果检测,提出了一种融合随机注意力机制(Shuffle attention,SA)的改进YOLO v8n模型(SAW-YOLO v8n)。通过在YOLO v8n模型的Neck结构中融入SA机制,增强网络多尺度特征融合能力,提升检测目标的特征信息表示,并抑制其他无关信息,提高检测网络检测精度,在不明显增加网络深度和内存开销的情况下,实现了葡萄簇幼果的高效准确检测;采用基于动态非单调聚焦机制的损失(Wise intersection over union loss,Wise-IoU Loss)作为边界框回归损失函数,加速网络收敛并进一步提高模型的准确率。构建了葡萄簇幼果的数据集GGrape,该数据集由3780幅复杂场景下的葡萄簇幼果图像及对应标注文件组成。通过该数据集对SAW-YOLO v8n模型进行训练和测试。测试结果表明,基于SAW-YOLO v8n的葡萄簇幼果检测算法的精度(Precision,P)、召回率(Recall,R)、平均精度均值(Mean average precision,mAP)和F1值分别为92.80%、91.30%、96.10%和92.04%,检测速度为140.85 f/s,模型内存占用量为6.20 MB。与SSD、YOLO v5s、YOLO v6n、YOLO v7-tiny、YOLO v8n等5个轻量化模型相比,其mAP值分别提高16.06%、1.05%、1.48%、0.84%、0.73%,F1值分别提高24.85%、1.43%、1.43%、1.09%、1.60%,模型内存占用量分别降低93.16%、56.94%、37.63%、47.00%、0,是所有模型中最小的,具有明显的轻量化、高精度优势。讨论了不同遮挡程度和光照条件的葡萄幼果检测,结果表明,基于SAW-YOLO v8n的葡萄幼果检测方法能适应不同遮挡和光照变化,具有良好的鲁棒性。结果表明,SAW-YOLO v8n不仅能满足对葡萄簇幼果检测的高精度、高速度、轻量化的要求,且具有较强的鲁棒性和实时性。

关键词： 微光成像   扩散模型   噪声生成   图像处理   神经网络   深度学习  

摘要： 针对弱光环境中的噪声复杂,建立噪声模型十分困难的问题,本文提出一种基于扩散模型的噪声图像生成方法。首先,通过扩散模型的前向过程中的公式向清晰图像中加入多种类型的噪声,然后,将其与清晰的条件图像一同输入到网络中,最后,通过冷扩散模型的采样算法循环迭代的生成噪声图像,从而建立更加真实的噪声模型。在弱光数据集上的实验结果表明,与其他算法相比,本文算法生成的噪声图像在客观指标上的KL散度值为0.068,比现有最好的方法降低了0.001,主观上质量更高,与弱光环境中的图像更接近,建立的噪声模型更加准确。本文方法可以在弱光环境下建立质量较高的噪声模型,为弱光环境下的噪声建模提供了新的思路,且将扩散模型应用于弱光噪声建模领域。