关键词： 制动风闸   视频监控系统   计算机视觉   数字孪生  

摘要： 为确保水电站机械制动系统运行状态准确监视,在某巨型水电站机组下风洞部署视频监控系统,利用计算机视觉算法检测风闸运行状态并辅以数字孪生软件直观展示,取得较好的应用效果。

关键词： 多源信息融合   计算机视觉   深度学习   智能控制决策方案  

摘要： 为保证充填工作面电液控制系统的稳定运行,以充填工作面捣实机构为控制对象,通过对多源信息融合技术的研究,将计算机视觉、深度学习等智能识别结果与传感器数据相融合,生成智能控制决策方案,可促进控制理论、计算机视觉、机器学习等技术的融合,对充填工作面自动化、智能化、无人化水平的提高有重要意义,为综采、综放工作面的智能化、无人化建设提供重要的参考。

关键词： 目标检测   第三方施工检测   注意力机制  

摘要： 燃气管网安全对城市能源供应至关重要,第三方施工场景识别是保障其安全的关键。传统的人工巡检和判别方法效率低、效果差。本文提出基于YOLOv5和注意力机制的第三方施工风险动态监测方法,能识别、定位和预警施工特征物,并通过现实数据迭代提升模型性能。现场和实验室测试显示,该方法在实际场景中有效,且平均精度和F1分数均有所提升,验证了其有效性,这为市政管网领域的研究提供了应用价值和参考。

关键词： 深度学习   水下目标检测   YOLOv8n   轻量级算法   全局注意力机制  

摘要： 针对水下目标检测中存在的图像模糊、小目标众多导致YOLOv8n目标检测算法的漏检、误检问题,提出一种改进YOLOv8n的轻量级水下目标检测算法。首先,在主干网络部分采用空间到深度层的非跨步卷积替代部分卷积,并引入全局注意力机制,以增强全局上下文信息,从而提升主干网络对模糊目标和小目标特征的提取能力。其次,使用轻量级上采样算子CARAFE(content aware reassembly of features)替换原有的上采样方法,以扩大模型的感受野。然后,引入归一化高斯瓦萨斯坦距离,并将其与完全交并比结合,构建一种新的定位回归损失函数,以提高模型在复杂水下环境下对小目标的定位精度。最后,提出结合参数化修正线性单元(PReLU)的动态目标检测头(PR-DyHead),以优化原有的检测头性能,增强模型对水下小目标的处理能力。实验结果表明,改进的YOLOv8n算法在RUOD数据集上的平均精度均值为86.62%,比原始YOLOv8n算法提升了3.20百分点,模型参数量为5.67 M,千兆浮点计算量为12.5,满足轻量级要求。

关键词： 显著性目标检测   边界驱动   跨模态融合   跨层融合  

摘要： 面对复杂的场景图像,深度信息的引入可以大大提高显著性目标检测的性能。然而,神经网络的上采样和下采样操作会模糊显著图中目标的边界,从而降低显著性目标检测性能。针对此问题,提出了一种基于边界驱动跨模态跨层融合网络(B^(C)2FNet)的RGB-D显著性目标检测方法。该网络在跨模态和跨层融合中分别加入边界信息引导来保持目标区域。设计了边界生成模型,分别从RGB和深度模态的低层特征中提取2种边界信息;设计边界驱动的特征选择模块,在RGB与深度模态融合过程中,聚焦重要特征信息并保留边界细节;提出了一种边界驱动的跨层融合模块,在相邻层的上采样融合过程中加入2种边界信息。通过将该模块嵌入到自顶向下的信息融合流中,预测出包含精确目标和清晰边界的显著性图。在5种标准RGB-D数据集上进行仿真实验,结果证明所提出的模型具有较好的性能。

关键词： 小样本目标检测   基于度量   区域提议网络   非线性分类器   特征聚合  

摘要： 在现有的小样本目标检测中,区域提议网络(RPN)通常是在基类数据上训练以生成新类候选框;然而新类数据相较于基类更稀缺,在引入时可能产生与目标物不同的复杂背景,导致RPN将背景误认为前景,遗漏高交并比(IoU)值候选框。针对上述问题,提出一种基于改进RPN和特征聚合小样本目标检测方法(IFA-FSOD)。首先,基于RPN进行改进,即通过在RPN中设计一个基于度量的非线性分类器,计算骨干网络提取的特征和新类特征之间的相似度,以提高对新类候选框的召回率,从而筛选高IoU候选框;其次,在感兴趣区域对齐(RoI Align)中引入基于注意力机制的特征聚合模块(FAM),并通过设计不同尺度的网格,获取更全面的信息和特征表示,从而缓解因尺度不同引起的特征信息缺失。实验结果表明,相较于QA-FewDet(Query Adaptive Few-shot object Detection)方法,IFA-FSOD方法在PASCAL VOC数据集的新类上的Novel Set 3中的10-shot下的新类别平均精度(50%IoU)(nAP50)提升了4.5个百分点;相较于FsDetView(Few-shot object Detection and Viewpoint estimation)方法,在10-shot和30-shot设置下,IFA-FSOD方法在COCO数据集的新类上的平均精度均值(mAP)分别提升了0.2和0.8个百分点。可见改进RPN和特征聚合(IFA)能有效提高在小样本情况下对目标类别的检测性能,并解决高IoU值候选框遗漏和特征信息捕捉不全的问题。

关键词： 管道   目标检测   深度学习   漏磁内检测   缺陷量化   多任务  

摘要： 【目的】管道漏磁内检测技术因无需耦合剂、易于实现自动化等优点已广泛应用于管道缺陷在线检测中。利用检测数据准确预测缺陷尺寸并开展适用性评价,对于后续的修复决策至关重要。【方法】以采集的漏磁数据为基础,根据缺陷数据特点,提出一种基于PP-YOLOE(Paddle Paddle-You Only Look Once Evolved)的深度学习目标检测模型,通过将三轴漏磁数据转换为彩色图像,输入模型中进行目标检测训练,实现缺陷的快速定位与数据提取,为缺陷量化提供准确可靠的数据集。结合多任务学习(Multi-Task Learning,MTL)模型,将管道缺陷处的周向、轴向、径向漏磁数据作为模型的输入,根据漏磁数据特征对缺陷的长度、宽度、深度进行并行输出,实现对缺陷的尺寸评估与预测。【结果】与实际牵拉实验数据对比后发现,通过PP-YOLOE与MTL相结合的识别量化模型提高了管道缺陷识别效率,改善了缺陷尺寸预测结果,缺陷目标检测的召回率达到0.87、准确率达到0.94;NADAM(Nesterov-accelerated Adaptive Moment)算法与SGD(Stochastic Gradient Descent)算法相比,预测腐蚀缺陷长度、深度的精度分别提升了9%、4%。【结论】该方法适用于海量管道漏磁检测数据的分析,提高了判读效率,可为管道缺陷的剩余强度评估和剩余寿命预测提供可靠的基础数据支持。(图10,表2,参30)

关键词： 光学遥感图像   目标检测   深度学习   目标特点   目标检测流程   目标检测框架   非全监督学习   数   据集   性能评估指标  

摘要： 光学遥感图像目标检测在军事和民用方面都有很广泛的应用前景。本文综述了基于深度学习的光学遥感图像目标检测算法研究进展。首先,详细分析了光学遥感图像中的目标特点;其次,简要回顾了光学遥感图像目标检测算法的发展历程;再次,阐明了基于深度学习的光学遥感图像目标检测流程;最后,以深度学习为出发点,概述了经典的目标检测框架,并根据光学遥感图像目标的特点,分别针对尺度多样性、方向多样性、形状多样性、小尺寸、特征相似性、背景复杂性、分布密集性、弱特征的光学遥感图像目标检测问题,对各种改进算法进行了系统性的总结,此外,归纳了针对光学遥感图像目标检测的非全监督学习算法,介绍了常用的开源光学遥感图像数据集和目标检测的性能评估指标,指出了现阶段在光学遥感图像目标检测领域仍然面临的主要挑战和下一步的发展方向。

关键词： 高速铁路   裂缝检测   轨道板裂缝   YOLO   图像处理  

摘要： 高铁轨道板裂缝严重危害车辆运行安全,针对目前裂缝维护中存在无效修复裂缝的问题,提出基于YOLOv8-DSC模型的多类裂缝检测方法 .首先,在骨干网络引入动态蛇形卷积模块(Dynamic Snake Convolution,DSC),基于此重新构造C2f中的Bottleneck结构,建立为C2f-v1模块,从而替换YOLOv8骨干网络的部分C2f模块,提升无效修复裂缝多尺度细节特征的获取能力;其次,在颈部网络引入CBAM注意力机制,增强模型对关键特征的关注度,强化细小裂缝特征在神经网络中的传递;再次,在损失函数方面,利用SIoU损失函数替换CIoU,削弱几何因素对模型的过度惩罚,减少对模型训练的干预以增加模型对相似裂缝的泛化能力;最后,从网络结构、裂缝数据、分类方法和环境条件4个方面对其进行验证和评价.研究结果表明:YOLOv8-DSC模型相较于YOLOv8原模型,漏检误检情况得到明显改善,平均精度均值及查全率分别提高了4.6%、4.0%,且在不利环境条件下具有良好的鲁棒性和适应性,有效实现了轨道板无效修复裂缝的准确检测.

关键词： 人工智能技术   自然语言处理   智慧安防   计算机视觉   深度学习   生态系统   AI   特定任务  

摘要： 当前,人工智能技术蓬勃发展。据工信部数据,截至2024年10月,我国生成式AI服务大模型注册用户超6亿。现如今,AI技术发展方向出现转变,正从通用型迈向更专业化、垂直化。在此过程中,AI产业链上下游合作愈发紧密,完整生态系统已形成。同时,随着深度学习、自然语言处理、计算机视觉等技术持续进步,让AI在特定任务上有极为出色的表现,越来越接近乃至超越人类水平。凭借这样的优势,AI得以在更多领域实现落地应用,不断拓展其应用范围,为诸多行业发展带来新机遇。