关键词： 交通信号灯   目标检测   SVDD   YOLOv8   EIoU  

摘要： 为提升交通信号灯的检测精度和识别准确率,文章提出基于YOLOv8的SVDD-YOLOv8目标检测方法,该方法通过整合全局注意力机制(GAM)和支持向量数据描述(SVDD)分类模块,强化特征捕捉并二次确认目标,同时引入EIoU损失函数提高定位精度。对SVDD别出的异常区域进行再训练,提升模型性能。实验显示,该方法较YOLOv8在检测精度和mAP@0.5上分别提升7.75%和8.99%,证明了该方法在提高交通信号灯检测精度和抗干扰能力上的有效性。

关键词： 目标检测   焊缝缺陷检测   特征融合   YOLOv8  

摘要： 金属表面焊缝缺陷的准确检测是确保工件安全使用的前提,由于缺陷与母材颜色相近、图像不清晰等情况,使用常规的2DRGB视觉难以完全检测出所有的缺陷类别,需要添加深度信息来辅助检测.试验提出一种基于RGB-D数据特征融合的焊缝表面缺陷检测方法,在YOLOv8网络模型的基础上,利用改进的对称主干网络结构提取RGB和深度特征的有效特征层,引入RGB-D数据特征融合模块,实现了RGB特征和深度特性在空间与通道位置的融合,在YOLOv8模型中加入CIoUNMS(complete intersection over union-non max suppression)非极大值抑制模块,提高了检验框的准确度.针对随机包含有烧穿、飞溅、焊瘤和气孔4个类别焊缝缺陷的图像进行了试验,结果表明,改进的YOLOv8比YOLOv8漏检率下降了17.84%,误检率下降了19.46%,证明了所述方法的有效性与准确性.

关键词： 钢材   深度学习   表面缺陷   目标检测   机器视觉  

摘要： 钢材生产运输过程中的关键问题之一是表面缺陷,这不仅导致原材料浪费,还制约了企业的发展。同时,表面缺陷具有种类复杂、噪声干扰严重、尺寸小等基本特点,传统方法难以满足工业快速发展的需求。近年来,深度学习方法在目标检测领域取得了显著成果,并逐渐应用于钢材表面缺陷检测。文章从代表性缺陷检测算法入手,重点分析近三年内算法的改进方向,以提升钢材的适用性能和使用寿命。

关键词： 计算机视觉   深度学习   群体情绪识别   特征提取   情绪模型  

摘要： 群体情绪识别在公众场合、平安城市等场景有着重要的应用。随着人工智能的发展,人们逐渐意识到使用深度学习的方法对群体情绪研究的重要贡献。对近年来国内外相关研究工作进行系统性归纳,详细阐述了群体情绪识别领域的研究现状。着重探讨了群体情绪的特征提取方法和情绪识别研究方法,并对使用相同数据集的相关研究进行了较为全面的比较和评价。在此基础上,梳理了该研究领域的难点和问题,总结了特征提取和研究方法常用的优化方向和手段,这有助于研究者更好地了解不同情绪识别任务的特点,并为未来的研究提供了可行的研究方法和发展方向。

关键词： 深度学习   复制移动篡改检测   条带化自相关计算   目标检测  

摘要： 自相关计算能够获得特征图的相似度信息,是复制移动篡改检测中的重要模块。但是传统自相关方法计算复杂度高,因此,提出条带化自相关计算,通过将特征图分块处理,有效降低了计算复杂度。此外,边缘特征在复制移动篡改检测中具有关键作用,以往的方法往往仅通过卷积神经网络或Sobel算子等通用手段不加以区分地提取所有边缘特征,未能充分考虑非篡改区域的边缘特征对检测精度产生的负面影响,通过引入篡改边缘注意力机制,利用相似度信息对边缘特征进行加权,突出篡改区域的边缘特征,提高了检测的准确性。此外,在特征融合过程中使用下采样卷积模块捕捉丰富的上下文信息,为网络提供了更多有用的信息。实验结果显示,结合条带化自相关、篡改边缘注意力机制和下采样卷积模块的网络模型在复制移动篡改检测和分类精度上表现出色,优于多个现有方法。

关键词： 图像处理   图像去雾   大气散射模型   颜色校正   灰色世界假设   细节增强   光照补偿   对比度增强  

摘要： 由于雨雾天气的影响,清晰图像的获得较为困难,通常存在能见度低、对比度差、细节信息缺失等问题。针对上述问题,文中提出一种鲁棒性高的图像去雾算法。首先,将输入图像转换为细节图像,衰减图像并重新定义三个颜色通道,根据最小颜色损失原则对颜色进行补偿并平衡三个颜色通道的差异;其次,通过改进的大气散射模型EASM和暗通道先验算法解决图像发暗的问题,去雾结果明显、颜色鲜艳、细节清晰。在自然图像和合成图像数据集上进行对比实验并设计消融实验,结果表明,所提算法在信息熵、FADE、自然图像质量评估器(NIQE)、结构相似性(SSIM)等方面表现优于最新的去雾算法,具有较高的鲁棒性和应用前景。

关键词： 人工智能   电力输电设备   自动识别   机器学习   图像处理  

摘要： 电力传输设备的安全运行和维护已成为电力行业面临的重要挑战,因为电力系统的规模越来越大,操作的复杂性也越来越高。展开了电力传输设备自动识别技术的研究,提出了电力传输设备自动识别的一种方法,其基础是人工智能。这种方法将能够对电力传输设备中的异常情况进行实时监测和识别的机器学习和图像处理技术相结合。实现了自动识别和故障诊断传输设备的图像数据的预处理、特征提取和模型训练。实验结果显示,该方法对电力传输设备的安全运行和维护有很强的支撑,识别精确度和实时性都很高。

关键词： 目标检测   YOLOv5s   深度学习   手机行为检测   信息安全  

摘要： 针对工作场所电脑显示屏正对120°广角区域范围内不法分子持手机窃拍行为,文章提出了一种基于YOLOv5s+ReClassify的广角区域手机检测算法。在YOLOv5s检测器的基础上于目标高置信度IOU区域进行局部强相关图像特征提取,获得更加丰富的特征信息,并导入二级分类器得到高可靠性分类结果,与检测器输出进行加权融合,提高检测精度。构建由43476个样本组成的cellphone检测数据集以及由51448个样本组成的cellphone-others分类数据集,在自制数据集上实验结果表明,所提算法检测率达到98.19%,相较YOLOv5s提高17.79%,误检率降低至1.7%,平均单帧推理时间为31.21 ms。改进的算法能够满足对不法分子持手机对显示屏实施窃拍行为的实时准确识别。

关键词： 阳极炉炼铜   还原期   GRNN算法   图像处理   终点判断  

摘要： 针对阳极炉炼铜还原期终点判断依赖人工判断的局限,利用机器学习技术实现智能判断。通过图像去模糊处理优化图像特征,对图像进行灰度差分矩阵运算,将矩阵中提取出的特征值作为神经网络的输入,构建了一种新的铜阳极炉精炼还原期终点判断模型。试验结果显示,在真实生产环境下,采用GRNN算法对还原终点进行预测,有助于消除铜阳极炉精炼过程中不同指标之间的相关性,减少了数据冗余和系统误差,使预测精度提高至96.54%。相较于传统方法,这种新的判断模型有效提高了阳极炉炼铜还原期终点判断的准确性。

关键词： 人参   外观质量   YOLOv8   目标检测   注意力机制   深度学习   图像识别  

摘要： 针对人参分级特征微小差异对专业人员依赖性强的问题,同时为了降低人工劳动强度,提高人参外观质量检测精度,实现将模型方便快速部署到移动端,该研究提出了一种基于改进YOLOv8n的轻量级方法。该模型(简称为CGC-YOLOv8模型)首先将YOLOv8n的骨干网络的卷积替换为条件参数化卷积(conditional convolutional networks),这使模型能够根据输入数据的特征进行调整;其次,在颈部网络,引入一种细颈组合(GSconv+VoVGSCSP)降低模型的参数量和模型尺寸的同时,进一步提升模型检测性能;最后,加入坐标注意力机制(coordinate attention)模块,有效地整合了空间坐标信息到生成的注意力图中,使模型细化特征更加关注人参外观特征,从而提高了特征提取的能力。试验证明,在使用分级良好的人参批次采集的数据集上,该研究的CGC-YOLOv8模型在关键评价指标上,精确度、召回率和平均精度均值(mAP50、mAP50-95),分别达到85.70%、91.23%、94.69%、72.43%,与原模型YOLOv8n相比较分别提升了2.74、4.64、3.71和4.9个百分点,与原YOLOv8n模型相比有显著提高,而且在模型大小和计算浮点数明显减少。研究结果可为人参等药材外观质量精准识别提供参考。