关键词： 石化防爆设备   目标检测   YOLOv5s   螺栓   缺陷检测  

摘要： 螺栓在石化防爆设备中起着紧固、连接和密封等重要作用,其完整性和可靠性是保障设备安全运行的核心要素。由于长期振动、高温、腐蚀和复杂环境等因素影响,易出现螺栓松动与缺失等缺陷,影响设备性能,存在安全隐患,严重时可能导致安全事故。当前螺栓缺陷排查主要依靠人工定期巡检,存在巡检效率低、工作量大和漏检误检等问题。本文针对石化防爆设备螺栓松动与缺失检测的智能化需求,基于深度学习方法开展数据集构建、算法优化及移动端轻量化部署研究,提出了一种基于YOLOv5s的石化防爆设备螺栓松动与缺失检测方法,并进行了工程实际验证与应用,主要研究内容如下: (1)石化防爆设备螺栓缺陷数据集构建与混合数据增强策略 针对石化防爆设备螺栓缺陷样本稀缺与数据分布不均衡问题,通过整合历史巡检图像与现场采集数据,构建包含1032张原始图像的螺栓缺陷数据集;采用正交试验法分析旋转、倾斜、缩放及亮度调整等数据增强方式对数据多样性的影响规律,将本地数据集规模扩展至3635张,优化螺栓松动与缺失样本比例至约1:1,结合YOLOv5s的Mosaic在线增强技术,提出基于正交试验的本地-在线混合增强策略。实验表明,增强后数据集的基线模型性能显著提升,平均精度均值(m AP)由62.4%提升至85.1%,召回率(R)提升5.5%至82.3%,有效缓解小目标特征模糊与数据不均衡问题。 (2)基于改进YOLOv5s的螺栓松动与缺失检测模型构建 基于YOLOv5s算法,提出四个方面优化方法。1)在骨干网络融入动态稀疏注意力机制Bi Former模块,通过区域路由策略增强螺栓小目标特征权重,抑制复杂背景干扰;2)采用Bi-FPN双向跨尺度结构替换原PANet颈部网络,强化多尺度特征交互与细小缺陷上下文学习能力;3)通过轻量化设计的解耦检测头,改进原有耦合检测头,分离分类与回归任务,提升任务专注度与检测精度;4)引入Focal-EIo U损失函数,通过梯度重加权机制加速模型收敛,提升螺栓小目标及密集分布场景定位鲁棒性。通过对比实验和消融实验验证,改进后模型在参数量仅增加0.6M、检测速度降低4.8 FPS的有限代价下,m AP提升8.8%至94.9%,召回率(R)达95.0%,综合性能优于YOLOv7-tiny、YOLOv8s、Faster R-CNN、SSD等先进算法。 (3)移动端轻量化部署与应用验证 基于NCNN框架对改进模型进行量化压缩,开发了适配Android平台的防爆设备螺栓松动与缺失检测APP。测试表明,量化后模型在移动端推理速度达31.2 FPS,m AP达到93.6%,缺陷检测前向推理整体耗时0.8-1.5秒。实际部署于某海上油气平台安全巡检中,螺栓缺陷识别准确率超94%,满足复杂石化场景下实时性与高精度双重需求。 本文提出的数据增强策略、算法改进方法与轻量化部署方案,一定程度解决了石化场景下螺栓小目标检测、数据稀缺性及移动端资源有限等难题,为石化防爆设备智能化巡检提供了理论和技术方法,具有一定的实际应用价值。

关键词： MIMO雷达   目标检测   参数估计   统计模型   机器学习  

摘要： 多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达通过多天线发射信号,并利用多天线接收回波以实现目标任务。相比传统相控阵雷达,MIMO雷达因其波形分集和空间分集优势,从而在目标检测、参数估计和抗干扰等方面具备优越的性能,已经在当前雷达领域被广泛研究。 目标检测和参数估计是MIMO雷达的核心任务。目前常用的MIMO雷达检测估计方法包括传统的基于统计模型的方法和基于机器学习的方法,旨在不同的环境和资源约束等条件下,依据统计模型或训练数据,提升检测估计性能。复杂地理环境与高精度任务需求为检测器和估计器的设计及性能分析带来了很大的挑战。因此,如何在复杂雷达场景下设计检测估计方法并分析其性能,是一项具有重要意义和挑战性的课题。对此,本文针对MIMO雷达检测估计问题,开展了理论和方法研究,取得的主要贡献和创新点如下: (1)现有的大规模天线MIMO雷达检测的研究中,大多考虑的天线布阵方式是大规模共置天线,然而在实际雷达场景中,更有可能出现的天线布阵方式是多个共置天线组。本文针对基于多个共置天线组的大规模天线MIMO雷达扩展目标检测问题,通过分析扩展目标反射系数的空间相关性,将任意两个反射系数相关的天线视为处于同一个共置天线组中,提出了基于多个天线组的能量检测器,证明了该能量检测器能够达到奈曼-皮尔逊准则下的最优检测性能,并推导了检测概率的闭式解。 (2)考虑天线布阵方式为单个共置天线组,即大规模共置天线MIMO雷达。现有的大规模天线MIMO雷达检测的研究中,大多考虑的是远场信号模型,本文考虑目标处于近场的场景。针对大规模天线被动MIMO雷达近场目标检测问题,通过利用瑞利熵的性质,提出了基于统计模型的特征值检测器;基于随机矩阵理论,推导了虚警概率和检测概率的闭式解;提出了统计模型辅助机器学习的近场目标检测器,通过机器学习网络构建检验统计量和执行检测判决,不仅有效增强了近场场景下的检测性能,还在一定程度上降低了计算复杂度。 (3)考虑每个共置天线组只包含一个天线的布阵方式,即分置天线MIMO雷达。研究分置天线MIMO雷达动目标检测问题。基于统计模型的检测器由于需要对未知参数进行数值搜索因此计算复杂度较高,且在模型失配时性能显著下降。因此,本文提出了基于机器学习的动目标检测器,通过在训练阶段引入机器学习网络的优化,提高了杂波环境下的检测性能,它不受模型失配的影响且具备低计算复杂度;考虑到统计模型仍包含部分有效的统计信息,通过结合统计模型和机器学习方法,提出了统计模型驱动机器学习的动目标检测器,进一步提升了杂波环境下的检测性能,同时兼具低计算复杂度。 (4)考虑分置天线MIMO雷达已经完成目标检测,需要进一步对目标的位置进行估计。本文研究基于机器学习方法的分置天线MIMO雷达目标定位问题,通过理论分析基于机器学习的目标位置估计网络(Estimation Network,Est Net)定位的均方误差,推导了基于Est Net的目标定位均方误差界(Mean Squared Error Bound,MSEB),首次给出了关于机器学习网络参数对估计性能影响的理论报道。在Est Net结点资源约束下,提出了基于MSEB的Est Net网络结构设计算法,提高了Est Net的定位性能。 本文提出的检测估计方法、推导的理论性能以及给出的设计算法均通过仿真实验进行了验证和分析,仿真结果表明了理论分析的正确性和所提方法与算法的有效性,为复杂环境下雷达检测与估计的进一步研究与发展提供了有益参考。

摘要： 冰是水的固体形态,当气温降到0℃以下时,便可以见到状如玻璃或水晶的结晶了。拍摄冰,既是一种乐趣,也是一种技能的历练。有时候需要掌握透射光的特点与运用技巧;有时候又必须考虑镜面反射的光影效果;而更多的时候需要把握和表现冰的造型与它的特殊质感;同时还要通过后期加以修缮和补正。

关键词： 无人机检测   无人机跟瞄   机器视觉   目标检测   深度学习   嵌入式部署   YOLOv8  

摘要： 无人机因其多功能性和经济效益,在众多民用领域中得到了广泛应用。然而无人机的发展增加了对强大的反无人机系统的需求。作为反制的首要环节,如何快速、有效地检测、跟瞄目标无人机具有重要意义。基于视觉检测的低成本和易部署优势,本研究提出了一种基于机器视觉的轻量级无人机跟踪与瞄准系统,并针对无人机视觉检测中的数据集缺乏、小目标检测难、嵌入式平台部署及检测范围扩展四个问题进行研究,具体包括以下方面: (1)数据集构建与算法分析:针对无人机检测领域缺少数据集的问题,本研究构建了一个包含10800张图像及其标注文件的高质量数据集。这些图像由4K分辨率高清相机拍摄,涵盖了多样化的拍摄角度、背景、光照条件和飞行高度,确保了数据的多样性和代表性。无人机的相对距离范围为5至200米,飞行高度在0至100米之间。此外,基于该数据集,本研究使用七种典型深度学习算法进行实验,探究拍摄角度、图像灰度、目标尺度及训练-测试图像分辨率对算法表现的影响。实验结果表明,拍摄角度、目标尺度、图像灰度及分辨率对算法性能有显著影响,且大多数算法在小目标检测方面存在较大困难。 (2)YOLO-Drone算法优化:为解决小目标检测的难题,本研究提出了一种名为YOLO-Drone的改进算法。该算法引入多尺度密集连接以提高小目标的检测效果。同时,为避免改进带来的计算量和参数增多,采用多层共享检测头以减少YOLOv8解耦头的参数和计算量。实验表明,YOLO-Drone算法在精度上较基准模型YOLOv8n提升了0.1%,召回率提高19%,mAP50提升9.6%,mAP50:95提升6.7%,检测头参数减少80%。 (3)嵌入式端优化与加速:为保证YOLO-Drone在算力有限的嵌入式设备上依然具备高精度和快速检测能力,本研究在服务器端采用LAMP剪枝以进一步减少算法的参数和计算量,同时引入基于响应的知识蒸馏方法以弥补剪枝带来的性能损失。实验结果显示,剪枝后模型的参数减少88%,计算量降低40%,且性能下降不超过1.1%。与其他深度学习模型相比,YOLO-Drone在小目标检测方面表现最佳,推理速度居于第二。最终,嵌入式端使用TensorRT进一步加速YOLO-Drone的运行,实验表明加速效果超过50%,模型在嵌入式设备上实现了14.7ms的推理延迟,满足实时检测需求。 (4)云台相机跟踪系统:为扩大固定相机的检测范围,本研究设计了一种云台相机跟踪系统,成功实现了地面云台相机对无人机的跟瞄功能。系统利用YOLODrone检测算法获得的目标坐标,计算视野中心与无人机之间的偏差角度,通过伺服电机控制云台调整角度,以消除偏差,确保无人机始终位于相机视野中心。该跟踪技术显著提升了无人机检测的灵活性和效率,使其不再受限于固定角度或背景。实验表明,在测试环境下,该系统在7-66米的有效跟踪距离内,能够跟踪的目标无人机最大横向速度为53.6 km/h,最大纵向速度为18 km/h。 最后,本文对研究内容进行了总结,并对未来研究方向进行了展望。

关键词： 目标检测   安全帽检测   YOLOv4   注意力机制   轻量化  

摘要： 在建筑工地、电力运维等高危作业场景中,安全帽佩戴监管是预防人身伤害事故的核心环节,然而传统人工巡查方式受限于人力资源不足、监控盲区多等问题,难以实现全天候精准覆盖。本研究在基于深度学习的目标检测YOLOv4算法基础上,从特征提取增强与模型轻量化两个方面对算法进行优化,提出了一种高效可靠的安全帽检测算法,改善了安全帽检测在实际环境中误检率高、小目标密集分布易漏检等问题,并使模型更加轻便。本研究所做的工作内容如下: 本研究加强了网络的特征提取能力来更加精准地捕获目标。加入注意力机制CA模块,通过双向池化操作捕获空间位置信息,动态分配通道权重,使网络聚焦于安全帽边缘纹理、反光标识等关键区域;将原算法的特征金字塔网络FPN升级为双向跨尺度连接结构Bi FPN,并通过加权融合浅层细节特征与深层语义特征,提升密集小目标场景下的检测准确率。 本研究对网络进行了轻量化改进。采用Ghost Net替换原模型的CSPDarknet53网络,减少了冗余卷积计算,在保证特征表达能力的同时降低了参数量;将空间金字塔池化SPP模块改进为Sim SPPF模块,通过串行池化层叠加替代并行结构,在维持多尺度感受野的同时减少计算耗时;针对安全帽尺寸分布特性,采用KMeans++算法优化锚框尺寸,使初始锚框更贴合真实目标分布,加速模型收敛。 最后对优化后算法进行了一系列的实验验证。结果证明改进后的算法的精确率P从87.92%提升至89.64%,召回率R从79.50%提高至80.81%,平均精度(AP@50)达到88.69%,较原YOLOv4模型提升2.45个百分点,有效平衡了误报与漏检问题;模型轻量化方面,参数量由原模型的61.1M减少至12.5M,计算量从59.6GFLOPs减少至17.8GFLOPs,更有利于算法的低成本部署。

关键词： 目标检测   PP-PicoDet   GMM建模   显著性检测  

摘要： 【目的】解决烟丝振槽中混杂的运动异物难以快速、准确检测问题，实现针对烟丝中小、弱异物的在线检测模型性能的强化。【方法】基于GMM(Gaussian Mixture Model)理论构建脱机烟丝背景颜色模型，实现异常目标显著性快速建模；优化PP-PicoDet检测网络的注意力增强机制，强化空间纹理信息的表达，提升对异常目标结构特征的感知；分析并构建小样本友好的损失函数，利用高斯模型实现标签损失重分配，提升模型对小占比样本的激励。【结果】在自建平台上，改型模型以0.5%的额外计算时延换取了精确率和召回率指标5.8%的性能提升。【结论】该技术满足烟丝生产中异物检测任务对时效性和可靠性要求，实现烟丝生产效率的提升。

关键词： 机器视觉   图像处理   深度学习   物流自动化  

摘要： 机器视觉技术通过光学传感器和计算机算法赋予机器“看”和“理解”的能力，受劳动力短缺、效率提升需求等因素驱动，在物流领域自动化需求激增。本文基于康耐视的机器视觉产品创新与技术发展，探讨了机器视觉技术在物流领域的应用现状、创新发展及未来趋势。

关键词： 计算机视觉   深度学习   精准畜牧业   等级评估   牛体尺测量  

摘要： 华西牛是我国自主培育的优质肉牛品种,其等级评估在育种管理、肉质提升和市场交易中具有重要意义。现有的等级评估方法依赖于人工估算,存在较大的主观性和误差,难以确保准确性和一致性。为此,本文提出了一种基于机器视觉的华西牛等级评估方法,该方法包括体尺等级评估和体重等级评估两部分。体尺等级评估通过机器视觉测量牛只的体尺参数,包括体高、体长、体斜长、胸围和腹围,利用这些体尺参数来评估体尺等级。体重等级评估则通过称取牛只体重来进行评估,从而得出体重等级。 在体尺等级评估中,本文采用了侧身视角和背部视角两种视角融合进行牛只体尺参数测量。侧身视角测量体高、体长和体斜长参数,背部视角获取胸围和腹围数据。在侧身视角下,首先构建华西牛侧身图像的标注数据集,并利用Yo Lov5模型对牛只的头部、躯干、关节、蹄部和尾部等体尺特征部位进行检测。随后,通过Canny边缘检测算法在体尺特征部位里提取局部轮廓,并结合三点圆弧曲率算法精确定位髻甲最高点、肩端点和坐骨端点等关键测点,从而计算出体高、体长和体斜长等体尺参数。在背部视角下,采用Segment Anything模型对牛只背部区域进行分割,之后,通过Canny边缘检测算法在背部掩膜上提取背部轮廓。针对牛只自然站立时姿态偏斜的问题,本文提出基于牛体中心线的轮廓纠偏算法,通过旋转矩阵消除姿态偏差。在纠偏后的轮廓上提取背部胸宽和腹宽测点。最后,将背部视角与侧身视角进行空间配准之后,提取侧身视角下的胸深和腹深,并采用椭圆拟合算法计算胸围和腹围。为应对体尺参数测量误差,提出加权评分法评估体尺等级。在体重等级评估中,本文以STM32为数据采集核心,利用Modbus RTU协议和RS-485串口获取体重秤读数,并通过RS-485串口将体重数据传输至服务器。依据体重参数进行体重等级评估。 基于上述方法,本文通过QT Designer设计了图形用户界面,基于Py Qt框架设计了华西牛等级评估系统。经过实验室对模型牛和在乌拉盖地区对华西牛的实地测量,体尺等级评估和体重等级评估的平均相对误差分别为4.37%和3.06%。实验结果表明,华西牛等级评估方法测量精度较高,可以满足实际应用场景的需求。

关键词： 海杂波   目标检测   多域特征   二分类   AlexNet  

摘要： 目前,海面小目标已成为海洋雷达任务的重难点探测对象,典型的有小船、快艇、蛙人、无人机等。由于此类目标具有雷达反射截面积小、运动速度低等特性,基于单域特征的传统检测方法难以获得理想性能。因此,本论文主要研究基于多域特征联合的海面小目标检测方法,进一步拓展特征维数,充分挖掘海杂波和含目标回波在不同域的差异性。主要研究内容如下: 第一,概述基于多域特征联合的检测方法。一方面,分析长时观测下海杂波在时域、频域和时频域的非平稳特性,为特征提取奠定基础。另一方面,在二元假设检验下,给出多域特征联合检测器框架,指出难点为特征提取和分类器设计。 第二,提出基于双通道图特征联合的海面小目标检测器,实现时域相位和频域幅度联合。在特征提取方面,在时域-频域双通道构造相位序列图和频谱幅度序列图,分别提取拉普拉斯矩阵融合特征值和度矩阵熵,衡量图的连通密度和顶点度分布均匀性。在分类器设计方面,提出具有目标引导的二维凸包单分类器,实现对特征向量的判别。最后,基于实测数据的结果表明:相对于现有的单个图特征检测器,提出的检测器具有显著的性能提升。 第三,提出基于改进1D-Alex Net的海面小目标高维特征检测器,实现时域、频域、时频域和极化域联合。在特征提取方面,从四个域中提取24个有效特征,综合衡量功率、分形、几何、散射等特性。在分类器设计方面,从结构和参数两个层面改进Alex Net二分类器。在结构层面,将传统二维Alex Net降低到一维并精简层数,加快模型训练速度。在参数层面,引入具有自适应调整斜率的激活函数,保证模型的稳定性。并且,将幂指数衰减函数替代固定学习率,进一步加快模型训练速度。最后,基于实测数据的结果表明:相对于现有的三特征检测器,提出的检测器具有57.6%的平均性能提升。