关键词： 电力工程   智慧工地管控平台   系统架构   物联网   大数据   计算机视觉  

摘要： 针对传统建筑工地普遍存在的信息割裂、监管滞后与协同效率低等难题,本文基于电力工程项目场景,利用大数据、物联网和计算机视觉技术,提出“1+4+N”的建设理念,设计智慧工地管控平台系统架构,阐明系统功能模块和实施路径。通过在典型试点项目中的应用,验证平台实现施工现场全面感知、智能分析、精准控制与协同管理的技术可行性。应用结果表明,该平台有效提升了工地在安全风险防控、质量过程监管及施工进度管控等方面的水平,为智慧工地管控平台建设与推广提供了理论参考和工程实践范例。

关键词： 计算机视觉   弱监督学习   医学图像分割  

摘要： 0背景随着计算机视觉以及深度学习的迅速发展,医学图像分割已经成为医疗影像处理中的一项关键任务,被广泛应用于疾病的辅助诊断。医学图像分割旨在从多种模态的影像数据(如X射线、CT、MRI、超声等)中分离出特定器官、病灶或其他感兴趣的区域。精确的分割结果对疾病的辅助诊断、治疗方案的设计以及术后跟踪都具有重要意义。然而,医学图像由于形状不规则及边界模糊等问题,通常标注难度较大,所以高质量标注的医学图像数据集较少。

关键词： 图像处理   边缘检测   多目标遗传算法   制动系统优化   变电站设备  

摘要： 文章针对变电站设备的异物识别问题,通过OpenCV实现边缘检测以及滤波等图像预处理算法,提升设备的识别率。针对变电站设备的识别问题,通过高斯滤波、Canny边缘检测、双边滤波、图像分割等图像预处理算法,提出合理的图像预处理流程,可以去除图像中的干扰信息,突出目标设备的边缘信息,降低目标设备识别图像中的误检率。通过图像预处理流程能够在较复杂的情况下提高目标设备的识别率。文章针对盘式制动器的多目标最优化问题,通过多目标遗传算法对盘式制动器的制动盘外半径、闸瓦长度、闸瓦宽度等设计关键参数进行优化,达到降低热应力和温度、提高制动器制动效率的目的。研究表明,通过遗传算法对设计关键参数进行优化是有效的,具有一定的移植性。

关键词： 浓香型白酒   包包曲   截面识别   包包曲分级   深度学习   计算机视觉  

摘要： 包包曲是浓香型白酒五粮液在酿造过程中至关重要的发酵原料,其精准分级对于稳定酿酒质量和提高生产效率具有重要作用。然而,传统的包包曲分级方法主要依赖于人工经验,效率较低,且培养一位经验丰富的工程师耗时较长,导致分级结果易受人为因素影响,鲁棒性较差。该研究提出了一种基于深度学习的五粮液包包曲分级框架,包含包包曲截面识别与分级判别2个核心模块,旨在实现分级过程的数字化与高效化,从而辅助工程师提升分级准确率与效率。针对传统人工检测方法的局限性,该研究建立了包包曲图像数据集,并构建了两阶段深度神经网络框架:第一阶段通过目标检测模型识别包包曲截面,第二阶段利用图像分类模型进行分级判别。实验结果表明,该自动化方法的分类性能可媲美经验丰富的工程师,为白酒酿造工业的智能化发展提供了技术支持。

关键词： 铁塔视频   多尺度   YOLOv11   自适应特征增强   动态上采样  

摘要： 针对铁塔视频大视角动态场景下多尺度目标检测精度不足、小目标识别率低下等技术瓶颈,本文提出一种基于多模块协同优化的ADM-YOLOv11目标检测算法。首先,在Backbone网络中嵌入自适应特征增强模块(AFE),对C3K2模块进行深度重构,通过空间上下文感知与特征精细化机制,显著提升网络对复杂场景的特征提取能力;其次,将高效多尺度注意力模块(EMA)集成至Neck的C3K2模块,增强模型对多尺度目标的检测稳健性;然后,在Neck结构中引入超轻量动态上采样器DySample,以替代传统上采样层,优化多尺度特征的细节表达与语义融合效率;最后,采用EMASlideLoss分类损失函数,通过动态加权策略抑制数据不均衡导致的梯度偏移,有效提升模型泛化性能。试验结果表明,本文模型使mAP_(50-95)从基准模型的74.8%提升至82.6%,mAP_(50)提升至96.6%,ADM-YOLOv11显著提升了铁塔视频动态场景中多尺度目标检测精度。

关键词： 鱼体目标检测   坐标注意力机制   约束机制   卷积核  

摘要： YOLOv8是一种基于深度学习的目标检测算法。在水下复杂鱼群监测场景中,该模型在对鱼体目标检测时会出现特征提取能力不足与检测精度下降的问题,从而对鱼群健康评估的准确性产生影响。为应对上述缺陷,在YOLOv8模型算法的基础上引入坐标注意力机制(Coordinate Attention, CA),并与鱼体解剖学约束机制相融合,利用鱼体运动时主轴方向(头尾轴/背腹轴)不变性,引导卷积核沿生物动力学特征偏移。在模型体积可控增长的前提下优化算法。实验结果表明:改进后的算法在多个核心指标上相较于原始算法均有提升,精度、召回率、mAP50以及mAP50-95分别提高3.6%、4.9%、2.4%、6.3%。这一改进提升了水下鱼目标识别的准确性,以促进水下鱼群监测系统理论创新与工程实践的结合。

关键词： 动态感知   图像处理   网络切片状态   语义特征   5G通信  

摘要： 针对5G动态网络环境下高分辨率图像传输效率与质量失衡的问题,本文提出5G动态感知图像处理算法。该算法通过实时融合网络切片状态与语义特征,构建网络感知压缩引擎与轻量化投资回报率(ROI)检测模型,实现通信资源与计算资源的联合优化。实验表明:在移动场景下,针对5G网络的动态感知和基础设施优化算法(5G-DIPA)将端到端时延降低74.1%,带宽占用率优化52.8%;在毫米波遮挡场景中,时延超限率压缩至7.2%,关键区域画质波动标准差下降81.3%。该算法通过动态调整压缩策略与网络切片协同,显著提升了5G系统在车联网、工业检测等场景下的图像处理效率与鲁棒性,验证了高效图像处理技术与5G通信特性的深度融合价值。

关键词： 农业机器人   目标检测   轻量化   自动除草  

摘要： 田间杂草的高效检测与定位是视觉除草机器人实现自动化作业的关键挑战。当前基于深度学习的杂草检测方法虽在精度上有所突破,但仍面临计算成本高、实时性不足等问题。提出轻量化目标检测算法FYOLO 11(Fast-YOLO 11),通过三方面改进显著降低计算负担:一是采用EfficientVit作为骨干网络;二是设计基于FasterNet Block的C3K2_Faster模块减少特征提取计算量;三是以NWD(归一化Wasserstein距离)替代CIOU作为定位损失函数。实验表明,FYOLO 11参数量仅11.32 M、计算量27.3 G,较原YOLOv 11参数量降低43.5%,计算量减少60%,同时保持相近精度。研究成果为田间实时除草提供了高效解决方案。

关键词： 视频分析   计算机视觉   公共安全   人工智能  

摘要： 近年来,人工智能与计算机视觉技术不断取得突破,基于视频分析的智能异常行为检测系统逐渐被应用于公共安全、交通监管以及智能安防等多个实际场景中。与传统依赖人力的监控方式相比,这类系统具备自动识别异常行为、实时响应突发事件的能力,显著提升了监控效率和事件处理的及时性。

关键词： YOLOv5s   密集行人检测   渐进多尺度特征融合   目标检测   注意力机制  

摘要： 在密集行人检测任务中目标的检测精度低,漏检和误检等一直是充满挑战的问题,导致此问题的原因是大多数的场景中存在大量多尺度的目标,多尺度的目标使得算法面临着尺度变化,从而使得算法的精度不高。针对此问题,提出了一种基于改进YOLOv5s的多尺度行人检测网络(MPDNet)。网络改进包括三个方面:对于主干网络,在C3模块中添加了空间位置注意力模块,并引入改进的ViTv3Block模块,可以有效强化特征信息的提取;特征融合部分,在渐近特征金字塔网络(AFPN)的基础上进行了改进,改进后的AFPN可以在更少参数量和计算量的情况下进行跨层特征融合;在特征融合网络末端添加了空间加强多尺度注意力模块(SEMA),增强模型对目标的定位能力。通过分析实验结果,MPDNet在WiderPerson和CrowdHuman两个密集行人检测数据集上相较于YOLOv5s,AP50分别提升了4.2和3.2个百分点,AP50:95分别提升了5.0和3.9个百分点。MPDNet能够很好地完成复杂场景中密集行人检测任务。