关键词： 低光照   图像增强   多尺度特征融合   深度学习   目标检测  

摘要： 针对夜间、恶劣天气或封闭等特殊场景下的低光照图像增强问题,本研究致力于解决由对比度低、细节模糊、色彩失真等引发的目标检测难题。在此类图像中,目标与背景界限模糊,边缘及纹理特征退化,噪声干扰严重,极大影响了光学目标探测的准确性。因此,面向低光照目标检测探索有效的图像增强策略显得尤为重要。现有方法虽能在一定程度上改善视觉效果,但常常会丢失物体的关键特征,如边缘、纹理等。尤为重要的是,当前图像增强技术所采用的常规损失函数未能区分不同像素的重要性,这限制了对细节信息的有效学习。为此,本研究从传统理论与深度学习算法两个角度深入探索低光照图像增强算法,旨在从复杂多变的低光照图像中恢复出光照充足、对比度鲜明、细节完整的图像,从而显著提升目标检测的质量。本文主要的研究内容如下: 1.提出一种非线性自适应暗部细节增强算法。首先,为不损失图像的色彩关系,将原始图像转换至HSV空间,并提取亮度分量V。针对低光照图像亮度不足且对比度较低的问题,改进伽马校正算法,实现自适应亮度调整,增强暗部细节特征。随后,结合低通滤波技术,提出亮度自适应对比度增强策略,对高频细节部分自适应增强,有效凸显暗部区域的纹理与边缘信息;最后,提出一种亮度引导的自适应图像融合算法,确保高光区域边缘细节的完整性,避免过曝现象。实验结果表明,该算法能够更好地契合低光照图像特性,不仅显著提升了亮度和对比度,使图像细节更加丰富,还强化了暗部细节表现,避免过曝。 2.提出一种零参考的双路径网络低光照图像增强算法。该算法利用无参考损失函数,将低光照图像增强任务转换为深度曲线估计问题,通过拟合三条高阶曲线,全面提升图像质量,包括亮度调整曲线、对比度增强曲线以及多尺度特征融合曲线。实验结果显示,该算法能够生成对比度鲜明、细节丰富的增强图像,有效区分出各像素的重要性,增强目标多尺度特征,进而优化目标检测效果。 3.提出一种多尺度特征增强的低光照图像增强算法。在整合现有的低光照图像增强先验知识的基础上,该算法将图像增强任务分解为对比学习、语义亮度一致性和特征保留三大约束条件,确保曝光、纹理及颜色的一致性。提出一种多尺度特征融合模块,实现图像的超分辨率和多曝光图像融合,旨在避免目标过曝,保证纹理和边缘信息,实现噪声去除的同时提升图像分辨率,从而,增强目标特征细节,提高低光照目标检测性能。实验证明,该算法不仅增强了图像的边缘细节,还显著增强了目标的多尺度特征,有力促进了低光照环境下的目标检测性能。

关键词： 无人机航拍图像   目标检测   注意力机制   轻量化   特征融合  

摘要： 无人机航拍图像目标检测作为高视角检测中的关键技术,尤其是在灾难应急、智慧城市、遥感以及精准农业等领域,重要性日益凸显。与传统目标检测任务相比,无人机航拍图像检测面临多重挑战:目标尺度差异显著、小目标占比高、背景信息复杂多样以及类别分布不均衡等问题。这些因素共同构成了无人机航拍目标检测的技术瓶颈。针对这些挑战,本文提出了基于深度学习的目标检测模型,在信息提取、特征融合以及目标检测模块的设计上实施了针对性改进,有效克服了目标尺度差异显著、小目标居多、背景复杂等难题。使之在实际运用中能够更充分地发挥作用。本文的主要工作如下: (1)针对图像中小目标居多、目标之间尺度差异较大难以获取有效信息以及背景信息干扰严重等问题,提出了一种基于改进YOLOv5的无人机航拍图像目标检测算法。首先,对模型的损失函数进行了优化,用Focal EIoU代替了CIoU,提高了模型收敛速度和回归精度。其次,设计了一种创新的细粒度特征提取模块,增强了骨干网络的性能。最后,通过引入双重注意力机制,降低了背景信息的干扰。实验结果表明,该算法有效改善了无人机航拍图像中的小目标检测及背景干扰问题。 (2)针对基于改进YOLOv5的无人机航拍图像目标检测模型中参数较多和检测速度慢、难以完全满足移动设备对算法轻量化的需求,提出了基于改进轻量级的无人机航拍图像目标检测算法。首先,利用轻量化网络GhostNet对模型进行优化,有效降低了模型的参数规模和计算复杂度。其次,采用高效层聚合网络GELAN、DySample改进ELAN模块和上采样模块,改善了目标特征信息的传递效率。最后,通过引入通道空间双路注意力机制,强化了特征空间信息的利用,有效抑制了背景干扰,并在推理阶段采用图像增强算法提升了模型的推理能力。实验结果表明,所提算法改善了航拍目标检测的实时性能。 (3)针对所使用的YOLO检测器面临的需要使用NMS(非极大值抑制)来处理多个重叠的检测框,这会导致速度延迟并且难以进行有效的优化,提出了基于Transformer和特征融合的无人机航拍图像目标检测算法。该模型选用实时端到端的检测器作为基线。首先,将轻量化且低延迟的MobileViT网络整合到骨干网络中,以增强特征提取能力。其次,对可形变卷积进行优化,提出更广泛的注意力机制以及特征融合模块DW-C3,改善了浅层信息和空间信息不足的问题。最后,将基于辅助边框的IoU损失与SIoU相融合提出了Inner-SIoU,通过使用不同规模的辅助边界框来区分和加速边界框回归,从而提高检测性能。实验结果表明,该模型在目标检测任务中展现出显著的性能提升。

摘要： 2025年4月,Lightroom Classic升级为V14.3版,5月又推出了14.3.1版。在编辑新功能方面,除了常规的新支持相机和镜头等项以外,自14.3版始,“蒙版”编辑功能中增添了“风景（景观）”编辑项。这一功能,运用AI技术,能自动检测照片中的山、水、建筑、植被以及地面等诸多元素,并为每个特征创建单独的蒙版,也可将几个蒙版合为一个蒙版进行调节,这一处理的方法与思维逻辑基本与“人物”编辑项类似,这也是Lightroom Classic推出的第二个特征类别的批量蒙版技术。这一技术操作方便简捷,再配以其他蒙版项,可以更快捷地完成图片的后期编辑。本文通过两个案例加以介绍。

关键词： 绝缘子缺陷   目标检测   边缘计算   网络剪枝  

摘要： 随着社会电力需求的持续增长,电网设备的运行负荷不断加重,对其维护保障的要求也日益提高。绝缘子作为高压输电系统中的关键部件,其性能直接关系到电网的安全运行。然而,绝缘子长期暴露在复杂环境中,容易受到污染、老化及机械损伤等因素的影响,导致其产生缺陷,进而引发电网设备的安全隐患。传统的人工电力巡检方法在绝缘子缺陷检测任务时存在效率低、风险高、成本高的局限,而基于深度学习的目标检测方法尽管提升了检测精度,但仍存在绝缘子缺陷的漏检问题,同时目标检测模型的计算需求较高,难以满足边缘计算的应用要求。 针对此类问题的实际应用情况,本文将从提升目标检测模型检测精度、提高目标检测模型推理速度、降低目标检测模型计算资源占用三个方向展开研究,主要研究内容如下: （1）针对绝缘子缺陷目标在复杂背景下易被遮挡、目标尺寸较小且关键特征难以提取的问题,本文基于YOLOv8网络结构进行改进,提出了 YOLO-Adaption模型。针对原网络结构中C2f模块的局限性,提出使用自校准卷积SCConv替代C2f模块中Bottleneck结构的第二个卷积并构成SCC2f模块,有效增强对小目标关键特征的捕捉能力。在Head层Detect模块的基础上进行重新设计,对Detect引入Dyhead结构,将其重构为DyheadDetect模块。重构后的DyheadDetect模块能够通过动态调整不同位置特征通道的重要性。实验结果表明,YOLO-Adaption模型相比原模型mAP从94.7%提升至96.1%,不仅显著提高了检测精度,同时有效解决了漏检问题。 （2）针对模型参数冗余导致推理速度受限的问题,本文在对YOLO-Adaption模型进行三种不同优化的结构化网络剪枝实验后,提出了一种基于YOLO-Adaption模型的轻量化剪枝模型YOLO-SlimNet。该模型基于Slim通道剪枝策略,对YOLO-Adaption模型中BN层的缩放因子进行稀疏训练,并在稀疏化后根据不同的性能提升比去除冗余通道,最终通过模型微调恢复精度。该方法显著减少模型冗余参数的同时提高了模型检测速度,并有效解决了绝缘子检测任务中的误检问题。最后,通过实验表明,YOLO-SlimNet模型mAP为95.3%,单张推理时间为2.1ms,在最小限度降低模型精度的同时减少了其计算资源需求,适用于边缘设备的高效部署。 （3）为验证YOLO-SlimNet模型在实际应用中的性能,本文选择NVIDIAJetson Nano作为边缘部署平台。并针对模型在Jetson Nano平台推理时硬件利用率较低、计算资源受限的问题,采用TensorRT对模型进行推理框架优化,通过模型转换和量化技术,将模型从单精度浮点型转换为半精度浮点型,从而实现高效部署。通过在Jetson Nano平台上进行绝缘子缺陷目标检测实验,验证了量化后的YOLO-SlimNet模型相比量化前单张推理时间降低了 36%,实现了较高的检测精度与速度,并在不同环境下展现出良好的鲁棒性和泛化能力。

关键词： 桉木单板缺陷   目标检测   语义分割   卷积神经网络   系统界面设计  

摘要： 本研究以桉木单板缺陷检测为主要目标,结合深度学习目标检测与语义分割算法,构建了一套完整的桉木单板表面缺陷自动化检测系统,旨在提高检测精度、降低人工成本,并为木材工业的智能化升级提供技术支持。 首先,本研究针对桉木单板缺陷检测任务构建数据集,覆盖广西壮族自治区三家不同企业,共收集两万余张桉木单板图像,确保数据具有广泛的代表性和实际应用价值。采用多种数据增强方法有效提升模型的泛化能力,并分析单板图像的灰度分布,优化图像预处理流程,为后续模型训练奠定数据基础。 第二,提出了一种基于注意力融合残差神经网络的YOGA(You Only Get Attention)模型。在Backbone末端引入双重注意力机制,通过通道和空间注意力模块动态调整特征权重,减少背景干扰,同时实现跨通道空间交互机制,增强模型对全局上下文的理解。研究结果表明,YOGA模型在测试集上的平均精度均值达到0.690的同时保持37 Fps的实时检测速度,能够满足工业生产线的高效需求。 第三,提出了一种基于改进Mask R-CNN的MaSk-DHR模型,用于实现桉木单板缺陷的精准分割和定量化计算。采用HRNet作为主干网络,同时将模型中的卷积层替换为可变形卷积。在主干网络的末端引入空洞空间金字塔池化模块提升对不同尺寸缺陷的分割精度。实验结果表明,MaSk-DHR在测试集上的平均交并比达到86.03%,较原始模型提升3.24%,尤其在毛刺等复杂缺陷的分割任务中表现优异。 最后,开发了一套基于PyQt5的GUI软件系统,支持图像检测、视频流检测及实时摄像头检测功能。界面设计简洁直观,满足工厂操作人员的易用性需求,同时提供检测结果的可视化展示和数据统计功能,便于生产管理。系统通过数字孪生技术模拟工厂流水线环境,验证了算法在动态场景下的稳定性。 综上所述,本研究通过构建数据集、优化深度学习模型、开发配套软件系统,实现了桉木单板缺陷的高精度、高效率检测。研究成果用于实际生产,不仅提升了木材工业的自动化水平,也为其他材料表面缺陷检测任务提供了可借鉴的技术方案。

关键词： 危岩   落石   计算机视觉   深度学习   神经网络  

摘要： 危岩是指陡崖或陡坡上的稳定性较差的岩石块体及其组合,受地质构造、风化作用、强降雨等因素影响,易沿结构面失稳解体,从而发生快速脱落、滑移、滚落等现象,形成危岩崩塌。危岩主要分布于山区、峡谷、公路边坡等区域,其失稳往往具有突发性和破坏性,严重威胁人民生命财产安全和基础设施的稳定运行。因此,对危岩进行监测是地质灾害防治中的重要任务。传统的危岩监测方法多依赖于人工巡检,存在效率低、实时性差等问题。近年来,深度学习技术在图像处理、时序数据分析和目标检测等领域取得了显著进展,为危岩崩塌监测提供了新的技术手段。危岩崩塌是一个动态过程,通常经历裂隙的产生、扩展与贯通,继而引发落石和崩塌。本文围绕这一过程的关键节点,开展了基于计算机视觉的危岩监测研究,聚焦于裂隙扩展感知、裂隙扩展预测与运动落石检测,并构建了危岩智能监测平台,在实际工程中进行了应用验证。主要研究内容如下: (1)主控裂隙扩展监测是危岩崩塌监测的关键。针对传统基于裂缝计的裂隙检测技术安装和维护困难以及检测参数有限的问题,本文开展了危岩主控裂隙动态扩展感知的深度学习计算机视觉模型研究。首先,研究了轻量级深度学习模型在裂隙检测任务中的有效性,为工程场景下的模型选型提供了量化评估指标;然后,基于此提出的动态扩展感知模型采用了SegFormer语义分割模型,其通过Transformer架构的多层次自注意力机制构建跨尺度的特征关联,有效捕捉裂隙图像中的远程依赖关系,克服了传统卷积神经网络在特征提取过程中对局部特征的过度依赖问题。实验结果表明,该模型能够有效识别裂隙在动态变化过程中的长度、宽度和面积关键参数。 (2)针对传统数值计算方法计算量大、耗时长的问题,本文提出了一种基于SimVP时空预测模型的裂隙扩展预测模型。利用SimVP时空预测模型对近场动力学数值模拟生成的裂隙图像的时序变化进行建模,捕捉裂隙扩展的空间和时间特征,预测裂隙的未来扩展路径。该模型结合深度学习与计算机视觉,能够准确预测裂隙扩展,并使得预测过程无需进行重新建模和重新计算。 (3)危岩崩塌前夕的少量小块落石现象是危岩整体崩塌的重要预兆,落石现象发生后的及时报警是避免落石次生灾害发生的重要手段。针对人工巡检存在效率低、实时性差等问题,本研究结合传统的运动目标检测算法和深度学习目标检测算法YOLO,提出了一种基于YOLO改进算法的运动落石检测模型。该模型分为三个部分:运动落石图像增强算法、多尺度运动落石检测的改进YOLO算法和微光数据扩展方法。在运动落石图像增强部分,采用背景减法提取动态目标区域,减少环境干扰;在改进YOLO算法部分,提出了一种YOLORF网络模型,通过多尺度特征融合增强了检测能力;在微光数据扩展部分,使用Cycle GAN-Turbo生成模型生成微光条件下的图像。实验结果表明,该模型能够高效地检测出运动的落石目标,且能够在微光条件下实现有效检测。 (4)开发了基于深度学习计算机视觉模型的危岩智能监测平台,将本文所研究的模型部署至云端服务器中,并实现了危岩监测在实际工程环境中的应用。

关键词： 深度学习   目标检测   YOLOv5s   跑道裂缝  

摘要： 针对机场跑道裂缝在复杂背景环境下检测精度低，以及细小裂缝因其尺寸较小而难以检测的问题，对基于深度学习的YOLOv5s模型进行改进优化。相应的改进方法包括：在主干网络中引入CBAM注意力机制，使模型能够更有效地聚焦于关键特征区域，从而提高复杂背景下的目标检测准确性，并减少无关信息的干扰；在颈部网络中引入BiFPN结构，BiFPN网络可以更好地融合不同尺度的信息，帮助模型更加准确地捕捉细小裂缝，提高检测精度；将YOLOv5s的边框回归损失函数CIOU替换为SIOU,进一步提升模型的收敛速度和推理的精度。试验结果表明：改进的YOLOv5s-CBS算法具有93.5%的准确率和83.4%的召回率，平均精度比原模型提高了3.8%。

关键词： 煤矿安全   架空乘人装置   矿工行为识别   目标检测   注意力机制  

摘要： 煤炭是我国的主要能源。我国致力于加快推进煤矿智能化建设和促进矿山安全发展,着力促进井下“减人、增安、提效”现代化转型。近年来我国煤矿安全总体来看形势向好,但运输事故仍频繁发生,应采取措施减少煤矿事故数量和人员伤亡。从“人机环管”事故致因类型分析,矿工的不安全行为是煤矿安全事故发生的最主要原因。架空乘人装置是煤矿井下输送矿工的重要机电设备,保障架空乘人装置运输安全是实现煤矿运输安全的重要环节。因此,本文针对矿工乘坐架空乘人装置时携带违规物品、乘车越位、乘车睡觉这三种常见的不安全行为进行研究,采用计算机视觉技术实现对矿工不安全行为的智能识别,超前分析并消除人为安全隐患以避免煤矿运输事故的发生,为煤矿智能化、安全化运输提供技术支撑。主要工作内容如下: (1)针对矿工乘坐架空乘人装置时携带违规物体识别任务,存在多种复杂形状物体导致检测精度低,以及煤矿井下光照昏暗、重叠遮挡、小目标检测等难点,提出了AGFP-RT-DETR模型。首先,采用可改变核卷积AKConv替换高效混合编码器中的普通卷积,提升对多种复杂形状物体的特征提取能力,并降低了模型的参数量和计算量。接着,在CCFM模块中引入GAM注意力机制,融合图像通道和空间特征信息,实现全局跨维度的信息交互。然后,采用Focal-CIOU替换原GIOU损失函数,有效应对数据难易样本不平衡的问题,促进模型更稳定快速地收敛。最后,设计添加P2小目标检测层显著提升模型的检测性能。实验结果表明,改进模型在自建的矿工乘车携带违规物体数据集上相比于原始模型,精度提升1.4%,召回率提升5.2%,m AP@.5提升4.1%,m AP@.5:.95提升2.7%,F1分数提升3.4%。 (2)针对矿工乘车越位行为识别任务,存在实时性要求以及井下目标受到遮挡等难点,提出了一种轻量化且高效的EME-YOLOv10s模型。首先,采用Efficient Vi T高效轻量级Trans Former网络替换原始主干网络,极大降低了模型的参数量和计算量,增强对全局和局部特征的提取能力。接着,使用MLCA混合局部通道注意力机制对C2f模块进行改进,增强对空间和通道特征的提取效果,提升模型在模糊和设备遮挡等复杂情况下的特征感知能力。最后,优化损失函数为EIOU,在原损失函数基础上针对宽高独立计算优化,促进模型更稳定的收敛。实验结果表明,改进模型在自建的矿工乘车状态数据集上相比于原始模型,参数量降低17.2%,浮点运算量降低38.4%,并且精度提升3.6%,m AP@.5:.95提升1.2%。采用EME-YOLOv10s矿工乘车状态检测模型对下车点标牌的前方区域进行入侵检测,成功实现对矿工乘车越位行为的实时判定。 (3)针对矿工乘车睡觉行为识别任务,由于RGB模态数据难以捕获矿工乘车姿态细节以及有效处理遮挡等问题,提出了SE-ST-GCN++的矿工乘车姿态识别算法。建立了矿工乘车睡觉行为识别流程:首先采用Faster R-CNN实现人体检测、HRNet实现关键点检测,接着将得到的人体骨架时空序列送入到改进的SE-ST-GCN++网络进行行为识别。采用SENet改进了STGCN＿Block模块,在有效提取时空特征的基础上,自适应学习特征图中各通道的重要性。实验结果表明,改进模型在自建的矿工乘车姿态视频数据集上相比于原始模型Top1准确率高出2.5%,平均类别准确率高出1.5%。 综上,本文提出的AGFP-RT-DETR、EME-YOLOv10s、SE-ST-GCN++模型在针对矿工乘坐架空乘人装置三种不安全行为识别任务中均取得显著效果,有效及时识别矿工的不安全行为,从而减少架空乘人装置运输事故的发生,保障矿工生命安全和煤矿企业持久发展,进一步推动全国煤矿智能化与安全化建设。 图[56],表[13],参[83]