关键词： 小波变换   图像处理   MATLAB   运动会火炬  

摘要： 根据运动会火炬火焰的目标特征,采用小波方法提取火焰图像的边缘,判断主火炬燃烧区域面的边缘变化,自适应调节主火炬各群组燃烧器的燃气流量,使主火炬稳定燃烧,提高了主火炬的耐风性和抗雨雪性。

关键词： 深度学习   目标检测   管道缺陷   注意力机制   重聚焦卷积  

摘要： 工业管道的日常运行中因为外界扰动、腐蚀、受力不均匀等,导致管体的缺陷产生,为工业管道的安全运行带来隐患。然而,目前的管道缺陷检测方法以井下电视配合人工检查为主,费时、主观性强且成本高昂,因此需要一种自动化的缺陷检测方法。文章通过引入了一种两阶段的检测方法,并以聚焦卷积和局部-全局注意的方法提升网络对缺陷特征的提取和学习能力。通过重卷积的方法建立各个卷积核之间的联系,使每个卷积核都能关注到其他通道的学习的表征,增强网络的特征提取能力。通过局部-全局注意方法结合上下文信息,同时不缺少对细节信息的捕捉,增强网络对特征的捕捉能力,以此增强对管道缺陷的检测性能。通过大量的实验证明,所提出网络的mAP达到了89.9%,在管道缺陷检测领域有良好的效果,改进了管道缺陷检测领域的自动化。

关键词： 数字图像相关   初值估计   应变测量   位移测量   图像处理  

摘要： 数字图像相关方法是一种基于数字图像处理的用于获取物体表面变形的非接触测量方法。针对现有的初值估计方法计算负荷较大的问题,提出一种基于已计算子区结果进行传递修正的多级网格(Multi-Level Grid,MLG)初值估计方法。首先,根据子区数量以及子区间隔将所有子区划分网格等级,0级网格间距最大,最高级网格取正常设定的子区间隔;然后,利用其他初值估计方法对子区间距最大的0级网格所有子区进行初值估计和迭代计算;最后,根据低层级网格子区的变形参数估计高一级的网格子区的变形参数初值,并进行迭代计算,循环执行直至完成所有级别的子区计算。所提出的算法利用经典“DIC挑战”中的图片进行验证,通过对比FFTCC整像素初值估计方法、基于特征点匹配的尺度不变特征变换初值估计方法和可靠性引导的初值传递方法,验证了所提出的算法可以有效提高整体初值估计准确性,进而降低ICGN迭代次数,提高算法整体执行速度。

关键词： 无人机遥感   地面目标检测   MobileNetv3   高效通道注意力  

摘要： 设计了一种轻量级目标检测模型,用于在边缘计算硬件上部署实施无人机影像目标检测任务。模型以MobileNetv3作为骨干网络,引入高效通道注意力机制来提高特征学习效率;在特征融合网络中设置多重上采样与下采样路径,让全部特征图均参与特征融合,进一步提升信息丰富度。实验证明,本文设计模型相较先进的YOLOv5s以及Tiny-YOLOv4在精度方面均有更好的表现,在mAP0.5方面相较两组对比模型分别提高了4.8%和11%,同时在测试环境下的检测速度能达到35.2 FPS,满足实时检测的要求。

关键词： 读数识别   深度神经网络   DBNet   透视变换   目标检测  

摘要： 为提高水务公司对居民用水量的管理,提出一种基于深度神经网络模型的数字式水表读数检测和识别方法。在原始DBNet网络模型的基础上对特征提取网络进行改进,将特征提取网络ResNet网络替换成DPN双路径特征提取网络;使用透视变换算法对倾斜的读数区域图像进行校正;采用YOLOv5s网络模型对读数区域中的若干个数字进行识别;通过水表识别应用系统将读数结果进行显示,完成水表图像实时检测与识别的功能。实验结果表明:YOLOv5s网络模型具有较好的鲁棒性,能够准确识别出遮挡、模糊以及双半字符数字,识别准确率高达99.1%。

关键词： 红外目标   街道场景   WIoU   全局自注意力估计   可变形卷积  

摘要： 针对复杂街道背景下的红外图像因遮挡、缺乏纹理细节等因素而导致目标误检、漏检的问题,提出一种复杂街道场景下的红外目标检测算法。以YOLOv8n作为基线模型,首先,通过设计多分支卷积结构,以强化特征提取和特征表达,利用结构重参数化实现训练和推理阶段解耦,提高模型推理速度,同时引入全局自注意力估计来加快注意力的计算,将时间复杂度降为O(n),使得卷积核注意力实现动态同一。其次,结合深度可分离卷积和可变形卷积的优势,对上采样结果与主干网络的输出特征进行特征融合之后,引入显著信息感知的可变形卷积注意力门控机制,提高融合特征的语义信息丰富度。最后,替换定位损失函数为高效交并比,分别计算预测框和真实框的长、宽影响因子,加速收敛速度。在Flir数据集上进行验证实验,改进算法的平均精度均值达到79.5%,相较于YOLOv8n算法提高了3.9%,验证了所提算法在复杂街道背景下的红外目标检测上的优越性。

关键词： 目标检测   深度学习   火灾检测   特征融合   YOLOv5  

摘要： 针对目前火灾中烟雾和火焰的检测研究比较单一,且缺少烟雾火焰数据集、检测模型的抗干扰能力不强等导致检测精度低的问题,提出了一种改进YOLOv5的烟火目标检测算法。首先通过网络爬虫获取火灾图片,然后利用开源软件LabelImg在图片中标注烟雾和火焰目标,构建高质量烟雾火焰数据集,并且利用数据集增强方法扩充数据集,以此来提高模型的泛化能力,其次使用YOLOv5的自适应锚框技术对火焰烟雾数据集进行聚类分析,来获得最优的聚类结果,最后改进YOLOv5中的CSP1模块,对特征进行了融合处理,获取了表达能力更强的特征,提高了模型对火焰烟雾的检测效果。实验结果表明,改进的算法对火焰和烟雾的总体检测准确率和召回率为85.9%和88.4%,检测的平均精度(mean Average Precision,mAP)mAP@0.5为90%,相比原始YOLOv5提高了2%,检测速度为42.2帧/s(Frame Per Second, FPS),能够满足火灾检测的准确性和实时性,可以对火灾进行有效检测。

关键词： 铁轨伤损检测   YOLOv5   图像变化检测   SIFT  

摘要： 铁轨伤损是指钢轨在使用过程中发生的折断、裂纹及其他影响和限制铁轨使用性能的各种状态。对铁轨进行伤损检测是维护铁路运输安全的必要方法。针对目前铁路维护大多依赖人工目测巡检、故障检测实时性差等问题,本文提出了一种基于改进YOLOv5模型的铁轨裂纹检测方法;同时,针对现有神经网络模型对铁轨伤损识别的不足,受图像变化检测的启发,提出了一种基于尺度不变特征转换(SIFT)的铁轨变化检测方法,以实现铁轨伤损识别。试验表明,改进YOLO模型平均均值精度相较于原模型提高了4.6%,具有良好的应用前景;基于SIFT的算法具有较高的检测精度,能够很好地识别铁轨伤损区域,满足实际工程需求。

关键词： 多模态数据融合   人工智能   深度学习   计算机视觉  

摘要： 多模态数据融合技术通过整合不同来源和形式的数据,显著提升了人工智能系统的性能。采用深度学习方法,设计了一种新型多模态融合框架,并在图像识别、语音识别和自然语言处理等任务上进行实验。实验结果表明,该框架在准确率、鲁棒性和计算效率方面均优于传统单模态方法。特别是在处理噪声和不完整数据时,该框架表现出明显优势,在VQA v2.0、Flickr30k和AudioSet等标准数据集上,准确率分别提升了2.3%、1.5%和3.6%。利用16位混合精度训练和动态批处理技术,该框架处理速度提高了31.6%,达到500样本/秒。

关键词： 计算机视觉   办公区域   智能安全系统   深度学习  

摘要： 聚焦基于计算机视觉(Computer Vision,CV)技术的办公区域智能安全系统的研究,旨在探索CV技术在提升办公环境安全性与管理效率方面的应用潜力。深入分析异常行为检测、人脸识别、目标检测与跟踪、数据存储与管理等关键技术模块,提出了创新性的解决方案,从而实现对办公区域的全面智能化监控与安全管理。未来,期待CV技术在办公区域智能安全系统中的应用能够进一步拓展,为创造更加安全、高效的工作环境贡献力量。