关键词： 瓦斯抽采   AI算法   目标跟踪   智能识别   钻杆计数  

摘要： 瓦斯抽采是预防瓦斯积累和爆炸的重要手段,对保障煤矿安全生产起到关键作用。然而,在煤矿瓦斯抽采过程中,由于钻探不足形成空白带,严重影响抽采效果。充分利用钻杆计数技术,确定钻孔深度、优化钻孔布置对保障钻孔作业顺利实施、瓦斯高效抽采至关重要,但井下复杂的环境给钻杆计数带来了极大挑战,严重制约了瓦斯抽采作业的整体效率和安全保障水平。为实现井下打钻过程中钻杆的自动计数,提出了一种基于钻场运动目标跟踪与目标智能识别自动计数技术。采用目标检测算法构建钻杆目标检测模型,使用卡尔曼滤波算法跟踪钻杆运动轨迹,通过多信息融合算法整合各类检测和跟踪信息得到钻杆的精确计数。应用结果表明,该算法在煤矿井下具备高精度的计数效果,准确率在99%以上。研究为煤矿打钻过程提供了技术支持,有助于保障作业安全和提升生产效率。

关键词： 遥感图像(RSI)   目标检测   感受野(RF)   特征融合   归一化Wasserstein距离(NWD)  

摘要： 目的针对遥感图像(remote sensing image,RSI)检测中目标尺寸小且密集、尺度变化大,尤其在复杂背景信息下容易出现漏检和误检问题,提出一种上下文信息和多尺度特征序列引导的遥感图像检测方法,以提升遥感图像的检测精度。方法首先,设计自适应大感受野机制(adaptive large receptive field,ALRF)用于特征提取。该机制通过级联不同扩张率的深度卷积进行分层特征提取,并利用通道和空间注意力对提取的特征进行通道加权和空间融合,使模型能够自适应地调整感受野大小,从而实现遥感图像上下文信息的有效利用。其次,为解决颈部网络特征融合过程中小目标语义信息丢失问题,设计多尺度特征序列融合架构(multi-scale feature fusion,MFF)。该架构通过构建多尺度特征序列,并结合浅层语义特征信息,实现复杂背景下多尺度全局信息的有效融合,从而减轻深层网络中特征模糊性对小目标局部细节捕捉的影响。最后,因传统交并比(intersection over union,IoU)对小目标位置偏差过于敏感,引入归一化Wasserstein距离(normalized Wasserstein distance,NWD)。NWD将边界框建模为二维高斯分布,计算这些分布间的Wasserstein距离来衡量边界框的相似性,从而降低小目标位置偏差敏感性。结果在NWPU VHR-10(Northwestern Polytechnical University very high resolution10)和DIOR(dataset for object detection in aerial images)数据集上与10种方法进行综合比较,结果表明,提出的方法优于对比方法,平均精度(average precision,AP)分别达到93.15%和80.89%,相较于基准模型YOLOv8n(you only look once version 8 nano),提升了5.48%和2.97%,同时参数量下降6.96%。结论提出一种上下文信息和多尺度特征序列引导的遥感图像检测方法,该方法提升目标的定位能力,改善复杂背景下遥感图像检测中的漏检和误检问题。

关键词： 目标检测   单步多框检测(SSD)   VoVNet   轻量化  

摘要： 针对工业机器人工件检测场景中目标检测模型计算资源受限与检测精度需求高的矛盾,本文提出一种基于VoVNet优化的轻量级单步多框检测算法(SSD)。采用VoVNet替换SSD的主干网络VGG16,通过单次聚合(OSA)模块提升特征提取效率;在VoVNet中引入残差结构并设计增强的残差单次聚合模块(residual one shot aggregation, Res-OSA)模块,解决网络退化问题并增强关键特征表达能力;进一步在Res-OSA模块后增加混合域注意力机制(HDA)提高定位精度。实验表明:改进后的算法在PASCAL VOC数据集上平均精度(mAP)达到79.4%,每秒传输帧数(FPS)提升至65,模型大小为25.8 MB,显著优于原SSD算法。

关键词： 大算力AI芯片   图像处理   运动相机   夜景拍摄  

摘要： AI在相机里主要解决几类问题.首先,之前运动相机都被叫作"阳光机",直到2023年10月AcePro发布,行业才改变了运动相机无法拍夜景的看法,这里AI起了很大作用.通过大算力AI芯片和非传统的图像处理方式,我们实现了很多场景下高强度且保留细节的AI降噪,让相机在夜景拍摄上表现出色.

关键词： 深度学习   电网无人机巡检   图像处理   改进YOLOv5算法  

摘要： 随着无人机技术和深度学习的发展,传统人工巡检方式逐渐被集成化、智能化的无人机巡检替代。围绕电网无人机巡检图像处理系统,旨在提高电力巡检的自动化程度与精度,以确保电网的稳定运行。首先,详细设计了电网无人机巡检系统设计总体方案;其次,搭建了电网无人机巡检图像预处理;然后,提出了改进YOLOv5算法的图像处理方法;最后,通过实验数据验证了该方案的可靠性和有效性。结果表明,所提算法能有效提升多无人机任务执行的协作效率,缩短巡检所需时间,从而提升整体电力系统的运维效率。

关键词： 深度学习   慕课生成系统   自然语言处理   计算机视觉   分布式存储  

摘要： 深度学习为全自动人工智能慕课生成系统提供理论支撑,其中卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)及其变体发挥重要作用。该系统通过课程内容自动生成、视频智能剪辑、交互界面自动构建等模块协同运作。利用自然语言处理、计算机视觉技术实现关键功能,借助分布式存储、图形处理器(Graphics Processing Unit,GPU)集群等优化数据处理与系统性能,旨在构建高效、智能的慕课生成体系。

关键词： 路面损伤   目标检测   深度学习   YOLOv8   C2f_UIB模块  

摘要： 针对路面损伤实时检测时,检测计算成本高、算法体积大等问题,以YOLOv8n的网络结构为基础,设计了一种面向路面损伤轻量化检测算法AUG-YOLOv8-D。该算法采用Adown模块替代YOLOv8n中卷积模块,引入UIB模块优化C2f模块,在骨干网络末端引入多模态注意力机制;然后改进头部并引入Ghost模块构建Ghost-Head检测头;最后通过通道级知识蒸馏优化检测算法性能。为验证改进有效性,实验数据集选用GRDDC2022中的China_DroneBike图像集。AUG-YOLOv8-D与YOLOv8n相比,mAP50,mAP50-90和FPS分别提高0.4%,1%和10.26%,Params,GFLOPs和MS分别减少54.84%,48.15%和50.79%。AUG-YOLOv8-D在计算性能和成本之间取得很好平衡,降低了边缘设备部署的计算要求,为路面损伤智能检测提供了技术参考。

关键词： 实时图像处理   目标检测   自动驾驶   计算机视觉   深度学习  

摘要： 在自动驾驶技术演进中,实时图像处理与目标检测是实现环境感知的关键。针对复杂场景下检测精度、响应速度及系统鲁棒性的技术挑战,文章构建分层异构系统架构,融合硬件加速与轻量化模型优化策略,通过多维度指标评估方案效能。试验表明,改进后系统在检测精度、端到端延迟及暴雨等极端场景适应性上显著提升,为推动自动驾驶技术成熟提供了技术路径与实践参考。

关键词： 计算机视觉   角点   特征提取   电梯井   聚类算法   激光雷达  

摘要： 针对如何准确有效提取电梯井角点特征问题,通过分析电梯井半结构化室内环境、水泥墙面凸起或凹坑缺陷等特征,提出了以Douglas-Peukcer算法为预处理,利用聚类算法去除干扰因素获得电梯井数据集,从数据集中进行角点的判断和分类进而提取特征的方法。同时设计了线轮传动机构,搭建了基于二维激光雷达的测量系统,依据电梯行业测量标准对电梯井现场做了测试实验。实验结果表明,该算法测量误差绝对值小于2 cm,均值采样和随机采样值均符合行业标准。