关键词： 井下目标检测   低光照   图像增强   YOLOv8n   去噪概率扩散模型   低频滤波   特征增强  

摘要： 目前煤矿井下图像增强技术在实际应用中存在稳定性不足和生成图像质量波动较大的问题,影响后续目标检测的精度;而目前基于YOLOv8的煤矿井下目标检测技术在低光照环境下应用时,由于图像特征弱化和信息丢失,YOLOv8的性能仍然存在一定局限性。针对上述问题,提出一种基于图像增强和改进YOLOv8的煤矿低光照目标检测算法。采用去噪概率扩散模型(DDPM)对原始图像进行去噪和增强处理,恢复图像的光照及细节信息;在YOLOv8基础上进行改进,通过引入低频滤波增强模块(LEF)和特征增强模块(FEM)提高低光照图像的特征提取性能,并将YOLOv8模型原有的CIoU回归损失更换为MPDIoU,得到YOLOv8-DLFM;使用YOLOv8-DLFM进行目标检测,提高目标检测准确性和鲁棒性。实验结果表明:(1)与目前主流的图像增强方法进行对比,DDPM的峰值信噪比为28.379 dB,结构相似性为0.886,感知相似性为0.104,表现出优越的图像重建质量和结构相似性。(2) YOLOv8-DLFM在综合性能上表现优异,准确率、召回率和mAP@0.5分别达到0.878,0.791和0.896,帧率达到88.6帧/s,相较于原始YOLOv8n模型,YOLOv8-DLFM的准确率、召回率与m AP@0.5分别提升了8.13%,6.6%和8.74%。(3)与目前主流目标检测模型相比,YOLOv8-DLFM在复杂低光照环境下具有更强的鲁棒性和更高的检测精度;在目标遮挡、光照干扰、目标稀疏和目标密集等典型工况下,YOLOv8-DLFM展现出较高的鲁棒性和适应性。

关键词： 计算机视觉   物联网   智慧校园安防   高职院校  

摘要： 为了全面提高高职院校校园安全水平,实现智能化、自动化校园安防,文章在简要分析物联网(Internet of Things,IoT)与计算机视觉技术的基础上,设计了融合两项技术的高职智慧校园安防系统。该系统架构可明确划分为系统感知层、网络层和应用层,具备面向用户端的防火报警、视频监控、门禁系统等关键技术。测试结果显示,该系统运行稳定,通信效果理想,能很好地满足高职院校智慧校园安防的要求。

关键词： 计算机视觉   图像分类   自注意力机制   特征提取   上下文信息   编码器   通道特征   卷积神经网络  

摘要： 针对基于窗口的视觉Transformer易破坏细粒度特征、模型参数量大等问题,文中提出一种基于交叉融合编码器模块的Transformer图像特征提取网络。利用图像通道特征相关一致性剥离特征图来获得两个特征子集,并联两个注意力模块分别进行注意计算以获得局部和全局信息,采用交叉机制融合信息。结合CAT Transformer的窗口间注意力模块设计一种用于特征图通道维度之间的窗口内注意力方式,以避免破坏纹理信息,增强局部特征的表征能力。实验结果表明,所提模型在CIFAR-100数据集使用7.8 MB参数达到79.86%的TOP-1准确率,在ImageNet-1K数据集达到80.7%的准确率,同时利用Grad-CAM(Gradient-weighted Class Activation Mapping)来可视化模型决策过程。

关键词： 特征融合   目标检测   轻量化   卷积神经网络   嵌入式   平均精度   注意力机制  

摘要： 为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。

关键词： 红外图像   小目标检测   卷积神经网络   特征提取   注意力   特征金字塔  

摘要： 针对现有红外小目标检测精度低、虚警率高的现实问题,提出了一种基于改进U-Net的红外小目标检测方法。利用级联通道和空间注意模块捕获红外目标特征,实现渐进式特征交互和自适应特征增强,并将其应用特征金字塔融合模块提取不同尺度的特征信息。通过重复特征融合和增强,从而有效融合和充分利用小目标的上下文信息,提高模型处理和提取深层特征的能力。实验结果表明,与Transformer检测方法相比,所提方法IOU、POD分别提升1.16%、1.40%,FAR降低19.16%。实验结果验证了所提方法的有效性和实用性,该方法具有广阔的应用前景。

关键词： 人工智能   自动化仪表   智能识别   计算机视觉   深度学习  

摘要： 近年来,人工智能(AI)技术的快速发展,为自动化仪表的智能识别提供了新的方案,解决了传统仪表数据识别因依赖人工读取而存在的识别效率低、误差大等问题。本文围绕AI技术在自动化仪表智能识别系统中的应用展开研究,分析了计算机视觉、多模态数据融合等关键技术在仪表识别中的作用,并探讨了边缘计算与云计算在智能识别系统中的架构设计,结合不同类型仪表及复杂工况下的应用案例,探讨了AI技术在自动化仪表识别中的实践应用效果。研究表明:AI技术的应用能有效提升自动化仪表的智能识别能力,在提升工业自动化水平与降低人工成本等方面具有广阔的应用前景。

关键词： 小样本   目标检测   深度学习   电力行业   检测精度  

摘要： 为解决电力行业中复杂缺陷样本稀缺、故障类型多样导致传统目标检测模型泛化能力不足的问题,系统研究小样本目标检测(few-shot object detection,FSOD)模型在电力行业发电、输电、变电、配电、用电5个环节的应用现状并分析发展趋势。研究表明,FSOD模型通过元学习、迁移学习、数据增强、度量学习等策略,在缺陷检测、故障检测、设备监控、安全检测等方面表现优异,但在复杂背景下的模型结构与感知能力、泛化能力与数据融合、样本依赖与系统工程等方面仍面临挑战,需进一步优化。FSOD模型可在模型结构改进、多模态数据融合、领域知识引入与系统部署优化方面进一步发展。该研究为FSOD模型在电力行业的深化应用提供重要参考。

关键词： 番茄识别   目标检测   注意力机制   CBAM-YOLOv8  

摘要： 在农业自动化和精准农业的背景下,果实识别检测是智能收获系统中的重要环节。快速且准确地识别番茄果实大小、数量、位置等信息,对番茄生长状况实时监测、产量检测和提高采摘效率具有重要意义。然而,现有的基于深度学习的目标检测算法在番茄果实检测领域仍面临挑战,由于现实应用的需要,期待目标检测模型更加精确化和快速化,然而这两者难以同时兼顾,所以在实际应用中,根据应用需求来权衡这两者的关系。笔者提出一种基于YOLOv8的番茄检测改进模型,将CBAM注意力机制加入到YOLOv8模型的特征提取环节。CBAM体积小,可方便集成在任一CNN架构中,有效抑制噪声和无关信息,动态调整特征图的权重,提升模型检测的精确率。经过试验,该模型的精确率、召回率、平均精度分别达到了91%、78%和90%,与SSD相比,分别提升21、14和15个百分点;与Faster RCNN相比,分别提升了13、11和15个百分点;与原始的YOLOv8相比,分别提升了5、3和7个百分点。这说明了CBAM-YOLOv8模型降低了误检率和漏检率。在预测时间方面,YOLOv8的综合耗时最短。相比之下,CBAM-YOLOv8模型所需的预测时间有所增加,推断速度更慢,从而增加了计算成本。因此,在实际应用中需要在精度与速度之间进行权衡。综上所述,CBAM-YOLOv8模型为番茄果实精准、高效识别提供了一种有效的解决方案,将来可应用于番茄实时监测、计数和采摘中。

关键词： 组合零样本学习   能量模型   解耦表征   计算机视觉  

摘要： 组合零样本学习的目标是利用已知的视觉基础概念及其组合的先验知识,识别图像中未曾出现过的属性与物体组合。组合能力被认为是推动人工智能系统发展的关键因素。现有研究多采用关联模型对概念对或单个概念进行嵌入,但这类方法往往难以有效解耦图像中的属性与物体关系,从而难以捕捉到真正有效的组合关系。为解决这一问题,文章提出了一种基于能量模型的解耦方法,该方法能够在图像中对物体与属性的表示进行有效解耦。实验结果表明,在MIT-States和UT-Zappos等公共基准数据集上,该方法相较于当前性能最优的方法表现出更优的性能。

关键词： 深度学习   目标检测   YOLOv5   破损图书检测   CBAM   Meta-ACONBiFPN  

摘要： 破损图书管理和维护是图书馆中的一项重要工作。在进行破损图书筛查时,传统的人工筛查效率低下且易受主观因素影响,难以满足现代图书馆的需求。因此,提出了一种基于深度学习的图书破损检测模型。本文以YOLOv5为基础模型,引入CBAM注意力机制、Meta-ACON激活函数和加权双向特征金字塔网络(BiFPN)对其进行改进。所提模型的mAP0.5达到了94.89%,其中破损图书类别的AP达到了94.59%,与YOLOv5s相比提高了2.42%。该模型可以在不同背景下提供良好的检测性能,有助于提高筛查破损图书的效率,及时维护破损的图书。