关键词： 桥梁结构健康监测   无人机   小目标裂缝检测   YOLOv8   图像处理  

摘要： 随着中国桥梁大规模进入运维阶段,传统的桥梁检测方法通常依赖人工巡检和目视检查,无人机的桥梁表观图像数据采集能力较强,因此被逐步应用于桥梁表观病害检测。针对交通管控下无人机拍摄桥梁图像尺寸较大和小目标裂缝较多,目前检测算法提取小目标裂缝特征信息困难且存在识别漏检、误检等问题,该文提出了一种基于改进YOLOv8的桥梁小目标裂缝检测算法。首先,用高效视觉变换器(efficient vision transformer, EfficientViT)替换YOLOv8的主干网络,以减少大量冗余参数,增强图像的局部特征提取能力;其次,引入大型选择性核网络(large selective kernel network, LSKNet),融合C2f模块注意力机制,选择性调整卷积核尺寸,降低运行参数,减少计算复杂度;最后,增加双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),融合P2小目标检测头,增加不同尺度特征图之间的信息耦合和小目标裂缝检测框,实现小目标裂缝精准识别与提取。依托无人机采集的某桥梁裂缝数据集进行小目标裂缝检测验证,与YOLOv8模型相比,该算法模型的图像识别准确率提高了3.7%,召回率提高了3.5%, F1分数提高了3.5%,平均精度均值50(mAP50)提高了3.9%,平均精度均值50到95(mAP50-95)提高了7.4%。该文所提的基于改进YOLOv8的桥梁小目标裂缝检测算法提高了桥梁结构小目标裂缝的识别准确率,为广泛应用于桥梁结构的表观健康监测提供了可行的解决方案。

关键词： 计算机视觉   智能诊断   电气设备故障   深度学习  

摘要： 随着电力系统规模不断扩大和复杂度持续提升,传统的电气设备故障诊断方法已难以满足现代电力系统的运维需求。针对电气设备故障诊断的实时性和准确性问题,提出一种基于人工智能的故障诊断方法,通过深度学习、计算机视觉和大数据分析等技术的融合应用,实现从一次设备到二次设备的全面监控与智能诊断。研究结果表明,该方法能够有效提升故障诊断的准确率和实时性,为电力系统的智能化运维提供新的技术路径。

关键词： 路面病害   单目视觉   目标检测   目标定位   倾斜视角  

摘要： 针对道路检测中路面裂缝分类精度低和路面病害定位成本高的问题,提出一种基于单目视觉的路面病害识别定位方法。该方法分为两个阶段实现,利用YOLOv5完成第一阶段的检测,输出检测框及初始类别,第二阶段利用类别调整及单目定位算法,将路面图片转换至正投影视角,计算出病害的位置和尺寸,并对初始类别进行调整。实验表明,该算法的分类准确率可达90%,对目标的定位和测量精度可达厘米级别,且算力要求低,仅用单个相机同时实现路面病害检测及定位,可满足路面养护工程实时检测的要求。

关键词： 深度估计   计算机视觉   机器学习   三维显示  

摘要： 深度估计作为计算机视觉领域的核心基础任务,在自动驾驶、增强现实、机器人导航等领域具有重要应用价值。文中系统综述了单目与双目深度估计的技术演进、方法体系及其在三维显示等场景中的创新应用。单目方法通过端到端深度学习架构,如多尺度特征融合、注意力机制,突破传统几何先验限制,结合监督或自监督范式缓解数据依赖问题,但受限于尺度模糊性。双目技术依托立体匹配的几何约束,通过代价体积构建与三维卷积网络实现亚像素级视差计算,在动态场景鲁棒性上表现突出。两类技术通过语义几何协同优化形成互补,推动算法从局部特征匹配向全局三维感知升级。在三维显示领域,深度估计技术成为虚实融合的关键:单目方法支撑移动端设备的实时空间拓扑重建,通过轻量化模型实现虚拟物体的物理遮挡与光照一致性渲染;双目技术为高精度全息投影与数字孪生提供毫米级深度支撑,实现动态光场重建。新兴技术如扩散模型和多教师蒸馏框架显著提升弱纹理区域的深度连续性,推动体积显示器渲染质量提升。文中进一步对比分析了主流数据集与评估指标的技术特性,指出未来研究需聚焦多传感器融合、轻量化边缘计算、跨模态评估基准构建及物理可逆渲染等方向。随着神经符号计算等范式的发展,深度估计技术将推动三维显示从几何重构向物理属性推理跃迁,最终实现“所见即所得”的沉浸式体验。

关键词： 深度学习   显著目标检测(SOD)   360°全景图像   几何畸变   大视野  

摘要： 目的为了有效应对360°全景图像的几何畸变和大视野特性带来的挑战,提出一种畸变自适应语义聚合网络(distortion semantic aggregation network,DSANet)。该网络能够提升360°全景图像显著目标检测性能。方法DSANet由3个模块组成:畸变自适应校正模块(distortion aware calibration module,DACM)、多尺度语义注意力聚合模块(multiscale semantic attention aggregation module,MSAAM)以及渐进式细化模块(progressive refinement module,PRM)。DACM模块利用不同扩张率的可变形卷积来学习自适应权重矩阵,校正360°全景图像中的几何畸变;MSAAM模块结合注意力机制和可变形卷积,提取并融合全局语义特征与局部细节特征,生成多尺度语义特征;PRM模块逐层融合多尺度语义特征,进一步提升检测精度。MSAAM模块与PRM模块相配合,解决360°全景图像的大视野问题。结果在两个公开数据集360-SOD和360-SSOD(共计1605幅图像)上进行的实验表明,DSANet在6种主流评价指标(Max F-measure、Mean F-measure、MAE(mean absolute error)、Max E-measure、Mean E-measure、Structure-measure)上均优于其他方法。结论本文方法在多个客观评价指标上表现突出,同时生成的显著目标图像在边缘轮廓性和空间结构细节信息上更为清晰。

关键词： YOLOv7-tiny   钢材表面缺陷检测   目标检测   细粒度   动态蛇形卷积   特征提取  

摘要： 针对当前钢材表面缺陷检测算法存在的检测精度低和小目标检测困难等问题,提出一种基于YOLOv7-tiny的改进算法。首先,提出高效动态蛇形层聚网络(DSELAN),并将其嵌入到特征提取网络中,以提高模型对复杂缺陷目标关键特征的提取能力;其次,引入SPDConv作为下采样模块,避免小目标细粒度信息的丢失,有效解决了小目标检测困难的问题;最后,针对大目标缺陷检测效率低的问题,增加一个大目标检测层以扩大模型的感受野,提高对大目标缺陷的检测精度。实验结果表明:改进后的YOLOv7-tiny算法在NEU-DET数据集上的平均精度均值(mAP)达到了81.4%,比原算法提高了6.7%,检测性能优于其他主流检测算法;并且具有较少的参数量和较快的检测速度,可满足工业钢材表面缺陷检测的实时性和高效性要求。

关键词： 视觉假体   仿真假体视觉   显著目标检测   物体识别   图像处理策略  

摘要： 目的:为了优化有限分辨率下假体视觉信息的呈现,提出一种基于显著目标检测算法的图像处理策略,旨在检测和增强场景中的显著目标,去除背景信息。方法:首先,结合CNN与Transformer提出一种显著目标检测模型提取显著目标,在此基础上利用目标放大,轮廓增强与对比度增强等方法对图像信息进行优化,并在5种分辨率(16×16、24×24、32×32、48×48、64×64)下进行心理物理学实验。结果:在仿真假体视觉下该图像处理策略对于提高被试的物体识别能力效果显著。在16×16、24×24、32×32、48×48、64×64分辨率下,本文方法均取得了最高的图像内容识别准确率,分别为34%±6%、56%±9%、72%±9%、89%±4%和96%±2%。结论:使用显著目标检测方法和图像处理策略对显著目标进行提取和增强可以帮助假体植入者有效提高物体识别能力。

关键词： 舱门图像   图像增广   生成对抗网络   涂装增广   目标检测  

摘要： 舱门检测网络是自动驾驶登机桥检测舱门的重要实现途径;而在舱门图像带有复杂涂装的场景下,舱门检测网络对舱门图像的检测准确率、召回率和mAP大幅降低;针对这一问题,提出了基于生成对抗网络的舱门图像涂装增广方法,用以提高舱门检测网络训练集中带复杂涂装的图像样本的数量,从而提高舱门检测网络在复杂涂装场景下的检测准确率、召回率和mAP;通过将待增广图像的边缘图像和涂装图像的边缘图像进行边缘融合,再经过已训练的生成对抗网络填色,实现舱门图像数据集的涂装增广;实验证明,与传统的基础增广方法相比,基于生成对抗网络的舱门图像涂装增广方法对Yolov5s的检测准确率、召回率和mAP提升更高。

关键词： 视觉技术   汽车电器   智能检测  

摘要： 汽车电器检测是保障整车安全性与可靠性的核心环节,传统检测方法对硬件依赖度高且难以应对微型化、高密度化的电器组件演进需求。检测系统的动态工况适应性不足、多维信号融合能力有限等问题,已成为制约智能制造体系落地的重要瓶颈,而计算机视觉技术通过图像技术与智能检测,能够实现非接触式精密测量与隐性缺陷识别,其空间分辨能力与算法泛化性优于传统物理检测手段。因此,文章就电器组件自动化检测、深度学习与自适应等关键技术展开探讨,以期推动汽车电器质检体系向智能化、可解释化方向演进。

关键词： 遥感图像   目标检测   损失函数   YOLOv8   主干网络   CIOU   注意力机制  

摘要： 为解决当前基于遥感图像识别技术中的错误判断问题及遗漏对象问题等缺陷,提出一种改进的YOLOv8目标检测算法来提升其准确率。使用Efficient ViT作为主要框架替代原始架构设计;在核心部分嵌入深度分离式卷积单元,构建Slim Neck构架结合CA注意力机制和Ghostmodules;提出Focal-IOU损失函数重构IOU,取代CIOU。实验结果表明,改进后算法与原YOLOv8算法相比,m AP提升了2.4%,精确度和召回率也有一定提升,验证了改进算法的有效性和先进性。