关键词： 交通工程   YOLOv11   道路裂缝   目标检测   深度学习  

摘要： 针对道路基础设施维护领域中传统人工巡检方法效率低、主观性强等问题,提出了一种基于YOLOv11的道路裂缝智能检测算法。通过构建路面裂纹检测数据集进行模型训练与验证,实验结果表明:该模型在检测精度方面表现优异,其裂缝识别的精准度(Precision)达93.7%,召回率(Recall)达90.1%,且均值平均精度(mAP@50)达到95.3%;在实时性方面,模型计算量为6.3 GFLOPs,在512×512像素输入分辨率下可实现303 FPS/s的实时推理速度。此外,通过对比实验验证,该算法在精度-速度平衡性方面优于主流检测模型,有效实现了道路裂缝特征的高效提取与精准识别,为道路养护智能化提供了可靠的技术方案。

关键词： 机器视觉   目标检测   深度学习   高斯模型   龙门吊   集装箱  

摘要： 为了防止集装箱码头龙门吊吊箱作业过程中集装箱门异常开启引发安全事故,设计基于机器视觉的集装箱门异常开启识别系统,采用分布式平台采集和处理图像数据,结合深度学习与高斯模型,智能分析和识别集装箱门状态。现场验证及试用结果显示:该系统适用于全天候作业工况,针对集装箱门异常开启的有效告警率达到99.9%,有助于减轻作业人员工作强度,提高码头作业效率和安全性。

关键词： 目标跟踪   相似干扰   细微特征   数据关联   在线分类器   移动机器人  

摘要： 针对现有移动机器人跟踪算法在长时间运行的情况下易受背景干扰而丢失目标的问题,提出一种基于细微特征的长期目标跟踪模型。该模型主要由数据关联、在线分类器以及细微特征判别模型SFD构成。数据关联主要用于在简单场景下快速识别目标并跟踪;在线分类器专门处理目标被行人或复杂干扰物遮挡时的识别与跟踪任务;SFD系统则专门针对目标与干扰物特征高度相似导致在线分类器失效的极端场景,通过深度特征分析实现精准目标识别与稳定跟踪。测试结果表明,相较于传统跟踪算法,基于细微特征的长期目标跟踪模型在长期跟踪场景中展现出更高效精准的目标识别与持续跟踪能力。

关键词： 视觉SLAM   图像处理   环境感知   路径规划   自主导航  

摘要： 随着人工智能和计算机视觉技术的快速发展,视觉感知成为实现自动驾驶的关键技术之一。视觉感知的重要性在于它能够提供实时环境信息,使智能系统能够做出准确决策。因此,本文提出并设计了基于视觉同时定位与建图(SLAM)技术的智能小车系统,通过整合先进的视觉SLAM算法,实现高效的环境感知与自主导航。该系统的硬件架构包括摄像头用于实时环境捕捉、处理单元负责数据分析与决策制定,以及运动控制模块实现小车的精确移动;软件方面则采用实时图像处理与地图构建技术,确保系统能够动态更新环境信息并优化路径规划。实验结果表明,所设计的智能小车具备良好的定位精度且能很好的实现路径规划能力。

关键词： 机器学习   前景   AI技术   计算机视觉   应用   物流行业  

摘要： 人工智能(Artificial Intelligence),是新一轮科技革命和产业变革的重要驱动力量,是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是智能学科重要的组成部分,它企图了解智能的实质,并生产出一种新的能以与人类智能相似的方式做出反应的智能机器。人工智能是十分广泛的科学,包括机器人、语言识别、图像识别、自然语言处理、专家系统、机器学习,计算机视觉等。

关键词： 多旋翼物流无人机   惯性导航   目标检测   控制系统  

摘要： 为解决物流无人机运行速度慢和准确度不高的问题,设计了一款基于YOLOv9的多旋翼物流无人机。该无人机集成了自动货物检测与惯性导航定位功能,通过采用深度学习模型YOLOv9,实现了高效的路径规划和障碍物规避。在实地试验中评估了无人机在城市密集区域和开阔地带等不同环境下的性能。实验结果表明,该无人机显著提升了物流效率,有效降低了操作成本及对环境的影响。在城市密集区域,与传统物流方式相比,无人机在运输效率上表现尤为突出,有效缓解了交通拥堵和人工操作导致的低效率问题。此外,设计中还充分考虑了成本因素,通过减少人力和燃料费用,进一步优化了整体运营成本。该无人机创新性地将深度学习技术应用于物流领域,实现了更高效、精准的货物搬运和路径规划,极大地提升了物流作业的自动化水平。这一创新方案具有显著的实际应用价值和推广前景,为物流行业的发展提供了新的方向。

关键词： 深度学习算法   高分辨率   遥感飞机   目标时序回波   split-fuse-select机制   双边滤波器  

摘要： 在高分辨率遥感飞机目标检测过程中,大气中的散射、地表反射的不均匀性、以及其他非目标物体的辐射等,都会在遥感影像中形成杂波,降低检测效果;为了提高检测精度,基于深度学习算法对高分辨率遥感飞机的目标检测进行了研究;采用双边滤波技术去除了图像中的椒盐噪声,减少遥感影像中的杂波干扰,保留飞机目标的几何轮廓信息;引入滑动窗口权值,根据图像像素间的空间距离和灰度差共同决定权值系数,从而有效地保护了图像的边缘结构;使用split-fuse-select机制调节感受野的大小,结合动态选择卷积核与多层级残差连接改善网络性能,采用自适应分类模块和注意力引导模块精确筛选少量杂波图像中的目标,依据混合置信度排序实现目标检测;经实验测试结果表明,文章方法能够在杂波干扰情况下检测出11架飞机,与实验指标一致,且在杂波分布泊松分布参数值为120的情况下,最大归一化目标回波值仅为0.38,能够精准检测高分辨率遥感飞机。

关键词： 雾霾数据集   数据集生成   去雾算法   目标检测   计算机视觉  

摘要： 高质量雾霾数据集是去雾算法研发的核心基础,但现有真实数据集受气象条件与采集成本限制,存在规模小、场景单一、物理参数缺失等问题;主流合成数据集因简化大气散射模型,常引发通道色偏、深度伪影、雾浓度失真等物理失真。本文提出一种物理驱动雾霾数据集合成算法,构建跨域目标检测数据集COCO-Haze。该方法通过单目深度非线性映射增强近景雾浓度梯度,结合多通道亮度分析及颜色均衡约束抑制色偏,并基于气象光学视程模型实现散射系数物理约束采样,平衡合成规模与物理一致性。实验表明,传统算法在跨域检测任务中表现良好;深度学习方法像素级指标接近传统方法,但检测性能显著下降,印证像素级复原质量与下游任务需求的分歧。

关键词： 无人机航拍图像   目标检测   结构重参数化   多维特征自适应融合   高分辨特征增强  

摘要： 无人机飞行高度的动态变化使得航拍图像中往往包含大量小目标,同时目标尺度变化显著,这些问题给目标检测任务带来了挑战.针对上述问题,提出一种基于多尺度融合和高分辨特征增强的无人机航拍目标检测方法.首先,在骨干网络中引入多尺度结构重参数化特征提取模块,利用普通卷积块和结构重参数化的大核卷积块对多个分支进行不同尺度的卷积运算,有效提取不同感受野下的特征信息;然后,在颈部网络中引入基于特征金字塔网络的多维特征自适应融合模块,以优化其自下而上的特征聚合过程,实现对浅层特征中的精细细节和深层特征中的上下文信息的自适应选择,从而更有效地应对目标尺度显著变化;最后,在颈部网络中引入多尺度特征融合小目标增强模块,以捕捉无人机航拍图像中小目标物体在不同尺度上的变化.通过在VisDrone2019和TinyPerson两个公开数据集上进行大量的实验,表明了所提出方法的有效性和优越性.

关键词： 合成孔径雷达   SAR图像舰船检测   目标检测   机器视觉   深度学习  

摘要： 为了充分发挥合成孔径雷达(synthetic aperture radar, SAR)在海洋监视、海防预警和海运管理等领域的重要作用,对SAR图像舰船检测技术的发展现状进行了研究。论述了传统舰船检测算法的优势和不足,归纳总结了深度学习舰船检测的主流方法,对当前检测算法存在的虚警率高、检测率低和检测速度慢等问题进行了探讨。通过对当前流行检测算法的分析,为下一步SAR图像舰船检测算法研究提供了思路。