关键词： 煤矿传送带   异物检测   图像处理   改进YOLOv11  

摘要： 针对煤矿传送带在运输矿物过程中因异物可能产生安全隐患的问题,设计了一种基于改进YOLOv11的煤矿传送带异物检测方法。通过优化YOLOv11模型的原Conv、C3k2、SPPF、Detect模块,提高了目标不同尺度和层次的信息的关注度,加强利用多尺度特征信息,提高了对传送皮带上小目标和低分辨率异物目标的检测能力。由实验结果得知,与原YOLOv11模型相比,改进后的模型对煤矿传送带异物检测的精确率提高了1.1%,召回率提高了1.6%,IoU阈值为0.5时的平均精度提高了1.3%;同时将改进后的模型与YOLOv10模型和YOLOv8模型作对比实验,精确率分别提高了1.4%和1.6%,进一步证明改进后模型有着更优越的表现。

关键词： 无人矿卡   目标检测   LWHP   轻量化   加权双向特征金字塔网络   多头注意力机制  

摘要： 随着人工智能技术不断发展和智慧矿山理念的逐步推进,传统露天矿山的运营模式正在被自动化方式取代。无人矿卡作为智慧矿山的重要组成部分,其推广应用有效解决了因矿区地形不规则、路面坑洼或恶劣天气等因素导致的矿卡翻车、侧滑等问题,从而显著降低了由此引发的伤亡事故。准确的检测目标类别是做避障决策的前提,而模型轻量化可以在资源有限的条件下很好地部署。因此,针对露天矿山场景下,无人矿卡目标检测算法存在参数量多、模型较大及小目标和遮挡目标检测准确率低的问题,提出轻量级无人矿卡检测算法LWHP(Lightweight High-Precision),设计思路有以下4点:其一,提出高效加权双向的特征金字塔网络R-BiFPN,利用这一结构重构颈部网络,通过跨层连接及双向传播,减少冗余计算路径,并通过加权特征融合方式增强多尺度特征融合能力,提升小目标检测能力的同时大幅度降低参数量;其二,设计带有多头注意力机制的检测解耦头,改善卷积层冗余导致网络复杂的问题,并处理空间维度以集中捕捉目标特征,减弱无关背景干扰,提升遮挡目标识别准确率;其三,利用双重卷积构建轻量级神经网络CDC,增强通道间信息流动,提高模型特征表达能力并降低模型复杂度;其四,引入EIOU损失函数,分别计算目标边界框的宽高差异,并加入Focal Loss解决难易样本不平衡问题,获得更快的收敛速度和更优秀的定位能力。试验表明:改进后算法相较于原始算法参数量降低50.2%,计算量减少46.3%,模型大小压缩47.6%,仅有3.3 MB,且FPS达到92.9,满足实时性需求。精度提升1.6%,召回率提升3.1%,平均精度达到79.6%,相比原模型提升2%,保证轻量级部署的同时提升了检测准确率。

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： 深度学习   目标检测   ROS分布式通信   机器人抓取  

摘要： 提出了一种结合深度学习与ROS的智能抓取系统。该系统基于YOLOv5算法模型,引入MobileNetV3作为网络骨干,有效提升了模型的轻量化程度;将颈部网络的Conv替换为组洗牌卷积(Group Shuffle Convolution,GSConv),以降低模型复杂度并增强注意力机制的效果;将颈部网络中的C3模块替换为VoVGSCSP,进一步降低网络复杂度。在最后一个检测头前添加并行卷积注意力模块(Parallel Convolutional Block Attention Module,PCBAM),增强了模型对目标物体的敏感度。与YOLOv5s基线模型相比,改进模型召回率提升3.1%,参数量下降49.6%,运算量下降65.8%。实验结果表明,该系统检测实时性高,在杂乱无序场景下也能准确识别并抓取物体。

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。