关键词： 水利施工   远程监控   智能监控平台   计算机视觉  

摘要： 为了有效识别水利工程施工现场存在的安全隐患,进而为水利工程施工安全管理提供决策依据,本文提出基于计算机视觉开发水利施工远程智能监控平台的观点。在水利工程施工中,远程智能监控平台的应用,能提高水利工程施工安全管理的智能化水平,保障水利工程施工安全与施工效率,指导施工单位在规定时间内高质量完成施工任务,有利于提升水利工程的整体质量。建议施工单位在水利工程施工前,做好远程智能监控平台的开发工作,在施工过程中合理采用远程智能监控平台,为施工安全提供有力保障。

关键词： 图像处理算法   山地光伏组件   发电效率  

摘要： 本文研究了一种基于图像处理算法的智能识别系统,旨在解决山地光伏电站中由于光伏组件积灰而导致的发电效率降低问题。设计并搭建了光伏板积灰在线监测系统,结合自然积灰实验与改进的图像插值算法,对光伏板积灰工况进行分析,提出了图像平均灰度值计算方法和积灰工况下电池板发电效率计算方法。此外,开发了光伏板积灰状态在线监测实验系统,分别详细阐述了其硬件设计与软件开发,并提出了基于动态特性预测模型和功率输出退化模型的分析方法。

关键词： 光伏电站   故障图像识别   深度学习   计算机视觉   智能运维  

摘要： 光伏电站的规模逐步扩大,故障检测及维护的需求日益高涨,传统人工检查手段效率低下、误差明显,难以应对大规模光伏电站的需求,依靠深度学习与计算机视觉技术的结合,采用图像数据自动处理及分析的方式,实现光伏电站故障的高效甄辨,依靠深度神经网络提取图像特征然后优化训练模型,优化了故障检测的准确性与效率。通过实验结果,证明了,此技术体现出较高的识别精确率,可减少人工方面的干预,降低运维开支,该技术为光伏电站给出了智能化、实时化的运维解决办法,明显加快了电站对故障的响应速度及运行效率,具备宽泛的应用前景。

关键词： 无人机技术   公路桥梁   结构损伤   识别与评估   图像处理   机器学习  

摘要： 随着交通流量的增长,公路桥梁的安全监测变得愈发重要。无人机技术凭借其独特优势,在公路桥梁结构损伤识别与评估中发挥着关键作用。本文详细介绍了无人机技术在公路桥梁检测中的应用,包括无人机类型、特点及优势,分析了公路桥梁常见的结构损伤类型及危害,深入探讨了基于无人机技术的损伤识别与评估方法,涵盖数据采集、损伤识别算法和损伤评估模型等方面,旨在为公路桥梁的安全监测提供高效、准确的技术支持,推动桥梁检测技术向智能化发展。

关键词： 遥感图像   YOLOv8算法   边缘增强   多尺度特征提取  

摘要： 为了提升YOLOv8算法在遥感任务中对不同尺度目标的特征提取能力及检测精度，提出一种多尺度边缘增强提取YOLOv8算法。引入浅鲁棒高效多尺度降采样和深鲁棒高效多尺度降采样模块，分别增强低层和深层特征细节的保留能力；引入高效边缘增强上采样模块，提高网络在多尺度及复杂背景下的检测能力；引入部分自注意力机制模块，增强全局信息建模能力，有效抑制背景噪声。结果表明：相较于YOLOv8算法，文中算法在DIOR数据集上表现更佳，精确率提升了0.7%，召回率提升了2.4%，交并比为0.50的平均精确率均值提升了2.0%，交并比为0.50～0.95的平均精确率均值提升了2.8%。

关键词： 目标检测   现场可编程门阵列   边缘计算   硬件加速  

摘要： 针对目标检测算法难以在功耗敏感和资源受限的边缘计算场景中部署的问题，设计了一种基于现场可编程门阵列的YOLOv4-tiny网络硬件加速器。首先，将网络进行8位动态定点量化，并将批量归一化层进行融合，降低了计算复杂度。其次，为了降低片外访问带来的功耗和延迟，提出了权重数据重用和输出数据重用相结合的混合重用方案。然后，根据不同大小卷积核的特点，采用循环展开、循环流水和乒乓缓存等方法对卷积运算进行细粒度优化。最后，经过验证，相比于其他加速器，处理速度提升了1.7～6倍，数字信号处理器效率提升了7.6～8.6倍，能耗效率和查找表效率也均有优势。

关键词： 吨袋   吨袋吊带识别   图像处理  

摘要： 吨袋作为一种大容量、轻质且装卸便捷的柔性运输包装容器，在散装货物装运中应用广泛。当前，吨袋装卸多依赖人工摘挂钩，自动化程度低。由于工作环境恶劣，这种方式不仅效率低下，还极大增加了工人劳动强度。实现自动化摘挂钩的关键在于对挠性吊带的精准识别与抓取，此技术对于提升装卸效率、改善工作环境及降低人力成本极为迫切且必要。该研究通过图像灰度化处理，将彩色图像转换为灰度图像，减少数据量并突出灰度特征；利用高斯滤波等方法降噪，去除图像中的噪声干扰，提升图像质量；采用Sobel算法进行边缘检测，凸显出吨袋吊带的边缘轮廓；并通过特征提取获取关键特征。随后，运用深度学习技术，构建基于神经网络的吨袋吊带识别模型。训练和测试结果显示：该模型识别准确率高达 97.73%，相较于传统方法有显著提升；F1 分数达 94%，有效平衡了精确度和召回率，在实际工程应用中，可大幅提升装卸效率，降低人工成本，为挠性构件摘挂钩自动化的实现提供了重要的实践参考与借鉴。

关键词： 遥感影像   目标检测   少样本学习   迁移学习   特征金字塔   特征融合   正则化   均衡损失  

摘要： 针对遥感影像少样本目标检测模型易出现过拟合且检测精度低的问题，本文提出基于迁移学习的遥感影像少样本目标检测模型。在基训练和少样本微调阶段，主干网络中设计自适应特征金字塔模块，通过重新调整、整合、提炼3个步骤增强特征图的表达能力，使不同尺度的特征充分融合，为小目标提供更为准确的特征表示。通过在少样本微调阶段引入Dropblock正则化操作，有效抑制少样本目标检测模型在训练时易出现的过拟合现象，提高目标检测精度。在训练过程中结合均衡损失函数，增强模型对遥感影像数据集中尾部类别的关注，进而提升模型的分类准确率。在10-shot任务设定中，本算法与FSCE方法相比，在NWPU VHR-10.v2和DIOR数据集上检测新类的平均精度均值分别提升7.3%和3.2%。实验结果表明，本算法对基类和新类的检测结果优于已有的同类算法。本算法显著提升了遥感影像少样本目标检测的泛化能力与分类精度，为新类和基类的识别提供了有效解决方案。

关键词： 视觉目标跟踪   Transformer   高低频特征   编解码器   自适应相似性计算  

摘要： Transformer中的自注意力机制可以有效捕获特征的远程依赖，近年来出现了许多Transformer结构的目标跟踪算法。然而，随着网络层次的加深，Transformer会逐渐过滤掉目标特征中的高频信息，丢失图像边缘轮廓等局部细节。为解决该问题，提出了基于双频特征的Transformer视觉目标跟踪算法(DFFTrack)。设计了一种双频分组(DFG)模块，将图像特征沿通道维度分为两组，分别进行高频和低频特征增强；采用双分支编解码器结构，编码器基于DFG模块将目标和搜索区域特征分为高频组和低频组，并使对应分组的模板和搜索区域充分交互，解码器通过一个可学习的目标查询嵌入与来自编码器的全局特征交互获得目标表示；提出了自适应相似性计算模块(ASC)，将目标查询嵌入、搜索区域高频特征和低频特征三者充分融合，生成最佳的精细尺度匹配。在LaSOT、GOT-10k和TrackingNet三个具有挑战性的大规模跟踪数据集上与多个先进算法进行对比，实验结果表明，DFFTrack取得了优异的跟踪性能。