关键词： 无人机图像   目标检测   特征提取  

摘要： 在无人机航拍图像中,小目标检测常面临目标尺寸微小、特征表达薄弱及复杂背景干扰等严峻挑战。为此,本文提出了一种全局自适应特征提取模块(Holistic Adaptive Feature Extraction Module,HAFEM),旨在针对小目标和复杂背景问题实现高效特征提取。在VisDrone-DET数据集上的实验结果表明,所提模块可实现46.2%的mAP,相较于基础网络YOLOv5s提高了0.8%,并在复杂场景下依然保持了卓越的检测性能,为无人机图像小目标检测提供了坚实的技术支持。

关键词： 车辆目标检测   小目标   多尺度特征   细节信息   损失函数  

摘要： 车辆目标检测技术在智能驾驶、智能交通和公共安全领域中具有重要意义。然而,真实环境中存在背景干扰、小目标检测难度大以及车辆密集时出现相互遮挡的问题。针对以上问题,提出一种基于边界特征与多尺度特征融合改进YOLOv8的车辆目标检测方法EM-YOLO。首先,设计了一种边界引导的多尺度特征块,以结合边界特征与多尺度特征,用于改进原始的骨干网络,增强抑制背景干扰的能力。其次,特征在网络流动的过程中会出现细节信息的损失,而小目标车辆能够提取到的有效特征较少,加重了细节信息的损失。为此提出细节特征增强块,通过充分结合不同层级的特征,缓解细节信息的损失,进而改善小目标问题。随后,分析了车辆相互遮挡导致检测性能下降的原因,并针对此问题提出了一种检测头。最后,结合PIoU、Focaler-IoU和WIoU,构造了WPF-IoU,以优化训练过程,进而提升检测性能。经实验验证,改进后模型的精度和召回率相比原始模型分别提升了1.9%和4.1%,mAP50和mAP50∶95分别提升了4.4%和3.3%。与其他方法相比,本文提出的方法在各项性能指标上表现更优,具有一定的实际应用价值。

关键词： 封严蜂窝   混合视觉   智能识别   三维测量   点云变换   图像处理  

摘要： 提出了一种基于混合视觉的封严蜂窝磨痕测量数据自适应处理与量化评估方法,考虑蜂窝磨痕的边缘模糊及截面复杂的特性,通过点云和图像的融合分析实现了蜂窝磨痕的自适应识别、特征提取与量化评估。在点云数据中,根据蜂窝结构的先验几何特征,对实测点云进行重新定位与主平面提取,实现测量坐标系与理论坐标系的位姿对齐;在图像数据中,通过图像形态学算法解决蜂窝空洞较多、深孔等干扰下的蜂窝区域精准提取问题,实现划痕几何的量化计算。对多组磨损烧蚀后的蜂窝实测数据测试,能够实现所有划痕的精准辨识,在划痕宽度与深度上与人工测量结果偏差小于5%,识别速度提升7倍以上;结果表明所提出的方法能够利用表面形貌点云数据对碰磨及烧蚀的蜂窝磨痕进行自适应识别与量化评估。

关键词： 智能控制技术   智能安防   应用框架   计算机视觉   机器学习  

摘要： 在当前快速发展的智能化时代背景下,智能控制技术已经成为推动智能安防系统革新的关键力量。本文针对智能安防系统中智能控制技术的应用框架进行深度分析,探索了多层次、多维度的系统集成方案。研究首先梳理了智能控制技术的基础理论,包括自动控制、模式识别和人机交互等领域的最新进展。接着讨论了智能控制技术在安防领域中的应用,随后,详细构建了一个由感知层、分析层、决策层、执行层构成的应用框架模型。最后,文中不仅分析了智能控制系统在实际操作中的效益,还探讨了面临的主要挑战,例如保障数据的安全性与隐私保护、提升系统的自适应能力、以及技术融合时的兼容性问题。通过综合评估智能控制技术在智能安防领域的应用现状与发展潜力,希望本文为未来相关研究提供丰富的理论基础和应用视角。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。

关键词： YOLOv5   工务安全   深度学习   目标检测  

摘要： 目前铁路工务安全事故时有发生,现有的铁路工务安全监督方案效率低下且难以有效保障工务活动的安全进行。提出了一种基于改进YOLOv5的铁路工务人员防护装备检测方案,实现对铁路工务人员穿戴的安全帽和反光背心的实时检测。针对因铁路场景背景而造成的漏报、误报及检测不准确的问题,引入空间特征重构模块(spatial reconstruction unit,SRU)及通道注意力模块(efficient channel attention,ECA)在空间和通道两个维度上增强网络的特征表达能力,有效筛选有效特征并去除冗余特征;通过引入边界框损失W-IOU(weighted intersection over union)函数降低低质量样本对训练的影响,提升模型收敛能力。通过实验验证,模型平均准确率为94.3%,精确率为94.9%,召回率为94.7%,相比于基础网络分别提升了2.2%、2.5%和1.6%,推理速度达到34.5 FPS(帧/s),可以实现在真实工务环境中的实时检测。

关键词： 变电设备   目标检测   红外图像   YOLOv10n   轻量化模型  

摘要： 红外成像技术在变电设备监测中具有重要价值,能够通过温度异常识别潜在故障。然而,变电设备红外图像检测面临诸多挑战,如目标尺寸小,对比度低以及实时处理需求高,现有目标检测方法难以兼顾精度与效率。为此,提出一种基于改进YOLOv10n的轻量化检测模型,以提升变电设备在红外图像中的识别。首先,优化主干网络的C2f模块,引入全局到局部空间聚合模块,增强对小目标的聚焦能力并减少计算量。其次,在颈部网络中引入频率感知特征融合模块和频域感知路径聚合网络,有效解决目标边界模糊与偏移问题,并进一步减小模型体积。最后,采用SIoU损失函数替代传统的CIoU损失函数,提升目标定位精度并加速模型训练。基于变电站红外图像数据集进行验证,结果表明改进后的模型在检测性能上显著优于基线YOLOv10n模型。该模型的平均精度均值达到97.6%,较原始模型提升3.4%,同时计算复杂度和参数量大幅减少,适用于资源受限环境下的部署,对保障电网运行的安全性与稳定性具有重要意义。

关键词： 配网带电作业   安全检测   目标检测   YOLOv3   DeepSORT   多目标跟踪  

摘要： 本文提出了基于目标检测与跟踪的安全检测方法,结合YOLOv3目标检测算法和DeepSORT多目标跟踪算法,实现了对作业人员安全帽佩戴状态、人员轨迹跟踪以及危险区域误入的实时检测与预警。实验表明,该方法在人员静止、移动及遮挡场景下均表现出较高的检测准确率和实时性,有效提升了配网带电作业的安全管控水平,研究结果为配网带电作业的智能化安全检测提供了可行的技术方案。

关键词： 目标跟踪   孪生网络   注意力   特征融合   解码器  

摘要： 针对复杂场景下目标的快速移动、遮挡、非刚性形变和光照变化等问题,提出了一种基于3D注意力和金字塔解码器的目标跟踪算法。首先引入VGG-16神经网络并对其进行结构上的优化,以提高特征提取的效率和质量。其次通过引入3D注意力,增强了对关键特征的提取能力。然后使用深层语义融合模块,通过上采样融合特征信息,以达到对特征的精确表达。最后设计金字塔解码器提升模型在复杂场景下的鲁棒性。实验结果表明,在OTB100数据集上,相比基准算法,所提算法的成功率和跟踪精度分别提升了15.8%和16.2%。

关键词： 天气条件   电力架空线路   异物检测   目标检测   成对注意力  

摘要： 基于图像识别技术的电力架空线路异物检测在复杂天气条件下存在图像质量受水汽噪声干扰、异常天气图像标签不足、测试数据与训练数据分布差异大等问题,导致检测模型性能下降。为此,提出一种基于自学习的域间融合与对抗注意力方法,实现跨天气条件的电力架空线路异物检测。首先,通过深层特征混合策略和成对的注意力对抗模块,实现不同天气条件下电力架空线路异物颜色、边缘等多样信息的融合提取,使模型关注多种天气下异物的共同特征。然后,采用对抗学习策略对已标注图像的检测损失和模型的判别损失进行调整,实现跨天气条件的异物检测。最后,在跨天气多场景电力架空线路异物测试集中进行验证,结果表明:与传统目标检测方法相比,所提方法在雨天和雾天等未标注场景下,也能够保持较高的异物检测精确率。