关键词： 紧凑型高频地波雷达   目标跟踪   航迹质量评价   分形维数   层次分析法  

摘要： 准确性和连续性是衡量目标航迹质量的两个重要指标,紧凑型高频地波雷达目标定位精度低,跟踪得到的航迹波动大、易断裂。为了评价紧凑型高频地波雷达跟踪得到的航迹质量,提出了一种结合分形维数与跟踪连续性指标的紧凑型高频地波雷达航迹质量评价方法。引入分形维数衡量航迹的波动性,估计雷达航迹与真实航迹之间的波动差异以评价目标航迹的准确性;结合航迹跟踪时长和丢点率评价目标跟踪的连续性,并将三个指标加权形成了航迹综合质量指标。利用仿真和实测地波雷达航迹数据开展了航迹质量评价实验,其结果表明:提出的综合质量指标能够有效地反映航迹质量变化,无需目标状态真实值作为先验信息。分形维数指标与现有利用目标运动参数的归一化质量指标相比,分形维数指标结果的均值标准差减少了67.8%,评价结果更稳定。

关键词： 人工智能   炼化领域   知识图谱   大数据分析   机器学习   深度学习   计算机视觉   自然语言处理  

摘要： 介绍了人工智能相关技术在石油化工领域的全球发展态势以及应用现状。目前,人工智能相关技术已经广泛应用于从上游的勘探开发场景,到中游的炼油厂生产过程,再贯穿至下游的运营、销售、投资等领域,显著提高了石油化工领域的工作效率和生产效益。未来,人机协同所产生的融合智能,将更加高效地解决复杂问题,使人工智能成为人类智能的自然延伸和拓展,进一步推进石化领域工作模式转变。

关键词： 无人机航拍   特征融合   小目标检测层   注意力机制   动态检测头   损失函数  

摘要： 针对无人机航拍图像目标密集、尺度小、特征信息易丢失、漏检和误检严重,提出一种基于YOLOv8n改进的航拍小目标检测算法GI⁃YOLOv8n。GI⁃YOLOv8n重新设计网络结构,改进特征融合网络,加入跨层连接,最大化保留小目标位置细节信息和语义信息,新增极小目标检测层,提高检测精度;引入基于注意力机制的动态检测头,并用轻量化卷积模块GSConv进行改进,在尺度感知、空间感知、任务感知方面加强小目标的定位性能;最后引入Inner⁃CIoU损失函数,使用辅助边界框计算损失,加快模型回归速度,提高检测性能。实验结果表明,在VisDrone2019数据集上,GI⁃YOLOv8n的精确率、召回率、平均检测精度分别为50.7%、39.8%、41.5%,相较于YOLOv8n分别提高了7.1%、7.4%、8.7%,检测速度为81 f/s,满足航拍目标检测实时性要求。对比其他航拍目标检测算法,检测精度和速度均有提升。

关键词： 钢轨扣件   目标检测   YOLOv5   注意力机制   卷积网络   轻量化  

摘要： 铁路钢轨扣件的缺陷检测是铁道安全巡检中极为重要的工作之一。为提高钢轨扣件维护工作的效率,基于深度学习的方式进行巡检。而使用当前主流的目标检测模型进行钢轨扣件缺陷的检测时,模型体积大、参数量多等因素导致无法同时平衡检测准确度和速度。采用压缩与激活(SE)注意力机制与坐标注意力(CA)机制组成的双注意力机制对YOLOv5模型进行改进;重新设计网络,选用MobileNetv3作为主干网络,同时引入含有GSConv模块的Slim-Neck结构和轻量级上采样算子,以降低计算成本;将YOLOv5的坐标损失函数修改为SIoU,以提升训练时的收敛速度,使得模型更加轻量化。使用改进后的模型在钢轨扣件数据集上进行测试,结果显示,单张扣件图片的检测时间为53.8 ms,检测速度为17.9帧/s,并且模型大小仅有8.3 MB,符合模型体积小、检测效果佳的要求。

关键词： 目标跟踪   运动规划   无人艇   双向拟合算法   保距跟踪   操纵性  

摘要： [目的]针对无人艇在对水面移动船舶进行保距跟踪过程中,由于目标摆脱运动度大且环境中定位精度不足,导致跟踪过程中出现振动与滞后问题,开展无人艇跟踪策略的研究。[方法]首先采用基于多项式和粒子群的双向拟合算法对雷达采样数据进行误差消除;然后基于无人艇与动态目标船的运动态势,以无人艇保距稳定跟踪为导向,规划无人艇航速航向。[结果]实艇试验结果表明,经双向拟合算法滤波后的数据更平滑,符合船舶运动规律;无人艇基于规划的航速航向可稳定跟踪目标船。[结论]该方法能有效满足无人艇稳定跟踪需求,对单目标跟踪具有良好的效果。

关键词： 漂浮物   自注意力机制   目标检测  

摘要： 针对水上漂浮物图像检测识别任务中传统DETR(Detection Transformer)框架在底层特征处理方面的不足,提出一种基于改进的DETR框架的方法。设计CF-DETR(Context-Free Detection Transformer)模型,以增强底层特征处理能力。在解码器中引入注意力机制,将编码器提取的特征转化为目标检测结果。实验结果表明,改进的模型在检测水上漂浮物时,显著提升了准确率和召回率,在平均精度方面也优于其他目标检测模型。

关键词： 模式识别   深度学习   目标检测   YOLOv8  

摘要： 为了使采摘机器人能够在果园复杂环境下(如不同光照条件、叶子遮挡、密集的苹果群和超远视距等场景)对成熟程度各异的苹果果实进行快速且精确的检测,本文提出一种基于改进YOLOv8的苹果果实检测模型.首先,将EMA注意力机制模块集成到YOLOv8模型中,使模型更加关注待检测果实区域,抑制背景和枝叶遮挡等一般特征信息,提高被遮挡果实的检测准确率;其次,使用提取特征更加高效的三支路DWR模块对原始C2f模块进行替换,通过多尺度特征融合方法提高小目标检测能力;同时结合DAMO-YOLO的思想,对原始YOLOv8颈部进行重构,实现高层语义和低层空间特征的高效融合;最后,使用Inner-SIoU损失函数对模型进行优化,提高识别精度.在复杂的果园环境中,以苹果作为检测对象,实验结果表明:本文所提算法在测试集下的查准率、召回率、mAP_(0.5)、mAP_(0.5~0.95)以及F1分数分别达到86.1%、89.2%、94.0%、64.4%和87.6%,改进后的算法在大部分指标上均优于原始模型.在不同数量果实场景下的对比实验结果表明,该方法具有优异的鲁棒性.

关键词： 人工智能   建筑施工   安全管理   深度学习   计算机视觉  

摘要： 正如信息技术和智慧化的发展脚步不断加快,人工智能在指导并加强建筑施工安全的管理方面扮演着日益重要的角色。此研究的主旨,便是运用人工智能之技术,从根本上改进现行的安全监管体系,降低建筑事故的发生,同时提高建筑施工的效率。本文将介绍当前建筑施工安全管理的具体状况和遇到的挑战,同时也为人工智能如何积极改善建筑安全管理提供了深入的解读。充分利用各式各样的现代人工智能技术,如深度学习、自然语言处理、计算机视觉等,这些技术都可以被广泛应用于建筑施工安全管理的各个环节。与此同时,我们也可以通过深度学习预测可能会出现的施工风险,利用自然语言处理技术分析不同的安全报告,以及用计算机视觉识别出施工现场的安全隐患。如此一来,无论是在预防意外事故的发生,还是在提高施工效率和安全性上,都将取得显著的成果。最后,研究结果表明,利用人工智能技术可以有效地预防建筑施工事故,提升施工现场的安全管理水平,大幅提高施工效率,为建筑施工安全管理的未来发展开辟了新的道路。

关键词： 目标跟踪   边缘端   Transformer   多头注意力(MHA)   知识蒸馏  

摘要： 目的将面向服务器端设计的跟踪算法迁移部署到边缘端能显著降低功耗,具有较高的实用价值。当前基于Transformer的跟踪算法具有明显的性能优势,然而部署在边缘端时,却可能产生较高的延迟。为了解决这个问题,提出了一种面向边缘端的线性分解注意力(linearly decomposed attention,LinDA)结构,可有效降低Transformer的计算量和推理延迟。方法LinDA将多头注意力近似表示成数据依赖部分和数据无关部分的和:对于数据依赖部分,用简单的向量元素间相乘及求和表示,避免了复杂的转置和矩阵乘法;对于数据无关部分,直接利用统计得到的注意力矩阵,然后加上一个可学习偏置向量。这种分解既具有全局注意力,又保持了数据依赖的优点。为了弥补线性分解带来的精度损失,还设计了一种知识蒸馏方案,它在原始的损失函数上增加了两部分蒸馏损失:1)将真实包围框替换成教师模型预测的包围框作为监督目标,称为硬标签知识蒸馏;2)将教师模型预测得分的相对大小作为监督目标,称为关系匹配知识蒸馏。基于LinDA结构进一步实现了一种面向边缘端的目标跟踪算法LinDATrack,并将其部署在国产边缘计算主机HS240上。结果在多个公开数据集上进行了评测。实验结果表明,该算法在该计算主机上可达到61.6帧/s的跟踪速度,功耗约79.5 W,功耗仅占服务器端的6.2%,同时其在LaSOT和LaSOT_ext上的成功率(success rate,SUC)相对于服务器端基线算法SwinTrack-T最多仅下降约1.8%。结论LinDATrack具有良好的速度和精度平衡,在边缘端具有较大的优势。

关键词： 显著性学习   目标检测   幕墙   非规则板材   跨模态融合  

摘要： 针对现有幕墙安装机器人缺乏非规则板材检测能力的问题,提出了一种基于显著性学习的板材检测方法,通过分析板材与背景的显著性关系来定位目标,避免板材纹理、形状、大小等因素对检测精度的影响。该方法基于可见光-深度(red-green-blue depth,RGB-D)双模态特征信息,使用多尺度残差互补模块来抑制跨模态特征的发散问题,并结合多尺度注意力引导模块和融合感知模块以实现精细的显著推理,同时构建了包含180幅RGB-D图像的幕墙板材数据集(curtain wall panel,CWP)来做模型测试。将提出的方法在4个公开数据集进行训练与测试,结果表明,所提算法性能优于8种显著性检测方法。在自建CWP实验测试中,提出的方法在Sα、Fβ、Eξ、MAE指标分别达到0.843、0.802、0.864、0.053,证明了所提算法针对未知的非规则幕墙板材检测具有很好的鲁棒性。