关键词： 遥感影像   目标检测   轻量级模型   YOLOv5   MobileNetv3  

摘要： 针对低功耗场景下实施遥感影像地面目标实时检测问题,基于YOLOv5s提出一种轻量化改进模型。以使用ECA模块作为注意力结构的MobileNetv3代替CSPDarknet53作为骨干网络进行特征提取,同时将所有骨干网络输出的特征图送入融合网络中来获取信息更为丰富的特征图,并使用改进K-means++算法来进行锚点框聚类。以开源数据集为基础构建训练数据集,并通过多种策略进行数据增强来克服正样本的长尾分布问题。实验结果表明,本文模型对遥感影像中不同尺度的目标均能实现高精度检测,并且在多种环境中均表现出良好的泛化能力;同时,本文模型占用内存小,能够部署在低功耗硬件环境中对遥感影像内的多类地面目标开展实时检测。

关键词： 车辆检测   多尺度特征融合   注意力机制   Soft-CIOU损失函数   YOLOv4   深度学习   目标检测   小目标  

摘要： 在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。

关键词： 智能视频监控   安全监测   目标检测   GOTURN   区域入侵检测  

摘要： 针对检修车间面临的危害设备和人员安全的入侵行为,传统的视频监控方法不仅耗费大量人力资源,而且效率低下。为解决这一问题,结合目标检测与目标跟踪任务,该文提出了一种基于YOLO与GOTURN的检修车间入侵检测方法。首先由PTZ球机采集视频,再经过YOLO目标检测和GOTURN目标跟踪,得到人员边界框坐标并通过检测点的相对位置分析得出是否存在入侵行为。实验数据表明,基于YOLO和GOTURN的检修车间入侵检测方法相对于其他方法具有较高的准确率,在实际的检修车间入侵检测系统中设定IoU阈值为0.5时,人员跟踪准确率达到90%以上,检测精度达到了93.84%,并且能够有效判断入侵行为。

关键词： YOLOv7网络   变压器套管   红外图像   目标检测   智能诊断  

摘要： 为提升变电站套管红外图像智能诊断效果,提出构建一个基于改进YOLOv7网络的变电站套管红外图像智能诊断模型。首先,在YOLOv7基础检测网络的基础上对其特征提取模块进行改进,以提升其目标检测速率;然后在YOLOv7网络中引入卷积注意力机制模块注意力机制,以提高网络检测精度;最后将改进的YOLOv7网络用于变压器套管红外图像的智能诊断。结果表明:在参数量为1200时,改进YOLOv7模型的平均精度值、每秒帧数和每秒浮点运算次数分别为96.6%、30帧/s和8次,均优于其他检测模型。将本模型部署至智能诊断系统中后,可有效提升变电站套管红外图像目标检测速率和精度,证明本模型可实现套管红外图像发热缺陷故障诊断,具备有效性。

关键词： 长输管道   高后果区   YOLOv5s   目标检测   智能识别模型  

摘要： 针对目前长输管道高后果区识别效率低,需耗费大量的人力、物力和时间成本,该文借助目标检测算法YOLOv5s,利用遥感影像及无人机航飞影像数据,结合高后果区识别规范,对不同类型的高后果区建立高后果区智能识别模型,通过评估,模型准确率和召回率均达到90%以上,能有效识别高后果区。又以国内某管道高后果区为例,进一步验证模型的有效性,数据表明,该模型智能识别出的高后果区信息与传统人工辅助识别信息一致,能满足长输管道高后果区自动识别的实际需求,为高后果区风险管理提供及时准确的数据支持,为高后果区识别的自动化、智能化管理开拓新思路。

关键词： 配网操作机器人   视觉引导   深度学习   图像处理  

摘要： 针对配网的带电搭线作业,提出了一种可适用于配网作业机器人的基于视觉引导的自主搭线方法。通过配网操作机器人的摄像头采集高空高压带电作业的隔离刀闸、避雷器、跌落式熔断器以及拆搭引线等元器件的图像信息,对图像进行数据处理、分析,以此作为配网操作机器人自主定位元器件位置信息的依据,通过实时的深度学习及图像处理技术能够发现任务元器件,定位元器件的搭线区域空间坐标信息,并反馈给配网操作机器人自主完成依据设定工序的带电作业任务。通过M3D-RPN的3D目标检测网络实现配网的作业元器件实时精准检测与定位功能,并反馈给配网操作机器人目标的搭线区域空间坐标,完成作业任务。

关键词： YOLOv8   目标检测   可变形卷积   BiFPN   轻量化  

摘要： 工业场景下的布匹缝头检测在纺织应用领域越来越重要。然而,缝头检测面临着小目标尺寸、可利用特征少、复杂多变的环境因素等挑战,难以保证稳定且实时的检测的效果。针对这一系列问题提出一种基于改进YOLOv8的布匹缝头检测算法YOLOv8-DVB。根据Deformable Convolutional Networks v4的特点优化C2f模块,提出一种多尺寸特征采样的C2f-DCNv4模块,强化网络对不同尺寸特征信息的提取。在颈部网络,采用BiFPN结构作为特征融合的方式,通过引入自上而下和自下而上的双向通路,使得不同尺度的特征可以在多层次上进行更充分的融合。其次,引入更高效的VoV-GSCSP模块轻量化特征融合网络,帮助颈部网络降低计算量和参数量,减少计算负担。最后,设计一个专门的小目标检测层,优化小目标的特征提取。通过实验对YOLOV8-DVB模型与原模型以及YOLOv5、YOLOv7、和Faster R-CNN等进行比较,验证模型的检测准确率和检测精度。实验结果表明,该方法在自建数据集上获得84.7%的检测准确率,相比于原模型和其他网络模型都有着更高的准确率,能够快速有效的在复杂的工业生产环境中准确的检测到目标类别和位置。

关键词： YOLOv5   线束连接器   Focal-EIOU损失函数   双向特征金字塔网络(BiFPN)自动装配  

摘要： 针对线束连接器自动装配系统的设计需求,提出了一种改进的YOLOv5目标检测算法。通过现场图像采集创建数据集后,对原有模型进行修改:替换C3模块为C2f以提高检测的准确性和鲁棒性,采用Focal-EIOU损失函数来调整难易样本权重并增强对连接器插孔的关注度,引入双向特征金字塔网络来优化多尺度特征融合效率。经过这些改进,模型的检测精度提升至98.0%,相比原模型提升了3.4%,满足了自动装配系统的设计需求。

关键词： 选通图像   YOLOv8n   遮挡目标   小目标   大卷积核  

摘要： 激光选通成像技术在复杂环境下表现出色,但选通图像为灰度图像无法提供颜色信息,并且对比度较低,所以在进行小目标和遮挡目标检测时更加困难。为解决以上问题提出了一种改进YOLOv8n的选通图像目标检测算法。在特征提取的主干网络部分,使用大核卷积C2f-DSF更有效地捕获输入数据的全局信息。添加了多头注意力检测头Detect-SEAM模块,增强了特征提取和目标识别的能力。为了获取不同感受野的上下文信息,增强特征提取能力,使用了SPPF-M模块。采用上采样算子Dysample,减少特征信息的损失,从而提高小目标的检测精度。改进的YOLOv8n算法在选通图像数据集上mAP@0.5提高了2.4个百分点,mAP@0.5:0.95提高了1.8个百分点。为了验证改进的YOLOv8n算法的泛化性,选取KITTI数据集实验,相比于YOLOv8n算法改进YOLOv8n的mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了3.5个百分点。

关键词： Yolox-s   图卷积神经网络   虚拟现实   人机交互   手势跟踪  

摘要： 虚拟仿真实验是教育信息化的重要组成内容与实验教学改革的关键。为了丰富虚拟仿真实验的体验感,研究围绕手势交互中的关键技术展开了探究。选用改进目标检测技术与图卷积神经网络构建了手势跟踪与姿态估计模型。实验结果显示,研究改进的目标检测模型的平均精度均值最高达到0.94,损伤函数曲线最低值达到0.01。融合注意力机制与特征联合学习模块有效提升了手势跟踪模型的性能,跟踪准确率和精度分别为89.36%、90.05%,跟踪速率达到167.38帧/秒。基于图卷积的手部姿态估计模型在正确关键点百分比和估计误差上优于现有先进模型。该研究丰富了手势交互关键技术的理论基础,提升了虚拟仿真实验交互技术的革新,进一步扩展了虚拟现实技术在仿真实验中的应用。