关键词： 轨道交通   钢轨   表面伤损   目标检测   图像识别  

摘要： 基于智慧工务对钢轨轨面状态和伤损的精准识别、定量化修理等需求,结合深度学习和机器视觉,提出了钢轨轨面伤损细粒度图像识别与量化方法。通过采集轨面状态和伤损图像并实现伤损细粒度标注,建立轨面伤损RD-1094数据集,其中的目标密度达到了每图22.9个。建立轨面伤损深度学习目标检测算法,通过对RD-1094数据集的训练和学习,实现了对0.5~30mm的剥离掉块、波长20~200mm的波磨等轨面伤损及其各自发展阶段特征的识别,达到毫米级细粒度。算法对单双排波磨、细小密集和轻重伤剥离掉块、单支和成片疲劳裂纹等能较好的兼容性,可以实现轨面光带形位、伤损尺寸、轻重伤总数、分布面积、波磨波长等状态和伤损的量化评估。

关键词： YOLO11   路面缺陷检测   目标检测   深度学习  

摘要： 本文针对路面缺陷检测方法在精度、效率及小目标检测能力方面的不足,提出了一种基于YOLO11的改进算法。通过设计EIEStem模块替代骨干网络的前两个卷积层,融合边缘特征和空间信息,有效提升了模型对小缺陷的检测能力。实验结果表明,改进算法在mAP0.5、推理速度(FPS)等指标上均展现显著优势:在mAP0.5上达到0.854,比原YOLO11提高1.5%,相比Faster-RCNN提升12.7%;推理速度达到113.3 FPS,相较YOLO11提高了约15.8%,远超Faster-RCNN的21 FPS。此外,计算量仅小幅增加,GFLOPs从6.3增至6.4,验证了改进算法的高效性与优越性。This paper addresses the limitations of road defect detection methods in terms of accuracy, efficiency, and small object detection capabilities. An improved algorithm based on YOLO11 is proposed by introducing the EIEStem module to replace the first two convolutional layers of the backbone network, integrating edge features and spatial information to enhance the detection capability for small defects. Experimental results demonstrate that the improved algorithm achieves significant advantages in key metrics such as mAP0.5 and FPS: achieving an mAP0.5 of 0.854, which is a 1.5% improvement over the original YOLO11 and a 12.7% increase compared to Faster-RCNN. It achieves an inference speed of 113.3 FPS, approximately 15.8% faster than YOLO11 and far exceeding the 21 FPS of Faster-RCNN. Additionally, the computational cost only increased slightly, with GFLOPs rising from 6.3 to 6.4, confirming the efficiency and superiority of the improved algorithm.

关键词： 人工智能技术   机器学习   图像处理   可解释性   数据价值   神经网络   跨学科领域   生物医学成像  

摘要： 人工智能和机器学习作为当代科技发展的核心驱动力,正在深刻改变世界。近年来,深度学习模型的突破性进展,如生成对抗网络(GAN)和图神经网络(GNN),进一步拓展了人工智能的应用边界。但该领域仍面临如何提高模型的可解释性、增强其在复杂环境中的稳定性和泛化能力,以及如何在保护隐私的同时充分利用数据价值等挑战。围绕行业痛点与挑战,香港理工大学李青教授课题组(以下简称“课题组”)提出最小二乘生成对抗网络(LSGAN),解决了传统GAN面临的关键挑战,在图像处理、生物医学成像等多个跨学科领域实现了创新应用,推动了人工智能技术的跨界融合。

关键词： 卷积神经网络   监督学习   原子力显微镜   针尖形状预测   深度学习   图像处理  

摘要： 原子力显微镜(AFM)探针针尖形貌尺寸是表面微纳结构精确测量、局域物理化学特性准确表征中的关键参数。基于数学形态学的传统方法,针尖盲估计方法可以仅根据扫描图像来评估针尖形状尺寸,但其往往能给出的是针尖尺寸上限值并非真正的针尖尺寸。而且此种方法受扫描噪声影响较大,获得的尺寸精度难以完全满足需求。针对该问题,基于编码器-解码器架构的卷积神经网络,进行了AFM针尖形貌尺寸的稳定、准确的估计研究。在网络的监督学习训练中,以包含不同半径和数量的纳米颗粒结构,应用数学形态学膨胀算法模拟一系列设定半径针尖的扫描图像作为训练数据集,并以平均绝对误差作为损失函数来更新网络参数。结果表明,卷积神经网络模型对于针尖半径包含在训练集范围内的探针所得扫描图像具备准确预测针尖尺寸的能力。但是当扫描图像的对应针尖尺寸超出该范围时,预测的准确性会降低。此外,通过引入叠加噪声的训练数据,模型的预测能力显著提高,可以准确预测含噪声的扫描图像所用探针的针尖尺寸,且无需额外去噪处理。随后在实际AFM扫描图像上的测试结果证实了该方法预测针尖形貌尺寸的有效性。最后通过模拟和实验数据验证了同样的方法还可以用在受针尖效应影响的图像处理上。

关键词： Hough变换   Yolov5   倾斜校正   条码识别   图像处理   机器视觉  

摘要： 为了解决复杂背景下条形码不易定位识别的难题,提出一种基于Hough变换和深度学习相结合的方法对条形码进行校正定位。首先对待检测图像进行灰度化、高斯模糊以及边缘检测等预处理;然后利用Hough变换检测条形码图像中的线段,进行旋转校正,校正后的图像经Yolov5对条形码进行识别和提取,完成条形码的识别分割。文中方法对不同样式条形码均有较好的识别效果,旋转校正的精确度达到99.31%,识别平均精确度达到99.40%,召回率达到99.79%,推理时间为10.5 ms。提出的方法可对任意角度倾斜进行校正,识别条码具有较高的准确率,对条形码定位识别具有一定的应用价值。

关键词： 深度学习   图书   目标检测  

摘要： 在数字化时代下大学图书馆依然保存着大量的纸质书籍,学生在阅读时会将书籍和随身携带的物品混杂在一起。本文针对上述情况研究了复杂环境下的深度学习目标检测模型来实现图书的自动识别与检测。首先,依托贵州大学图书馆构建了标签数据集;其次,搭建了基于SkipNet和mobileNet的混合模型;最后,将训练好的模型在验证集上进行了测试验证。从结果可知本文采用的模型架构在测试集上实现了98.5%的精度并且具有领先的运行速度。

关键词： YOLOv5s   路面坑槽   目标检测   自适应空间特征融合(ASFF)   FasterNet  

摘要： 为提高道路安全巡检工作中路面坑槽隐患的检测效率和自动化水平,降低交通事故发生概率,构建一种基于改进YOLOv5s的路面坑槽隐患智能检测模型。在原YOLOv5s网络中加入自适应空间特征融合(ASFF)模块,将主干网络替换为FasterNet网络,引入轻量通道注意力(ECA)模块;通过消融试验分析改进模块对检测模型性能的影响,验证目标检测效果,并开发交互式可视化检测界面。结果表明:改进后的模型精度、召回率和平均检测精度分别提升了4.1%、9.9%和5.6%。较原网络有较为显著的提升,具有良好的检测效果,能够满足路面坑槽自动化检测的应用需求,提高巡检效率,减少因路面坑槽导致的交通事故。

关键词： FCOS   链轨节   目标检测   Swin Transformer   CA-PAFPN  

摘要： 针对现阶段链轨节生产线上磁粉探伤检测任务中小尺寸裂纹缺陷难以检测,以及复杂背景下缺陷识别准确率不高的问题,提出一种改进的FCOS缺陷检测方法 FCOS-TCA。首先,引入Swin Transformer作为特征提取网络,提升对小目标的特征提取能力;其次,基于路径聚合特征金字塔网络与协调注意力机制提出CA-PAFPN模块,以促进高低维多尺度特征信息融合;最后,将边界框回归损失函数优化为EIoU_loss损失函数,以加速模型收敛,提高回归精度。采用自制TL数据集进行验证分析,结果表明,FCOS-TCA模型平均精度为83.7%,与原始FCOS模型相比提升了6.5%,对于推动链轨节表面以及次表面缺陷检测发展具有一定的参考价值。

关键词： 输电通道   空飘物   目标检测   尺度变化  

摘要： 在电网长期运行期间,空飘物威胁输电线路安全稳定运行。针对密集输电通道场景复杂及漂浮物形态与尺度快速多变,难以兼顾检测准确性与实时性的问题,提出基于多尺度融合的密集输电通道空飘物检测算法。该算法以路径聚合网络为基础,融合快速空间金字塔池化模块,添加动态蛇形卷积和小目标检测层提升检测性能,采用置换注意力机制与加权交并比损失函数降低复杂背景干扰。试验分析表明,该算法可有效应对移动引发的尺度变化,精度和速度均优于其他目标检测算法。

关键词： 机器视觉   插件面板   标识点   定位   最大类间方差法   二值化  

摘要： 针对现行插件面板标识点定位方法应用时定位相对偏差较大的问题,该文提出基于计算机视觉的插件面点精准定位方法。首先,配置机器视觉系统,对插件面板图像获取。其次,采用最大类间方差法对插件面板图像进行二值化处理。最后,利用机器视觉技术对图像坐标系进行转换,确定标识点在机器坐标系中位置,实现插件面板标识点的定位。实验证明,设计方法定位相对偏差不超过1 mm,定位效果较好。