关键词： LED   图像处理   室内定位系统   可见光通信   质心算法  

摘要： 本文介绍了一种利用OpenMV图像传感器进行室内定位的方案。该系统使用三个白光LED发射光信号,图像传感器进行信号采集,用质心计算作为定位算法,对图像传感器的相对位置进行检测和计算,从而进行定位。在没有其他干扰源的情况下,该方案能够在提供正常光照的环境中稳定进行室内定位,前提是环境光条件相对稳定。

关键词： YOLOv8s   红外小目标检测   深度非跨步卷积   Shape_IoU损失函数   双注意力机制  

摘要： 针对红外成像面积小、分辨率低、易被遮挡导致漏检、检测精度低等问题,本文提出了一种基于SSE-YOLO的红外小目标检测算法。首先在YOLOv8s的基础上引入深度非跨步卷积模块,避免检测过程中细粒度信息的丢失并提高特征学习的效率;其次在特征提取阶段增加专门针对小目标的检测层,以提升模型对红外小目标的提取能力;此外设计了一种高效的双注意力机制(efficient dual-attention mechanism,EDAM),自适应地学习每个通道和空间位置的重要性,从而更好地捕捉图像中的关键信息;然后使用Shape_IoU损失函数来聚焦边框自身形状与自身尺度,进一步提高边框回归的精确度;最后在FLIR数据集和艾睿光电公司拍摄的数据集上进行了一系列实验。结果表明:本文所提方法在两种数据集上的平均精度分别达到了89.8%与92.1%,相比于原始的模型分别提高了3.3%与2.9%。

关键词： 计算机视觉技术   电子通信设备检测   性能优化   效果评估  

摘要： 电子通信设备复杂性攀升,将传统检测技术推向极限边缘。领域内人员全力革新检测效能,深入挖掘计算机视觉技术应用,通过算法优化降低计算负担、硬件加速提升处理效能,并以检测精度等关键指标全面评估成效。实证数据表明,该技术显著提高检测精度与效率,为电子通信设备检测筑牢防线,推动行业迈向新的发展高峰。

关键词： 计算机视觉   矿用皮带机   YOLOv8网络模型   图像处理  

摘要： 工业生产环境中的皮带机经长期运行后,容易出现偏移现象,引发生产事故。针对该问题,提出了一种基于视觉系统的矿用皮带机调偏方法,通过高分辨率摄像头捕获现场图像,经改进的YOLOv8网络模型定位调偏区域后,对定位区域进行灰度处理,使用设计的偏移判定算法对皮带边缘像素进行提取计算,绘制得到皮带边缘线,最后根据边缘线位置获得当前皮带位置与标准位置的偏移差,将该距离值送入下层硬件系统,使皮带调节装置设备产生正确响应调整,从而完成皮带机的实时检测及自动矫正偏移过程。

关键词： 目标检测   黑烟检测   YOLOv8   轻量级模型   注意力机制  

摘要： 柴油车辆排放黑烟是道路交通环保执法的重点和难点。由于受复杂环境条件的影响,针对目前黑烟检测存在精度和速度方面的不足,提出一种基于改进YOLOv8的轻量级柴油车辆排放黑烟的检测模型。首先,在YOLOv8主干网络的基础上,设计一种轻量化特征提取模块C2f-FasterRep提高模型的特征提取能力,同时C2f-FasterRep模块引入上下文锚框注意力机制模块来捕捉长距离的上下文信息,利用全局平均池化和条形卷积增强特征图中心区域的特征,从而提高检测精度;其次,在颈部部分提出一个新的网络结构用于融合主干网络提取的特征,并使用通道注意力模块和维度匹配机制对不同尺度的特征进行融合,增强了模型的多尺度特征融合能力;最后,使用Transformer解码器结构优化YOLOv8模型的检测头,同时,采用交并比感知的查询机制,有助于解码器查询的优化,提高了模型的分类和定位的性能。为保证实验的真实性和有效性,利用部署在河南许昌某道路断面的检测设备采集数据并进行测试验证。实验结果表明,该方法的mAp为95.4%,精确率为94.5%,召回率为97.5%,与现有的黑烟检测方法相比,具有更高的检测精度和更快的检测速度。消融实验结果表明该轻量化特征提取模块、特征融合模块和检测头有利于提高模型检测精度。

关键词： 深度学习   生活垃圾检测   YOLOv8   目标检测  

摘要： 随着社会的进步和生活水平的逐渐提高,生活垃圾也日益增加,垃圾分拣工作面临着工作环境复杂、对工作人员体力要求高等挑战。为了提高生活垃圾分拣效率,提出一种加强特征模块融合、引入注意力机制和MPDIoU损失函数的改进YOLOv8的生活垃圾检测模型,用于生活垃圾检测和分类。首先,利用GOLD-YOLO中的Gatherand-Distribute机制对特征融合模块进行改进;其次,将注意力机制的目标检测头添加到模型中,并将损失函数替换为MPDIoU,从而提高模型对生活垃圾的检测性能;再次,在改进算法结构后,通过实验数据比较对训练策略加以改进;最后,在生活垃圾数据集上进行了验证。结果表明,经过改进后的模型检测精度明显提升,mAP@0.5和mAP@0.5∶0.95分别提高了0.4%和2.9%,生活垃圾检测能力得到有效提升。

关键词： YOLOv8   多尺度检测   通道注意力机制   特征融合   深度可分离模块  

摘要： 针对无人机巡检输电线路过程中待检测目标受复杂背景干扰、故障目标部分遮挡以及目标多尺度造成传统算法难以准确检测的问题,提出一种基于CSD-YOLOv8的输电线路故障目标检测方法。首先,以YOLOv8网络作为基础框架,并在其主干网络中引入空间金字塔池化将不同尺度特征进行融合;然后,在检测网络头部中引入深度可分离卷积,并将其与交叉卷积连接模块结合,实现对部分遮挡目标的准确检测;此外,设计基于通道注意力机制的特征融合模块对不同层级特征进行加权融合,提高复杂背景下故障目标特征信息提取能力;最后,利用某电力巡检部门近5年的巡检数据对所提出算法进行验证。结果表明:相比于4种经典对比算法,所提方法在对12种故障类型检测效果的综合指标最好,平均检测精度为94.7%,召回率为93.0%。与此同时,所提算法具有较好的实时性,对于分辨率为1280×720的图像检测速度为45帧/s,为输电线路的智能巡检奠定了坚实的理论基础。

关键词： 目标检测   RevCol网络   YOLOv5   Dynamic head检测头   MPDIoU   烟火检测  

摘要： 现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。

关键词： 目标跟踪   交互式多模型   自适应   马尔可夫矩阵   无迹卡尔曼滤波  

摘要： 为解决传统交互式多模型(interactive multiple model, IMM)算法在车辆目标跟踪中存在模型概率变化不明显和跟踪精度不足问题,提出一种改进的自适应IMM-UKF(unscented Kalman filter)算法。首先采用匀速直线、匀加速直线和匀速转弯来建立车辆的运动模型,并通过无迹卡尔曼滤波对车辆目标进行跟踪。然后将子模型概率变化率作为IMM算法修正参数,对马尔可夫矩阵主对角线和非主对角线元素采用不同的修正策略。最后设置判定窗修正归一化后的马尔可夫矩阵主对角线元素,以扩大匹配模型的概率。结果表明,改进算法模型概率变化更加明显,位置和速度均方根误差均要小于原有算法,有效地提高了跟踪精度。

关键词： YOLOv7   深度学习   输电线路缺陷检测   小目标检测   多尺度融合   Swin Transformer   β-dropout   自适应特征融合   损失函数  

摘要： 针对在复杂背景下输电线路多尺度缺陷目标检测精度较低的问题,文中提出一种基于改进YOLOv7(You Only Look Once version 7)的输电线路多类缺陷目标检测模型。对于复杂背景造成缺陷目标较低的问题,在Backbone部分引入改进的Swin Transformer模块,通过使用多头注意力机制提升对全局特征的提取效果来提高模型的检测精度。对于待检测目标的多尺度特性,在特征金字塔基础上引入自适应特征融合模块,提升了Neck部分特征融合网络对多类不同尺度缺陷目标的检测能力。使用SIoU(Structured Intersection over Union)损失函数在提高预测框回归精度的同时加快了模型的收敛。实验结果表明,相较于YOLOv5、YOLOv7和Faster R-CNN(Faster Region with Convolutional Neural Network)模型,改进YOLOv7模型具有较高的检测精度,其平均检测精度可达96.4%,检测速度为29.6 frame·s^(-1),能够为输电线路多类缺陷目标检测提供参考。