关键词： YOLOv8   交通标志   小目标检测   GhostNet   CARAFE   GhostC2f   GAM注意力机制  

摘要： 针对传统网络模型在交通标志检测方面存在的小目标识别不准确的问题,提出一种改进的Ghost-YOLOv8交通标志检测模型。首先,使用GhostConv代替了全部Conv,并设计全新的GhostC2f模块来替代全部的C2f,使模型轻量化;其次,将上采样算法替换为CARAFE,以更好地保留图像的细节信息;然后,在Neck部分引入了GAM注意力机制模块,以增强特征中的语义信息和位置信息;最后,为了解决检测小目标时尺度不一致导致的语义信息丢失问题,添加了小目标检测层,以增强深层和浅层语义信息的融合。实验结果证明,该模型在中国交通标志检测数据集TT100K中的召回率、mAP@0.5、mAP@0.5:0.95指标分别提高了6.8%、4.0%、3.6%,并且模型的参数量及模型大小分别降低了1.069×10^(6)、1.9 MB。综合说明,所提出的模型在精准度不变的前提下,减少了模型的参数量及大小,并能更好地检测到原模型检测不到的小目标;同时,比对比算法具有更好的性能表现,并且适用于边缘计算设备,具有实际应用价值。

关键词： YOLOv8s   计算机视觉   雾天目标检测   注意力机制   特征融合  

摘要： 针对现实场景中雾天目标检测困难的问题,提出了一种改进YOLOv8s的雾天目标检测方法。设计前端模块Edge-Dehaze,利用去雾网络和检测网络联合训练并通过Sobel算子强化雾天图像边缘信息以改善雾天场景下的检测效果;提出混合注意力特征融合模块HAFM,通过并行注意力机制和特征图之间的信息交互与融合提升模型对重要特征的关注度;设计轻量化共享注意力卷积检测头LSACD,通过共享卷积降低检测头参数量,在共享层中引入SEAM注意力机制缓解雾天目标检测的遮挡问题。在RTTS数据集上的实验结果表明,改进后的YOLOv8s网络相对原始YOLOv8s网络mAP50提升了1.8%,mAP50-95提升了1.7%,参数量基本持平,从而验证了该算法在雾天目标检测上具有较高的准确性及实用性。

关键词： 计算机视觉   水轮机叶片   状态检测   卷积神经网络  

摘要： 水轮机叶片作为水轮机核心部件,其状态的监测与维护直接影响到水轮机的运行效率和安全性。传统的叶片检测方法往往依赖人工检查和机械设备,这些方法不仅效率低下,而且存在较大的主观性。近年来,基于计算机视觉的检测技术逐渐被引入到水轮机叶片的状态监测中,展现出了显著的优势。本文提出了一种基于计算机视觉的水轮机叶片状态检测方法,其目的是通过计算机视觉技术,实现对水轮机叶片状态自动、高效和准确的检测。

关键词： 输电线路   无人机   图像处理   深度学习   卡尔曼滤波  

摘要： 目前,基于无人机平台的输电线检测模型存在数据依赖高、计算量与参数量大、检测精度有限等问题,为此,提出一种基于无人机的输电线智能巡检方法。提出改进的Faster R-CNN缺陷检测算法,分别使用MobileNet、软非极大抑制和上下文感知感兴趣区域池化层,提高模型检测精度以及对小尺寸元件的敏感度。鉴于图像中的复杂噪声环境,应用卡尔曼滤波算法对检测结果进行优化校准,以此提升模型的检测精度和稳定性。以地面高性能服务器训练以及无人机平台实际测试为例验证所提模型。测试结果表明,与YOLO、SSD和Faster R-CNN相较,所提模型性能最优。通过无人机平台测试,所提模型的平均精度为84.37%,网络规模为19.8MB,FPS可达28.7帧/s。

关键词： 目标检测   搜索跟踪转台   YOLOv7   背景差分  

摘要： 针对搜索跟踪转台高分辨率图像的要求,结合搜索跟踪转台的运动特点,提出了一种基于背景建模和YOLOv7的图像目标检测方法。首先,根据转台的运动参数,将提前采样的背景图像,由投影透视校正得到连续的背景图像,进而由背景差分法得到运动前景目标;其次,以YOLOv7作为该算法的目标检测器,结合转台背景信息半固定的特点,将背景图像作为训练数据进一步训练得到优化的网络参数;最后,搭建实验平台,建立了行人检测实验数据集。实验结果表明,本模型相比于原YOLOv7模型的召回率提升了6.56%,精确率提升了5.36%,可有效应用于高分辨率搜索跟踪转台的目标检测任务中。

关键词： 目标检测   小麦穗   旋转矩形框   YOLOX   坐标注意力模块   KL额度   损失函数  

摘要： 小麦穗检测对于农业估产和育种研究具有重要意义,但由于小麦穗角度和姿态多变且存在遮挡和尺度变化等因素,给目标检测带来较大困难,提出一种针对小麦穗旋转目标检测的改进方法YOLOX-RoC,该方法在YOLOX基础上使用旋转矩形框代替水平矩形框,更好地拟合小麦穗的轮廓和方向,减少背景干扰和重叠区域,使模型更具灵活性,更准确地捕捉小麦穗的特征;添加坐标注意力模块并采用KL散度损失函数代替交叉熵损失函数,提高对旋转目标的感知能力并解决旋转敏感度的误差度量问题,优化旋转目标的定位精度。利用基于图像合成的Copy-Paste数据增强方法,生成更多的训练样本以提高模型对不同尺度、姿态和遮挡情况的泛化能力,提高模型的鲁棒性。试验结果表明,YOLOX-RoC的AP比基准模型提升2.4百分点,针对小尺寸和被严重遮挡的小麦穗目标可以更准确地预测目标边界和角度,减少漏检和误检。本研究为小麦穗目标检测提供了一种准确和鲁棒的解决方案,为小麦估产和育种的智能化奠定了技术基础。

关键词： 电力指针式仪表   自动读数   计算机视觉  

摘要： 电力指针式仪表在变电站内应用广泛、功能强大。然而,传统的人工读表方式效率低下,且在恶劣环境下读表准确性欠缺,故在电力智能化升级的背景下,针对指针式仪表开发自动读数算法显得尤为重要。因此,提出一种基于计算机视觉技术的电力指针式仪表自动读数算法,首先对采集到的仪表盘图像进行双边滤波降噪和灰度化的预处理,然后利用霍夫圆变换方法定位仪表盘边缘,运用霍夫直线变换拟合仪表盘上的指针和刻度线,最后通过角度法获得仪表盘读数。采集滁州变电站的避雷器组仪表图像进行验证,实验结果表明,该算法的平均绝对误差为0.02,平均相对误差为1.8%,在不同环境下均能实现高精度读数,可实现对人工读数的技术替代并赋能电力智能化巡检。

关键词： 车牌识别   图像处理   定位算法   字符分割   模板匹配  

摘要： 针对现有车牌识别算法存在的环境适应性差,识别正确率低和识别时间过长的问题,提出了一种基于模板匹配的车牌字符自动识别算法。将所采集的车牌图像进行车牌定位、车牌预处理、车牌分割,实现车牌准确识别。车牌定位采用基于颜色的定位方式,并搜索区域内有效像素,保证定位成功。为了提升去噪性能,车牌预处理过程中采用了离散余弦变换和形态学处理技术。为了提高分割精度,利用水平投影获取上下边界,再利用垂直投影获取字符宽度后分割。最后采用模板匹配法识别车牌字符,缩短了识别时间。实验表明该算法运行时间短,识别正确率达到100%。

关键词： 深度学习   目标检测   X光图像   违禁品检测   结构重参数化   损失函数  

摘要： 公共运输中X光违禁品检测对公共安全起到至关重要的作用,检测精度低会导致公共安全事故,检测速度慢会引发安检通道堵塞等问题,为了在检测精度和检测速度之间达到平衡,提出了使用结构重参数化与任务对齐的检测模型。首先使用对硬件友好的结构重参数化网络作为骨干网络,降低网络的计算复杂度,提高网络的推理速度。其次使用任务对齐检测头,使网络在进行分类和定位任务时可以联合训练,增强对抗前后景噪声干扰的能力。最后采用TSIoU作为损失函数,增强分类和定位任务之间的交互,降低损失函数的自由度,提高损失度的稳定性。在HiXray数据集上进行实验,结果表明,改进之后模型与基线模型YOLOv7相比,数据集中存在的前后景复杂问题得到明显改善,且mAP@0.5和mAP@0.5∶0.95达到了84.1%、 46.1%,相比于基准模型提升了1.8%和1.5%,FPS从原有的76帧提升85帧。提出的新网络与当前主流目标检测网络相比,具有较优的检测精度与实时性。

关键词： 图像处理   目标检测   YOLOv7算法   聚类算法  

摘要： 为解决水表示数自动识别问题,探索一种高效、准确的图像识别技术,以替代传统的人工读取方式。采用YOLOv7算法,结合图像处理技术,构建了一套自动化的水表示数识别系统。在水表公司内采集大量水表图片,以此为基础构建训练数据集。利用YOLOv7算法训练神经网络模型,实现对水表图像中关键元素(如水表字轮、整体水表及带指针的圆形分度盘)的精准检测。实验结果显示,该识别系统在识别水表字轮、水表整体及带指针圆形分度盘时的准确率(mPA@0.5)达到了97%,展现出卓越的性能。该系统不仅实现了快速检测,还确保了高准确率,显著提升了水表读数的效率与准确性。相较于传统的图像处理方法,基于YOLOv7算法的水表示数自动识别方法无需固定安装相机,对图像采集条件的要求更为宽松,因而具有更高的泛用性和实用性。该方法在水表等仪器仪表读数自动化领域具有重要的应用价值,有望推动相关行业的智能化进程。