关键词： 目标检测   卷积神经网络   故障检测   变电站电力系统设备  

摘要： 随着用电需求日益增加,电力系统设备变得更加庞大且复杂,导致传统人工巡检方式受到挑战。针对这一现象,本文旨在研究如何通过目标检测技术有效监测电力设备运行状态,特别是漏油问题。为此,本文采用性能稳定的YOLOv5卷积神经网络作为基础,通过减少检测头数量和一次特征金字塔下采样,有效降低了模型的计算复杂度和资源消耗。研究结果表明,与原始YOLOv5网络相比,改进后的模型在保证监测性能的同时,显著减少了模型推理时间、模型参数量和模型大小。这一轻量化改进为电力设备的安全稳定运行提供了有效的技术保障,也为未来电力设备故障检测技术的发展提供了新的思路。

关键词： 水下图像增强   深度学习   图像处理   色彩校正  

摘要： 为解决水下图像常见的色彩偏差和低对比度等问题,提出了一种基于轻量级非线性无激活网络的水下图像增强方法。该方法的核心主要由多个非线性无激活模块级联构成,摒弃传统激活函数,旨在实现更高效的信息传递和特征提取。此外,集成的层注意力机制能够识别并利用跨层特征间的依赖性,动态分配特征权重,强化关键特征。试验结果显示,在LSUI(Large Scale Underwater Image)数据集上,该模型与FUnIE-GAN及Shallow-UWnet相比,在SSIM指标上分别实现了8.17%和4.13%的提升,使得增强后的图像在颜色准确性、细节保留等方面取得显著改善;同时,模型的参数量分别降低98%和50%,显著提高了在设备性能受限环境下应用的可行性。研究表明,该方法不仅有效校正了水下图像的色彩偏差等问题,其轻量级特性还极为适合部署于低配硬件上,为水下成像技术的实际应用提供支撑。

关键词： 计算机视觉   绝缘升降车   位置跟踪   图像处理   模型   透视变换  

摘要： 为提升绝缘升降车位置跟踪效果,提出一种基于计算机视觉的绝缘升降车位置跟踪方法。分析物体特征点与图像特征点坐标系之间的关系,制作标定板完成照片的导入,求取摄像机参数完成标定。建立基于计算机视觉的图像处理模型,利用图像灰度变换函数提升图像质量,根据幂律曲线图像得到合适的伽马值,在透视变换过程中调整图像中的空间关系;使用CamShift跟踪方法利用颜色概率直方图作为跟踪标准,调整窗口值实现绝缘升降车位置跟踪。测试结果证明:所提方法跟踪评价指标IoU和稳像效果指标均较优,在实际应用中的可靠性较强。

关键词： 输电线路   目标检测   深度学习   在线化监测系统  

摘要： 为研究梁塬地形矿区高压架空输电线路监测技术,对比人工巡检存在效率低、任务量大、不能在线化监测及无人机巡检技术中存在操作难度大、危险系数高等问题。提出了基于多元数据融合的在线监测方法,对梁塬地形高压架空输电线路进行在线化监测实验。结果表明:采用多类传感器可实现对输电线路中杆塔倾斜、导线覆冰、微气象等参数实时监测;将可视化AI监拍装置与深度学习结合可实现对输电线路周围外破、山火、鸟害等进行实时检测;最终建设梁塬地形高压架空输电线路智能监控预警系统,解决了梁塬地形高压架空输电线路监测效率低、难度大等问题,满足了高压架空输电线路监测需求。

关键词： 图像处理   超像素   网格描述符   图像能量   拷贝检测  

摘要： 传统的图像分割方法对图像进行非重叠分块,图像哈希算法只能对图像块内部像素进行特征提取,而简单线性迭代聚类超像素分割算法能在聚合相似像素的同时额外提取形状特征,故在此基础上提出一种结合自适应网格描述符和图像能量的图像哈希算法。首先,使用双线性插值和高斯低通滤波对输入图像进行预处理,并通过简单线性迭代聚类对预处理图像进行超像素分割,对分割得到的超像素区域应用自适应网格描述符提取形状特征;同时利用超像素内部的像素具有相似亮度的特性,以亮度为计算对象求出各超像素的能量值作为图像的能量特征。最后,连接形状特征序列和能量特征序列,再利用密钥加密得到最终哈希序列。实验表明算法在鲁棒性和区别性之间达到了较好的平衡。算法的哈希运算时间为0.128 s,哈希长度为467 bits,具有较快的运算速度且哈希序列较为紧凑。分类性能方面,假阳性率为0时,真阳性率达到0.9999。拷贝检测方面,查全率和查准率均在95%以上。此外,与一些同类型算法相比,提出的算法在分类性能和拷贝检测方面也更具优势。

关键词： 轨道异物检测   目标检测   图像识别   深度学习  

摘要： 铁路运输安全非常重要,轨道上的异物可能引发事故,造成损失。为了提高检测过程的效率,引入了一种创新的检测框架来跟踪外来物体,利用目标检测和图像识别方法的协同作用。利用YOLOv5的深度学习技术,自动、准确地识别轨道外物体。YOLOv5结合图像识别技术,便具备了较强的异物分类能力。系统通过多尺度特征图识别不同大小的异物,采用数据增强技术,显著增强了模型跨不同场景的泛化能力和稳定性。YOLOv5的适应性框架可以很容易地配置模型,以满足各种特定需求。经过图像数据预处理和训练,系统可以自动提取关键信息,实现准确检测。实验表明,改进后的系统在检测精度和实时性上均优于传统方法,为铁路安全管理提供了一种高效可靠的技术。未来的研究将探索先进的模型结构和多模态数据,结合迁移学习,以提高系统性能。

关键词： 目标检测   未爆弹   YOLOv8n   注意力机制   通道剪枝  

摘要： 未爆弹因其隐蔽性强、位置分布复杂、易于意外引爆等特点,对公共安全构成严重威胁。目前深度学习在目标检测方面取得重大进展,但由于未爆弹数据集收集制作难、应用范围有限等客观因素,加之深度模型体积大,导致深度模型对未爆弹检测精度不高且不能轻量化部署于无人排爆装备。对此提出了一种基于改进YOLOv8n的轻量化未爆弹检测方法。通过在骨干网络中引入基于跨空间学习的高效多尺度注意力模块EMA用于增强特征提取,同时运用Network Slimming模型剪枝策略以损失一定精度换取模型体积、运算量的大幅降低和帧率的大幅提高。实验表明,使用所提方法改进后的模型与原模型相比,在精度上提升3.4%,模型大小减小31.5%,运算量减小33.8%,FPS帧率提高29.2%。

关键词： 深度学习   卷积神经网络   目标检测   船舶数据集  

摘要： 为促进深度学习在船舶检测领域的进一步发展,对基于深度学习的目标检测技术的进展进行梳理,对其优点和局限性进行分析和总结,并以典型技术为线索对目前流行的船舶检测算法进行分析。在此基础上,对船舶检测领域常用的评价指标和船舶图像数据集进行介绍,并对当前基于深度学习的船舶检测技术存在的问题和未来的发展方向进行探讨。研究成果可为深度学习在船舶检测领域的应用提供一定参考。

关键词： 计算机图形学   图形图像处理技术   信息采集   参数控制  

摘要： 计算机技术在现代社会中的广泛运用有助于提升大部分工作质量和效率,包括图像生成、处理在内,这为计算机图形学与图形图像处理技术的运用提供了空间。以计算机相关技术特点为切入点,分析其应用场景,并以建模工作为例研究其应用主要流程、技术要点。最后,从智能化、共享化角度出发,对计算机图形学与图形图像处理技术的发展趋势进行简述,以服务技术的进一步运用。

关键词： 模式识别   图像处理   复钩机器人   火车钩舌   目标识别   YOLOv5  

摘要： 为了准确识别不同类型钩舌,确保自动复钩机器人能够根据火车连接钩舌状态实时调整机械臂的位姿,提出了一种基于改进YOLOv5的火车连接钩舌识别方法。首先,将YOLOv5主干网络中原有的C3模块替换为梯度流丰富的C2F模块(cross feature module),YOLOv5颈部网络中原有的C3模块替换为基于FasterNet模块构建的轻量化C3_FasterNet模块,并将CoordConv模块嵌入到YOLOv5的主干网络末端。其次,基于现场实测的火车连接钩舌图像进行了识别测试。结果表明:改进的YOLOv5算法在降低模型参数量的同时,可以有效提升对钩舌目标的检测精度,火车钩舌识别精度达到了98.7%,相较于原始算法,模型参数量减少了10.8%。研究结果为复钩机器人在执行钩舌复位和车厢连接操作方面提供了一种有效的解决方案。