关键词： 深部巷道   模型试验   计算机视觉   碎胀变形   裂隙演化  

摘要： 巷道破裂围岩大变形是深部煤炭开采过程中围岩稳定性控制的难点。针对该问题,本文通过大比例相似模型试验,采用自主研发的计算机视觉量测系统进行围岩全场精细化变形测量和破裂识别表征,探究了深部巷道围岩的碎胀变形演化特征。研究结果表明:裂隙的数量、长度和面积发育演化可分为径向裂隙发育和环向裂隙发育2个阶段;巷道围岩变形存在位移变化不一致现象,径向裂隙发育阶段以竖向位移为主,环向裂隙发育阶段以水平位移为主;在荷载作用下,有无支护结构巷道围岩均会发生剪切破坏,支护结构能够有效限制剪切破坏后围岩块体相互滑移错动,减小巷道的碎胀变形;深部巷道围岩变形破裂演化具体表现为巷道围岩沿结构面发生剪切破坏,产生径向裂隙切割围岩体;随荷载增加,围岩块体发生错动滑移,产生环向裂隙进而产生碎胀变形。

关键词： 浒苔打捞装置   智能   视觉识别   图像处理  

摘要： 针对现有的浒苔打捞装置打捞效率低、自动化程度低等问题,设计了一种基于视觉识别的智能浒苔打捞装置。该装置主要分为硬件系统和软件系统。硬件系统主要由收集带、电动液压推杆、输送带、打包脱水装置组成,结构简单直接随船通用,其中电动液压推杆用于调节收集带的入水深度,以适应不同海况下不同厚度的浒苔打捞需求。软件系统包括搭载在高性能计算机上的上位机和监控系统,其中上位机包含3种控制方式且互为备份,提高了系统的鲁棒性,为海上作业提供了安全可靠保证。智能控制单元包含视觉传感器、可编程逻辑控制器(PLC)、遥控控制器以及按键控制组件,通过视觉识别和智能控制技术,实现自主识别、切换工作模式进而打捞浒苔的任务。通过设计制造该装置和海上试验,验证了智能浒苔打捞装置的有效性。

关键词： 激光雷达   恶劣天气   真实数据集   仿真数据集  

摘要： 自动驾驶车辆高度依赖传感器收集环境信息,其中LiDAR传感器因能提供精确的三维空间信息而在该领域广泛应用。然而,恶劣天气条件(例如雾、雪、雨等)会导致LiDAR光束散射与折射,进而降低探测精度并影响目标检测性能。因此,研究如何有效缓解LiDAR在恶劣天气下目标检测性能的下降显得尤为重要。利用恶劣天气条件下的真实数据集,探讨了通过数据增强技术模拟恶劣天气以生成仿真数据集的方法,通过分析这些方法的优势与局限性,指出了未来研究的重点与难点。

关键词： 故障检测   计算机图像处理   通信技术  

摘要： 阐述结合计算机图像处理和通信技术,提出输电线路故障检测和定位的优化方案,包括输电线路图像预处理、图像特征提取、故障检测率提升,以及故障信息传输、实时数据处理、响应时间优化。

关键词： 信息融合   算法优化   图像处理   智慧电厂   毫米波雷达  

摘要： 通过对安全防护需求的图像处理及雷达扫描技术建模研究,开发了基于图像处理与雷达信号相融合的防碰撞系统。通过计算测试分析,在多干扰噪声情况下系统最大误差为42 mm,处于合理误差范围内,完全满足实际工程需要,这对实际燃煤电厂内煤场的设备运行安全提供了一定的技术保障,同时实现了人与其他设备的安全防护要求。

关键词： 智慧教育   学生行为检测   目标检测   注意力机制   大可分离核心注意力模块  

摘要： 为了加快教育的数字化转型,人工智能技术融入教与学全过程行为的精准分析与实证应用已成为当前的研究热点。针对目前学生课堂行为检测中存在的检测精度低、目标框密度高、重叠遮挡严重、尺度变化大以及数据量不平衡等问题,创建学生课堂行为数据集DBS Dataset,并提出一种基于改进YOLOv8的学生课堂行为检测算法VWE-YOLOv8。首先引入注意力机制CSWin-Transformer,增强模型对图像全局信息的提取能力,提高网络的检测精度;然后集成大可分离核心注意力(LSKA)模块到SPPF架构中,增加模型在多尺度目标上的识别能力;接着将遮挡感知注意力机制融入到检测头的设计中,将原有的Head结构修改为SEAMHead,实现模型对遮挡物体的有效检测;最后引入权重调整函数Slide Loss来处理样本不均衡问题。实验结果表明,与YOLOv8相比,在DBS Dataset和公开数据集SCB Dataset上,改进后VWE-YOLOv8的mAP@0.50分别提高了1.16%、1.70%,mAP@0.50∶0.95分别提高了7.36%、2.13%,精度分别提升了4.17%、6.74%,召回率分别提升了1.96%、3.13%,说明该算法具有更高的检测精度和较强的泛化能力,能够胜任学生课堂行为的检测任务,有力支撑智慧教育应用,助力教育数字化转型。

关键词： 小肠病变   卷积神经网络   人工智能   胶囊内镜   目标检测  

摘要： 目的基于不同卷积神经网络开发人工智能辅助系统,用于自动检测小肠胶囊内镜(CE)拍摄的11类小肠病变图像,提高诊断的效率、准确性和客观性。方法收集来自3个不同医学中心,使用3种不同品牌设备拍摄的CE图像,构建图像数据集,用于不同卷积神经网络模型的训练和测试,共含13683张图像和15117个注释标签。模型性能评估指标包括平均精度、准确率、敏感性、特异性、假阳性率、检测速度。结果构建了2种YOLO模型和2种RTMDet模型,在包含2729张CE图像(4801注释标签)的测试集上,RTMDet_m模型取得了最佳的mAP50(82.58%),但也展现出最慢的延迟时间(47.28帧/s)。模型达到了82.76%的整体敏感性和95.91%整体准确率;在具体类别的推理中,敏感性最高的类别是“出血”,而最低的类别是“黏膜下肿瘤”。结论使用混合品牌CE图像开发的人工智能模型能够快速准确地检测与分类11种小肠病变,在帮助医师提升CE诊断效率和准确性方面展现出很好的临床应用潜力。

关键词： 深度学习   目标检测   目标跟踪   船牌识别   图像分类  

摘要： 当前小型渔船监管的信息化水平不高,依赖人工巡查监管存在漏检误检,易导致渔业生产安全隐患。针对此问题,首先,构建了小型渔船的进出港目标识别以及人员安全检查的系列深度学习模型;其次,开发了一套渔船进出港监管系统,实现了渔业生产管理的智能化;最后,将监管系统成功部署,促进了烟台长岛渔业生产监管的智能化。该系统实现了渔船及人员目标检测与轨迹追踪、船牌识别、救生衣穿着检测等功能,并与年审渔船信息以及违禁出海管理等对接,实现对渔船未年审出海、违章载客、未穿救生衣、违禁出海等违规活动的告警。研究工作提高了渔船进出港监管效率,降低了渔业生产的安全隐患。

关键词： 布局估计   注意力机制   计算机视觉   深度学习  

摘要： 应用场景理解算法时,现有多任务学习方法存在任务冲突。为此,提出了一种高精度布局估计模型(High Accuracy Layout Model,HALayout),并基于注意力机制设计了一种分支混合注意力模块(Branch Hybrid Attention Module,BHAM)。利用分离融合结构强化模型对不同特征的分辨能力,使算法能够更好地处理特征之间的共性和差异性,提高模型的最终计算精度;使用Structured3D数据集测试HALayout性能,并设计消融实验验证BHAM网络模块有效性。与改进之前算法相比,HALayout各项性能指标均有提升,其中IoU指标提升了2.71%,达到84.11%。

关键词： 痕迹识别   交通事故重建   “鳞”状刮擦痕迹   图像特征  

摘要： 目前,在交通事故处理实务中,对于车体刮擦痕迹鉴定研究集中在车漆的留存性检验和碰撞部位的确认方面,对在碰撞中形成的“鳞”状刮擦痕迹图像学特征缺乏深入探讨。首先分析车漆分层结构和涂层特性,阐释“鳞”状刮擦痕迹形成机理,然后对典型事故案例图像进行采集处理,通过改进EDCircle算法挖掘图像细节特征。以选取案例为基础,夹角范围设定在[10°,30°)区间,识别准确率能够达到90%以上,漏检率低于30%。最后通过案例验证,“鳞”状刮擦痕迹图像分析方法具有较高的情景重建能力,作为鉴定技术手段,可有力支撑事故的认定工作。