关键词： 火灾检测   目标检测   注意力机制   YOLOv7   EfficientNetV2  

摘要： 提出基于改进YOLOv7的火灾目标检测算法,以目标检测网络YOLOv7为基本网络,采用改进后的轻量化网络EfficientNetV2-S替换其主干网络,从而降低模型的参数量.引入坐标注意力机制,对EfficientNetV2-S的卷积模块进行改进.对损失函数进行改进,提升火灾识别的精确率.标注火灾目标检测数据集共6 150张对模型进行训练,与常见火灾目标检测算法对比验证,并进行消融实验.结果表明,该算法的检测精度和识别速度比传统目标检测算法有优势,识别精确率比原YOLOv7算法提升6.5%,识别速度提升28.6%.

关键词： 摩尔纹   广播摄像   拍摄参数   图像处理   解决方案  

摘要： 本文旨在探讨摩尔纹现象在广播摄像中的成因、影响及多种解决方案。通过理论分析与实践案例,本文提出包括改变拍摄参数、采用特殊技术、利用图像处理算法在内的多种策略,以有效减少或消除摩尔纹,提升广播摄像画面的质量与观众体验。

关键词： 非高斯重尾噪声   KL散度最小化   协方差交叉融合  

摘要： 在复杂环境下的目标跟踪系统中,由于受随机脉冲干扰、建模误差、未知异常值等因素影响,系统模型的过程噪声和测量噪声呈现出非高斯重尾的复杂特性。提出了一种在分布式融合框架下基于KL散度(KLD)最小化的算法。首先,包含了目标状态、过程噪声和测量噪声等多个参数的先验模型被构成学生t分布;其次,KLD最小化的方法解决近似分布拟合真实分布差距过大的问题,提高了学生t建模的准确性;最后,采用协方差交叉融合策略实现对局部平台状态估计融合与修正。仿真结果表明,所提算法较传统的NKF、STF、MCCKF算法,具有更高的估计精度。

关键词： 小目标检测   数据增强   特征融合   特征增强  

摘要： 为有效解决小目标难以召回、易发生漏检的问题,提出一种基于特征融合和特征增强的YOLOv3改进算法。为增强模型的泛化性能,训练时利用Mosaic和Mixup方法联合数据增强。首先,为改善小目标检测召回率低的问题,延伸原特征融合网络至更浅层,并添加自底向上特征金字塔,使浅层特征层的细节和定位信息更多地传递至深层;其次,提出一种特征增强模块,增大感受野,使浅层特征层获得丰富的深层语义信息,优化特征层的表达能力;最后,将GIoU作为回归损失函数,以降低漏检率,实现更准确的回归。在Pascal VOC2007和VOC2012上进行仿真实验,实验结果表明,改进算法在保证检测速度的前提下,mAP(mean average precision)值提高4.4%。结果充分证明本文算法能有效提升小目标检测性能。

关键词： k-d树邻近搜索法   ICP算法   管道缺陷   目标检测   图像识别  

摘要： 金属管道外表面存在凹坑、腐蚀缺陷等情况,为了准确判断管道的剩余服役寿命,提出一种基于k-d树ICP算法的油气管道缺陷最深点自动识别方法。扫描获取带有缺陷的管道点云数据,提取缺陷处至少1/3管道环向区域点云数据,建立标准圆柱件模型获取点云数据。利用ICP算法对两组点云数据进行配准,基于k-d树算法关联所有无序点云,从而加速搜索点云邻域,快速精确地识别出缺陷最深点。将该算法在天然气长输管段进行验证,以第三方专业检测机构的检测缺陷最深点数据为基准,通过计算对比发现,自动识别方法的误差率仅为0.54%,较之传统人工测量方法,测量误差率降低了3.22%,有效提高了管道外表面缺陷深度测量的准确度。

关键词： 计算机视觉   建筑结构   缺陷检测   深度学习  

摘要： 随着现代建筑技术的不断发展,建筑结构的安全性和可靠性愈发受到重视。传统人工检测方式不仅效率低、难以覆盖所有区域,还容易受人为因素影响。计算机视觉技术的引入为解决这一难题提供了新途径。文章旨在探讨基于计算机视觉的建筑结构缺陷检测算法,通过摄像头获取图像信息并利用深度学习算法自动分析图像,实现了对建筑结构缺陷的精准检测。

关键词： 计算机辅助设计   表格检测   表格结构识别   表格信息提取   表格分割   图像处理   深度学习  

摘要： 随着工程和设计行业的快速发展,计算机辅助设计(Computer-Aided Design,CAD)软件在生产设计图纸方面发挥着不可或缺的作用。然而,传统的CAD在表格数据管理和提取方面存在局限性,尤其是在处理大规模的工程图纸中的表格数据时。为了解决这一问题,提出了一种新的自动化方法来提取CAD图纸中的大型表格数据。通过将原始CAD文件转换为图像格式,并应用先进的图像处理技术和深度学习模型(SAHI算法和Cycle-CenterNet模型),能够有效地提高表格数据的识别准确率和处理效率。实验结果显示,对比直接提取表格数据,使用该方法能显著提高数据提取的精确度、召回率和F1分数,验证了其在自动化提取大型CAD表格数据方面的有效性。未来的工作将集中在优化模型架构和提升其在不同类型图纸中的通用性和效果。

关键词： DETR   Adapter   目标检测   安全行为识别   小样本学习  

摘要： 针对电力作业现场采集的图像样本少,且正负样本分布不均衡的问题,文章提出一种改进检测变压器(detection transformer,DETR)的电力作业现场安全行为识别方法。一方面,通过多次预训练的方式提高DETR模型的泛化性能;另一方面,在DETR模型中融入Adapter模块,利用少量样本进行微调。实验结果表明,所提方法在安全帽佩戴识别、短袖短裤识别、安全带佩戴识别场景中实现了较高的检测精度。在使用100张样本训练的条件下,平均精度为0.81,比现阶段先进的目标检测模型YOLOv5和Faster R-CNN分别高0.02和0.03;在使用300张训练样本的条件下,平均精度为0.84,比YOLOv5和Faster R-CNN分别高0.01和0.03,基于改进的DETR方法实现了端到端的训练,通过Adapter微调能够实现其他任务场景的快速迁移。

关键词： 行李托运   异常滞留   图像处理   余弦相似度   感知哈希算法  

摘要： 机场行李托运系统的托盘分拣机如存在分拣异常,会导致行李延误装机。针对此问题,本文提出了一种利用监控视频对其进行实时图像处理从而达到检测异常滞留行李的方法。首先对视频流进行定时抽帧处理得到正常运行下的模板图像与待处理图像,通过提取图像HOG特征向量进行余弦相似度(Cosine Similarity)计算到初步比对结果,在得到初步比对结果基础之上再次进行感知哈希算法比对(Perceptual Hash Algorithm),利用两种算法的互补性得到最终检测结果。通过为期12 h对24件异常行李的检测试验证明:相较于coco数据集的YOLOv5模型与改进帧差法改方法检出率分别提升了20.8%、37.5%,并且误报率分别降低了8.3%、20.8%。通过试验证明,该方法可以部署在托盘分拣机槽口用于检测异常滞留行李以提升行李托运系统效率。

关键词： 违规停放   汽车检测   YOLOv7   目标检测   细粒度分类  

摘要： 针对分类化检测处置汽车违规停放的交通管理需求,该文提出一种复杂场景下违规停放汽车的细粒度检测方法。该算法在YOLOv7的基础上,根据目标间相互重叠的现象,使用MPDIOU损失函数来优化边界框的几何一致性,提高目标的精确定位能力。针对目标尺度差异大的问题,在颈部网络引入MSDA模块,提升了模型对于不同尺度目标的特征感知力。面对目标区域遮挡问题,将RFCAConv卷积融入ELAN模块,以增强模型对目标关键特征的捕获能力。最后,在违规停放汽车数据集上进行对比实验,结果表明MRM_YOLO算法的精确率、召回率、mAP@0.5与F1分别达到了91.2%、86.2%、85.4%、88.6%,明显优于其他方法,验证了本方法的可行性。