关键词： 计算机视觉   石化企业   火灾智能监测   网络结构   激活函数   损失函数   评价指标   消融实验  

摘要： 针对火灾现场干扰因素复杂、传统火灾报警方式相对滞后的问题,提出了一种基于YOLOv5改进的火灾识别算法。首先,通过改进激活函数提升模型非线性表达及泛化能力,改进损失函数,减少模型对非必要特征的学习;然后,通过引入注意力机制CBAM,增强模型在通道和空间的双向感知力;最后,设计改进YOLOv5算法与其他识别算法对比实验。通过定性及定量分析证明改进算法的有效性,与原YOLOv5算法相比,模型平均精准率AP提高了5.85%,整体网络性能有了较明显的提升,满足了火灾图像检测准确度、实时性的需求,测试结果证明其具有良好的性能以及应用价值。

关键词： 室内火情监测   YOLOv8   Ghost网络   CBAM   目标检测  

摘要： 随着城市化进程的加快,室内火灾预警变得尤为重要。基于视觉的深度学习技术已成为火灾检测的研究热点,但在性能上仍有较大的改进空间。因此,本文设计了一种改良版的YOLOv8s算法,以提高室内火灾检测的准确性和实时性。改进的YOLOv8s算法通过整合Ghost模块和卷积块注意力机制(CBAM),大幅降低了计算复杂度并增强了特征融合的作用。实验结果表明,该改进模型在模型参数量方面减少了44%,同时帧率提升了19.6%,检测精度也增加了2个百分点;在与其他主流算法进行对比时,在模型的精度、召回率和参数等均体现出均衡的优势。本文详细评估了这些改进对模型检测性能的影响,结果表明,改进后的YOLOv8s算法在检测速度和准确性上均表现出显著优势。本研究不仅为室内火灾监测提供了更高效的解决方案,也展示了深度学习在火灾检测中的广阔应用前景。

关键词： YOLOv8n   可变形卷积模块   注意力机制   小目标检测  

摘要： 针对复杂场景中目标特征不明显易出现漏检和误检的问题,提出了YOLOv8n_Y小目标检测算法。通过YOLOv8n模型的骨干网络引入可变形卷积模块,在目标区域感受野有限的情况下,可变形卷积模块可以自适应地调整卷积核大小,提取更多的特征信息,将Neck模块添加了CBAM注意力机制,注意力机制会集中在更为重要的物体特征上,减少了误检的概率,提升对小目标检测的准确率。结果表明,YOLOv8n_Y模型在小目标吸烟数据集上的精度提升了3.3%。

关键词： 光响应非均匀性   源相机识别   Transformer   深度学习   图像处理  

摘要： 光响应非均匀性(Photo-Response Non-Uniformity,PRNU)噪声由于其唯一性和稳定性可作为相机的指纹并可用于数字图像的源相机识别。为了提高源相机识别的精度和效率,提出一种基于U形Transformer深度网络(Uformer)的PRNU噪声提取算法。该网络使用了一种基于局部增强窗口(LeWin)的Transformer块,能够在较低计算复杂度下有效提取局部上下文信息。其次,该网络使用了一种多尺度空间偏差形式的多尺度恢复调制器,能够自适应调整Uformer解码器的多层特征,进而更好地提取图像中潜在的PRNU相机指纹。在Dresden数据集上的实验结果表明,所提出的算法在128×128像素,256×256像素和512×512像素的AUC值分别为0.8368,0.9250和0.9720,Kappa值分别为0.9005,0.7447和0.4737,均优于现有方法。

关键词： 注意力机制   尺度聚合   双线性插值   离散余弦变换   多尺度特征   特征融合   纺织品瑕疵检测   计算机视觉  

摘要： 本文阐述了一种名为SAAM-YOLOX的基于改进YOLOX的纺织品瑕疵检测模型,旨在解决纺织品瑕疵检测中针对犬牙花纹与格纹背景中出现的误检和漏检问题,以及整体检测精度不高的问题。在特征提取阶段,该模型引入了离散余弦变换所构建的多分支离散余弦注意力机制(multi-branch discrete cosine attention,MDCA),能够解决模型在犬牙花纹与格纹背景中出现的误检和漏检问题,并且在检测精度上有一定的提高;在特征融合阶段,为了聚集和加强不同尺度的语义特征,SAAM-YOLOX模型采用了尺度聚合技术和注意力机制来构建尺度聚合注意力模块(scale aggregation attention module,SAAM)。在SAAM的上采样过程中,使用双线性插值结合自注意力机制来增强特征信息的有效性,从而进一步提高检测的精度。在完成尺度聚合后,加入注意力模块来增强混合尺度的特征表示,最终实现提高检测效果的目的。实验结果表明,本文检测模型解决了犬牙花纹与格纹背景中出现的误检和漏检问题,并且提高了瑕疵检测的精度。

关键词： 红外图像   目标跟踪   轨迹预测   抗遮挡  

摘要： 针对背景遮挡导致红外地面目标跟踪失败的问题,提出了一种基于改进轨迹预测网络的红外地面目标抗遮挡跟踪器。提出了遮挡判断准则,准确判断红外地面目标的遮挡情况;改进BiTrap轨迹预测网络,一方面通过孪生网络结构引入速度信息,采用单向预测的方法,提出了SiamTrap轨迹预测网络,提高了轨迹预测的精度;另一方面,通过改进训练方法和应用方法,可以更准确地预测地面目标的轨迹。对于短期遮挡,利用SiamTrap网络基于时间上下文信息预测目标遮挡位置。对于长期遮挡,提出了搜索扩展策略来处理真实目标信息缺乏导致的预测误差积累。提出了“二次判定”准则,实现了目标的精确捕获和正常跟踪。在含有遮挡的红外目标跟踪序列上对算法进行了对比测试。与基准跟踪器相比,文中所提算法在OPE评价指标下,成功率和准确率分别提高了5.2%和5.9%。这表明文中算法在应对红外地面目标被遮挡情况下具有良好的鲁棒性。

关键词： 四足机器人   视觉引导   图像处理   避障控制  

摘要： 直至目前,国内四足机器人发展还不成熟。针对四足机器人的自主避障问题,提出一种以树莓派控制器为核心、基于深度相机的视觉引导避障控制系统。结果表明:利用该系统,四足机器人能有效避开局部路径规划中检测到的障碍物。

关键词： 光照不均   纱线倾斜   条干均匀度   直径提取   CV值  

摘要： 针对图像处理在纱线条干均匀度检测中出现的纱线图像在采集时发生光照不均以及倾斜会影响最终结果的问题,研究基于同态滤波以及Hough变换对纱线条干均匀度进行检测的方法。首先对光照不均现象用同态滤波方法将图像光照分量和反射分量分离开,对光照分量加以抑制来突出反射分量,从而消除光照不均现象,突出条干部分;其次对图像中倾斜纱线用Hough变换检测倾斜角度加以旋转校正至水平状态;最后对无噪声信号纱线图像进行图像分割提取纱线主干部分从而来计算采集到纱线的平均直径。实验表明,通过计算图像处理得到的纱线条干CV值与现有条干仪检测结果对比偏差小于4%,验证了图像处理方法的准确性,对未来形成成套的视觉检测系统有参考意义。

关键词： 目标检测   小样本学习   元学习   增量式学习   特征融合   注意力   非局部   微调  

摘要： 基于元学习的小样本目标检测算法研究的关键之处,是更好地利用支持分支的信息来更有效地帮助查询分支完成对新类目标的识别,较多算法在查询分支加入支持分支信息时只在深度方向进行融合,忽略了特征之间的空间位置关系。文中提出基于非局部支持注意力的小样本目标检测算法模型,该方法不仅在候选框特征中加入了支持信息,还将支持信息与送入候选框生成网络的特征进行融合,同时考虑了特征之间的空间位置关系,在检测模块中加入负支持样本的信息帮助模型区分异类目标。该模型在COCO2017数据集的基类和新类上均获得了良好的检测效果。在增量式学习的情况下,相比改进前,在新类AP(Average Precision)/AP_(50)/AP_(75)上分别增加了3.3/3.8/4.7 mAP(mean Average Precision),在基类AP/AP_(50)/AP_(75)上分别增加了2.7/0.5/3.3 mAP,并且超过了相同设置下SOTA(Sort-Of-The-Art)模型DAnA(Dual-Awareness Attention)的表现。

关键词： 交通工程   道路停车   巡检方法   图像处理   无人机  

摘要： 快速准确的对城市道路停放车辆进行巡检对于城市智慧管理具有重要意义。针对当前巡检方法的低效率、高成本和不准确,研究了1种基于无人机图像的巡检方法。首先,为满足全天候巡检,采用光照度增强算法对暗光条件的图像进行增强,同时采用去模糊算法对模糊图像质量进行改善。针对YOLOv5现有算法检测精度不高,实时性不强等问题,改进网络为使模型收敛速度更快,采用Focal-EIOU Loss优化损失函数;为了可以更好的适应不同大小和形状的目标,采用C2F模块替代C3模块,使用不同大小的卷积核提取特征;为了提高网络的鲁棒性及抗干扰能力,通过添加SimAM注意力机制,不增加网络模块参数且能预测特征图的3D注意力权值;采用CARAFE算子进行上采样增加感受野,全面利用特征图的语义信息。实验结果表明:改进后YOLOv5模型的准确率提高了5.1%,召回率提高了5.9%,平均精度mAP值提高了3.6%。其次,采用字符识别网络SVTR对车牌号进行识别,仅通过单个视觉模型就能完成特征提取和文本转录2个任务。通过无人机场工程应用平台进行试验,试验结果表明:该巡检方法可以准确、快速且智能完成巡检,准确度达到90%,检测速度达到170帧/s,基本满足巡检精度和实时性要求。