关键词： 智能车辆   目标检测   无先验框   CenterNet   轻量化   深度可分离卷积  

摘要： 针对当前目标检测算法参数较多,计算量较大,导致响应速度较慢,难以推广应用于智能车辆系统的问题,提出一种改进的CenterNet目标检测算法。即应用轻量化MobileNetV3网络替换原ResNet-50网络,降低计算量;应用深度可分离的PANet替换特征增强网络,获得多尺度特征信息融合后的特征,并引入SimAM注意力机制在特征融合前强化目标特征关注度,再用SiLU激活函数替换原目标检测网络中的ReLU激活函数,增强网络学习能力。最后提出CPAN-ASFF模块对深度可分离的PANet输出多尺度特征图进行融合,提高目标检测精度。应用优化后的KITTI数据集对改进后的CenterNet目标检测算法进行训练及检测验证,结果表明:其平均准确率为80.7%,比原始Center⁃Net目标检测算法提高了12个百分点,其检测速度为65 f/s,其参数量为8.91 M,较原算法减少72.73%,改进后的算法在遮挡目标、重叠目标以及与背景相似目标的检测效果上表现更优。且在SODA10M数据集中,文中提出的算法的检测精度与速度也都优于当前主流算法。该研究对算法的优化及实验为智能车辆在实际工程中的应用奠定了技术支撑。

关键词： 肾动态   显像图像   后处理   肾小球   滤过   影响  

摘要： 研究旨在探讨肾动态显像图像后处理对慢性肾小球滤过不全患者肾小球滤过的影响,评估其在临床应用中的潜在价值。方法 于2022年4月至2023年4月期间,选取我院60例慢性肾小球滤过不全患者,采用肾动态显像99mTc-DTPA技术测定肾小球滤过率。重点检测患者的血尿素氮(BUN)、血清肌酐(Scr)、肌酐清除率(Ccr)等生化指标,同时对采集到的相关数据进行统计学分析。同时,对比图像采集处理前、后的结者肾脏深度和GFR值,果:基于肾动态显像图像后处理,观察到患者的肾小球滤过率值诊断结果更为准确,其中平均滤过率由处理前诊断的45.2±8.6ml/min提高至处理后的52.8±9.4ml/min(P<0.05)。与此同时,患者BUN、Scr水平明显下降,Ccr水平明显提高(P<0.05)。结论 肾动态显像图像后处理对慢性肾小球滤过不全患者的肾小球滤过率诊断结果具有显著正向影响。该技术可有效改善患者肾小球滤过率,表现为生化指标的改善。肾动态显像图像后处理为肾小球滤过不全的诊断和治疗提供了一种新的临床辅助手段,具备广泛的应用前景。然而,还需优化本研究思路,明确临床机制和长期临床应用效果,进而更全面地评估其在慢性肾小球滤过不全患者中的临床应用价值。

关键词： 目标检测   指针仪表识别   YOLO   PReLU   FPN  

摘要： 为了提高对指针仪表识别的准确率与泛化能力,提出一种基于改进YOLOv4-Tiny的指针仪表自动读取方法。该方法一级模型基于YOLOv4-Tiny算法,提取指针仪表表盘区域以及仪表分类,并通过加深主干特征提取网络、增加FPN(Feature Pyramid Networks)结构与检测头、使用PreLU(Parametric Rectified Linear Unit)激活函数,提高原YOLOv4-Tiny模型的检测精度。二级读数算法通过(PPHT)累计概率霍夫变换和最小二乘法拟合指针,通过斜率推导仪表读数。实验结果表明,改进方法能够有效、准确地完成对指针仪表的读取,改进的YOLOv4-Tiny模型相比于原模型F1分数提升了10.65百分点,达到了93.31%,FPS达到了192,整体识别准确率达到了99.36%。

关键词： 球面镜片   划痕检测   图像处理   Hough变换  

摘要： 为了实现小口径球面玻璃光学镜片的缺陷检测,利用Ostu阈值分割+Hough变换的方法来自动检测镜片划痕。首先搭建了全自动视觉检测系统,通过暗场照明的方式获得镜片划痕和背景最大分离化的镜片表面图像,对该图像进行阈值分割,得出图像的灰度图,在灰度图的基础上通过Hough变换提取出划痕图像后进行划痕长度计算。实验结果表明所用的方法能够有效地检测出划痕并能准确计算出划痕长度,为镜片划痕的自动检测判断提供了理论和实践基础。

关键词： 煤与瓦斯突出   图像处理   钻杆计数   MobileNetV2  

摘要： 煤层天然气预抽可提高煤矿井下开采效率和天然气利用率,而钻孔深度是天然气预抽的关键参数。为此,对钻杆计数方法展开了详细研究。建立钻机工作状态数据集作为钻杆计数方法的数据基础,探究了煤矿井下不同环境中的钻杆计数方法。针对钻机稳定工作环境中钻杆计数精度低的问题,提出了基于改进MobileNetV2(P-MobileNetV2)的解决方案。结果表明,P-MobileNetV2在钻机工作状态识别任务上优于其他7种经典图像识别模型,在煤矿井下具有一定的应用可行性。

关键词： 水面目标检测   YOLOv8   轻量化改进   Slim-Neck设计范式   注意力机制  

摘要： 针对复杂多变的水面环境,小目标检测存在漏检、错检且检测平台计算资源有限的问题,提出了基于YOLOv8的轻量化水面目标检测算法SOE-YOLO。首先在Neck部分使用包含GSConv的Slim-Neck设计范式对模型进行轻量化改进;其次通过使用轻量型卷积(ODConv)模块重新构建Backbone部分,以减少参数量从而提高网络的检测速度;最后引入多尺度注意力机制(EMA)增强网络多尺度特征提取能力,提高小目标检测能力。在WSODD测试集中的实验结果表明,SOE-YOLO模型参数量和计算量分别为2.8 M和6.6 GFLOPs,与原模型相比分别减少12.5%和18.6%,同时mAP@%0.5和mAP@0.5-0.95分别达到79.9%和47.2%,与原模型相比分别提高2.4%和1.6%,且漏检率下降明显,优于当前流行的目标检测算法。FPS达到了64.25,满足水面目标检测实时性的要求。在实现轻量化的同时具有更好的检测性能,满足了在计算资源受限环境下的部署需求。

关键词： 河道整治工程   施工进度   无人机巡检   图像识别   目标检测   特征点匹配  

摘要： 长线性小流域治理工程中的河道衬砌、生态护岸等距离长、范围广、布置分散,且工区交通不便,人工巡检费时费力,难以及时掌握工程的整体施工进度形象面貌。提出了基于无人机巡检与深度学习的河道整治施工进度智能图像识别方法,通过定位施工节点(施工区域起点和终点)的位置计算施工进度。首先,建立了施工区域目标检测模型,针对无人机航拍影像进行河道衬砌护岸施工区域的识别以及施工节点的定位;然后,利用尺度不变特征变换(scale-invariant feature transform,SIFT)算法对不同视频帧中的施工节点进行匹配,并基于单目视觉的运动视差法,计算施工节点的实际工区坐标;最后,计算当前衬砌护岸施工进度,并分析进度偏差。结果表明:该方法得到的施工节点定位平均误差为1.026 m,平均相对误差为0.74%,该方法能够较为准确地从航拍图像中识别得到当前衬砌护岸的施工进程,从而实现长线性工区快速巡检,及时掌控现场施工进度,提高工程管理的智能化水平。

关键词： 铁道障碍物   深度学习   自动感知   目标检测   神经网络架构搜索  

摘要： 利用神经网络实现对列车运行环境的自动感知已成为保障列车安全运营的一种重要手段。然而,传统的神经网络模型设计往往依赖人工试错和经验积累,不仅耗时、费力,而且难以保证最终模型的性能最优。为此,文章提出一种零成本神经网络架构搜索方法来优化铁道障碍物目标检测模型。其首先构建一个全面的模型架构空间,并在此基础上,根据实际应用中的计算量需求对搜索范围进行有效约束,确保最终选择的模型在满足精度要求的同时也兼顾运行效率要求;接着,利用零成本神经网络架构搜索算法,快速预测各种架构的实际效果,无需进行冗长且耗时的实际训练;最后,通过比较不同模型的预期性能得分,选取最优者作为最终方案。实验结果表明,采用该方法,实现了0.711的均值平均精度以及6.12ms的单帧平均推理时间,效果显著优于同等计算量下基准模型的。

关键词： YOLOv8   YOLOv8m模型   城市交通   目标检测   电动车头盔佩戴检测  

摘要： 在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

关键词： 输煤皮带   目标检测   深度学习   U-Net网络  

摘要： 为了提高煤矿井下输煤皮带检测的效率和准确性,进行了基于U-Net的输煤皮带检测技术研究。实验中通过构建U-Net神经网络模型,实现对输煤皮带的自动识别和检测。研究结果表明,该技术有效解决了传统巡检方法存在的低效率、依赖人工干预等问题,可提高煤矿生产的安全性和效率。