关键词： 混凝土   粉煤灰   图像处理   孔结构  

摘要： 为解决川藏铁路某桥梁工程所面临的混凝土表面气孔和孔隙结构问题,基于工程配合比,采用三种不同等级的粉煤灰进行混凝土试验研究。采用数字图像分析方法表征混凝土表面的气孔形态,以气孔最大直径和气孔面积率为指标,研究粉煤灰种类对混凝土表面气孔特征的影响;采用压汞测孔法测试硬化混凝土内部的孔隙分布,对孔隙结构进行了分析,得出不同种类粉煤灰混凝土内部孔结构体积分布和孔结构指标。研究结果显示,粉煤灰种类对高原桥梁混凝土的表面气孔和内部孔结构有明显的影响。Ⅱ级粉煤灰混凝土表面气孔数量最多,气孔的最大直径和气孔面积率最大,Ⅰ级粉煤灰次之,磨细粉煤灰最小;磨细粉煤灰混凝土的孔隙率最小,孔隙结构较Ⅱ级、Ⅰ级粉煤灰更好。使用磨细粉煤灰可以更好地细化混凝土的孔隙结构,提高混凝土的密实度,改善混凝土的表观质量。

关键词： 水稻病害   YOLOv5算法   注意力机制   目标检测  

摘要： 针对传统深度学习算法难以在复杂环境下准确且高效地识别水稻病害问题,提出一种改进的YOLOv5算法,对水稻常见的白叶枯病、稻瘟病、东格鲁病和褐斑病的病斑进行检测。在原YOLOv5算法上结合混合域注意力机制进行特征校正,提高模型对水稻叶片和病斑位置信息的定位能力。在损失函数部分将原CIoU_loss更换为SIoU_loss,弥补CIoU_loss未关注边界框和真实框角度偏移的问题。选用Soft-NMS筛选预测框,缓和传统NMS因不同病斑重叠区域过大而发生预测框误删造成的漏检情况。在消融试验中,改进算法在水稻病害识别任务中mAP达到0.884,比原YOLOv5算法提升2.9个百分点,在针对褐斑病病斑的识别上提升较大。证明改进的YOLOv5算法在水稻病害识别任务中的有效性。

关键词： 道路场景   目标检测   特征融合   先验框匹配   数据增强  

摘要： 复杂交通环境下目标检测中存在很多外界干扰因素,导致通用的目标检测算法效果较差。针对目标检测方法中全局特征信息利用不充分,小目标、遮挡目标检测精度低,以及模型计算量大等问题,提出一种基于改进YOLOv5s的融合全局特征目标检测方法。首先,对YOLOv5s的主干网络进行扩展,得到更深层的特征图以增强较大目标的语义信息;其次,在此基础上引入全局信息融合模块代替原模型中的Neck部分,以3D卷积的方式融合各尺度信息;然后,设计了一种基于位置的先验框匹配方法,在原图尺度上搜索与真实框匹配的先验框;最后,使用Copy-Paste数据增强方法增大小目标样本数量并使用DIoUNMS作为后处理方法进行非极大值抑制。该模型在BDD100K数据集中平均精确率(mean Average Precision,mAP)为54.55%,检测速度为63.72帧每秒(Frames Per Second,FPS)。与原始YOLOv5s算法相比,该方法在检测速度及精度方面均有明显优势。

关键词： 计算机视觉   位移识别   比例因子   模态识别  

摘要： 工程结构的安全性日益受到人们的关注,如何快速评估结构的安全性成为该领域研究的热点和难点。结构产生的形变位移是结构安全评估较为直观的变量之一。传统接触式方法往往受到客观因素限制;非接触式方法可以快速准确获取结构位移,如何提升基于计算机视觉的位移监测精度是该领域研究的焦点之一。文中提出一种非接触式与接触式相结合的结构动态位移数据处理方法,将结构视觉标靶动态轨迹转化成像素位移后与将加速度传感器数据转化成的位移进行卡尔曼滤波,模拟出结构的真实位移,并用结构模态参数识别对文中方法可行性进行验证。研究结果表明,文中方法可以获得结构动态位移,并且监测效果准确度高。

关键词： 无人机   电力巡检   目标检测   YOLOv4  

摘要： 无人机在电力巡检中得到广泛应用。有效的障碍物目标检测算法能够实时识别并避开这些障碍物,防止无人机坠落或损坏设备,从而确保巡检任务的顺利进行。本文基于YOLOv4算法进行改进,算法的平均准确率为89.56,内存占比为23.69,FPS达到每秒37.63帧,各项性能指标均高于其他算法。

关键词： 无人机   油气管道   目标检测   YOLOv5s   注意力机制  

摘要： 针对无人机航拍图像存在着目标尺寸小且差异大的问题,文中基于YOLOv5s深度学习网络框架,提出了一种适用于油气管道无人机巡检的小目标检测方法。在YOLOv5s网络的C3结构中融合坐标注意力(Coord Attention,CA)模块,有效捕捉全局位置信息和通道关系。将SPPF模块重构为CSP网络结构,形成SPPFCSPC模块,通过增大感受野加强网络特征提取能力,把原有的NMS改为DIoU-NMS,改善了对重叠遮挡目标的识别能力。在日常巡线视频中进行标注,构建了数据集并完成训练,同时在真实场景下进行的实验结果表明,所提方法的mAP_0.5、准确率(Precision,P)、召回率(Recall,R)和Speed指标分别为0.852、0.812、0.819与2.9,综合性能最优,有效提高了油气管道巡检的效率。

关键词： 计算机视觉   实例分割   深度学习   图像分割   评价指标  

摘要： 近年来,深度学习在计算机视觉领域中的应用成效显著,新的深度学习方法和深度神经网络模型不断涌现,算法性能被不断刷新,基于深度学习的图像实例分割方法取得了跨越性进展,已成为处理图像的有力工具。为更好地促进深度学习实例分割算法的研究发展,对该领域的研究进展做了系统的梳理总结。首先,根据图像实例分割方法的过程和特征,分别从两阶段和单阶段的角度介绍对基于深度学习的图像实例分割研究进展;随之,介绍常用的评价指标;最后,结合实例分析分割技术当下存在的不足,提出可行的解决方案,并展望了实例分割技术的发展未来。

关键词： 3维机动目标跟踪   坐标耦合   自适应转弯率   变结构多模型   非线性状态估计  

摘要： 在3维空间机动目标跟踪过程中,目标运动先验未知和坐标耦合误差会引起运动模型-模式失配,而模型-模式失配会引起状态估计有偏。该文根据目标运动速度正交条件修正状态转移矩阵,利用原始-对偶正则约束空间测量到球面可行域,结合自适应转弯率模型和无迹卡尔曼滤波(UKF),进行模型状态滤波并融合状态估计的一致输出,推导3维变结构多模型无迹卡尔曼滤波(VSMMUKF)算法。实验结果表明,相比多模重要性无迹卡尔曼滤波(MIUKF)算法,VSMMUKF计算量相当,能够更准确地拟合3维空间点目标机动运动。相比于交互多模型最大最小粒子滤波(IMM-MPF)算法,VSMMUKF跟踪固定翼无人机(UAV)的滤波精度提升了2.8%~59.9%,整体算法负担减小了1个数量级。

关键词： 荔枝识别   深度学习   卷积神经网络   目标检测   图像分割   研究进展  

摘要： 从荔枝目标检测任务和荔枝目标分割模型两方面进行综述,总结了荔枝识别技术在开花率估算与产量预估、采摘识别与定位、果实与主茎分割3个方面的相关研究成果,归纳了基于深度学习的荔枝目标检测技术和分割技术的常见方法和应用,同时指出深度学习方法在实际应用中所面临的问题和挑战,并展望了基于深度学习的荔枝识别技术未来的发展趋势,即加大复杂环境下精准识别技术研究、提高轻量化模型检测速度、利用小规模数据集模型和弱监督模型进行训练,以实现实时准确识别。

关键词： 目标检测   跌倒   FasterNext   DDConv   WIoU  

摘要： 针对室内场景中由于光照变化、人体形态被遮挡以及在特殊视角下人体姿态变化等因素导致行人跌倒检测精度低、实时性差的问题,提出了一种基于YOLOv8改进的轻量级跌倒检测算法FDW-YOLO。将骨干网络中的C2f模块替换成FasterNext模块,增强有效特征复用的同时降低计算复杂度。根据人体跌倒姿势变化大的特点,设计了3种在颈部层不同位置添加动态可变形卷积模块的网络结构,并在自制的跌倒行为目标检测数据集上进行实验比较,最终根据网络性能选择YOLOv8-C方案。在改进后的网络中引入边界框回归损失函数WIoU取代原有的CIoU。实验结果表明,FDW-YOLO跌倒检测算法较YOLOv8n在mAP@0.5指标上从96.5%提升到97.9%,在mAP@0.5:0.95指标上从72.5%提升到74.3%,同时参数量和计算量只有4.1×10^(6)和7.3×10^(9),符合在低算力工业场景中部署的要求。