关键词： 同时定位和地图构建   目标跟踪   光流   多项式残差  

摘要： 大多数现有的动态同时定位和地图构建(SLAM)算法简单地移除动态对象,导致帮助系统自身定位和导航的动态对象运动信息的丢失,对于复杂和不断变化的工业环境具有局限性。本研究提出了一种改进的目标跟踪的视觉SLAM算法,在进行定位的同时,获得更准确的目标位姿估计。该算法使用背景点进行自身定位,利用细化的光流信息,减少噪点的影响,进行准确的定位,然后结合多项式残差的场景流信息,获得准确的动态目标感知结果,降低算法对目标位姿估计的误差。最后,在公开的KITTI Tracking数据集和真实场景上对所提算法进行了评估。实验结果显示,在公共数据集上,所提算法定位效果平均旋转误差(RPER)为0.027°,平均位移误差(RPET)为0.069 m。目标位姿估计平均旋转误差为0.68697°,平均位移误差0.10350 m,具有更好的自定位和动态目标跟踪性能。在真实场景中,所提算法也表现出良好的定位与跟踪性能。

关键词： 供水管道   内窥检测   缺陷特征   图像识别  

摘要： 基于某单位开展的市政供水管道带压内窥检测工作,通过搜集和整理带压内窥检测的图像数据,提出了一系列供水管道内部缺陷图像处理算法,并对某地区供水管道的内部缺陷特征进行了分类和评判研究。研究结果表明:由于环境光线、水流流速和管道材质等因素的影响,导致缺陷图像容易掺杂一定的高斯噪声和脉冲噪声。同时,由于摄像头自带的灯光设备往往无法均匀照射到整根管道的内表面,导致检测获得的内部缺陷图像容易出现亮度不均衡的问题。因此,建议采用双边滤波方法去除带压内窥检测缺陷图像的高斯噪声与脉冲噪声,同时采用CLAHE算法对去噪后的缺陷图像进行对比度增强。基于处理后的图像,可将供水管道的内部缺陷分为结构性缺陷和功能性缺陷两类。其中,结构性缺陷主要包括腐蚀和管瘤两种,功能性缺陷主要包括气囊、杂质和异物三种。这五种缺陷类型在供水管道中出现的频率由高到低依次为:异物、腐蚀、管瘤、杂质和气囊。

关键词： 极坐标   BEV目标检测   位置和语义信息   特征加权   跨平面编码器  

摘要： 传统的笛卡尔坐标系下的3D目标检测方法因车载相机的固定楔形成像几何,导致相机图像编码时在一定程度上忽视了目标在不同视角下的对称性和连续性。鉴于此,本文提出一种基于位置与语义信息加权的极坐标BEV端到端3D目标检测方法—PolarDet。该方法通过极坐标查询与预定义的极坐标网格生成极坐标下的BEV位置与语义信息,再与前一帧的BEV信息进行特征交互以融入时间信息;在输出最终检测结果时,PolarDet再对位置与语义信息进行加权求和,以提高信息的利用效率,使网络能够达到更高的检测精度。本文在具有挑战性的BEV目标检测nuScenes数据集上进行了广泛的实验,结果表明,PolarDet最优模型的mAP(平均精度)达到0.469,NDS(nuScenes检测得分)达到0.56,显著优于基于笛卡尔坐标的BEV目标检测方法。

关键词： 智能化巡检   输电线路通道   目标检测   窗口自注意力网络   自适应空间特征融合  

摘要： 针对输电线路通道异物检测背景复杂以及小目标情况下检测效果不佳等问题,提出一种基于窗口自注意力网络与YOLOv5模型融合的输电线路通道安全检测算法.首先,选用窗口自注意力(S-T)网络优化主干网络,扩大模型感受视野,增强提取有效信息的能力.其次,改进自适应空间特征融合(ASFF)模块,增强多尺度特征融合能力.最后,考虑到真实框与预测框不匹配的问题,引入结构相似性交并比(SIoU),优化边界误差,提高小目标定位准确性.实验结果表明,本文模型对线路通道多目标入侵检测精度达到90.2%,且提升了小目标检测效果;与主流目标检测算法相比,可以更好地满足输电线路通道中的异物检测需求.

关键词： 港口大型设备   神经网络   目标检测   YOLO算法   调度规划  

摘要： 为提升港口大型设备的工作效率,文中设计了一种面向港口设备的智能化云控制系统,并在该系统中嵌入了基于目标检测网络的设备识别算法和结合遗传算法的装备调度策略。采用YOLOv5作为目标检测网络原型,改进了网络算法结构,并且在网络训练过程中通过剪枝和量化压缩了网络体积。目标检测实验结果显示,相较于传统的YOLOv5,优化后算法的目标检测评价参数mAP提升了0.16,网络实现速度缩短约5.49ms。针对港口设备调度建立问题模型和目标函数,采用改进遗传算法求解最短时间、最短路径的最优解,装备调度实验结果表明,通过所提算法得到的结果更接近实际最优数据。

关键词： 人工智能   计算机视觉   深度学习   腐蚀图像检测与分析  

摘要： 金属结构和设备在使用过程中的腐蚀不仅会导致巨大经济损失,还可能引发环境污染和安全隐患。因此,采取快速的腐蚀检测与分析技术显得尤为重要。随着人工智能算法的不断进步,其在腐蚀图像检测与分析领域展现出巨大潜力。文章综述了人工智能,特别是计算机视觉技术和深度学习的发展,探讨了其如何改变传统检测技术的格局,并通过自动化、数据分析和特征提取等方法,有效解决腐蚀图像检测与分析的效率和准确性。最后,总结了人工智能在该领域中需要解决的一些关键问题,旨在探讨人工智能在腐蚀研究领域的应用潜力,为未来检测与评估技术的研究提供新视角,促进人工智能广泛应用。

关键词： YOLOv5m   FasterNet   轻量化   注意力机制   解耦头   EIoU  

摘要： 针对无人机航拍图像背景复杂、目标物较小且模型部署困难的问题,提出了面向航拍图像的轻量化目标检测算法。在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块,压缩模型参数量,提升模型的推理速度;在特征融合网络,采用改进的CBAM_L机制,专注于捕捉航拍图像中的小目标信息的同时提高了模型的目标识别精度;将检测网络中检测头替换成解耦头,解决航拍图像输出变量时分类和回归的冲突问题,并把网络中损失函数替换成EIoU,有效提升了模型回归精度。在公开数据集VisDrone上验证结果表明,改进后模型的平均精度均值(mAP@0.5)提高了0.014,参数量缩减到原模型的34.3%,计算量缩减到原模型的32.4%,检测速率达到77帧/s,表明该算法在检测准确性和速度上都取得出色的性能。

关键词： 无人机   目标检测   DS证据理论   信息融合  

摘要： 无人机因机动性高和战场适应能力强被广泛应用。然而仅依靠单类传感器的目标检测方法无法满足无人机在高速复杂运动场景下的目标检测要求。针对上述问题,提出一种融合可见光信息和红外信息的融合检测算法,主要包括基于深度学习的图像检测、数据关联和异类信息融合。整合数据关联融合算法并利用证据理论将关联结果进行决策级融合,完成候选目标识别与检测。通过公开数据集OTCBV的部分场景以及无人机航拍数据验证所提方法。实验结果表明,运用多源信息融合检测算法结合多种证据更新YOLO的检测精确率提高至0.9以上。

关键词： 模糊C均值   隶属度   样本贡献度   目标检测  

摘要： 文章的研究对象是模糊C均值(FCM)聚类算法,旨在提升FCM在处理复杂数据时的有效性。传统FCM假设一个样本对每个聚类的隶属度之和为1,称为样本贡献度。然而,在处理噪声点和孤立点时,聚类的有效性可能会下降。为此,文章提出了一种新型模糊聚类方法,通过放宽隶属度之和为1的条件,引入新的隶属度划分方式,即隶属度之和为样本总数n的创新定义。该方法根据样本与聚类中心的距离动态调整隶属度,并将隶属度划分为三个层次,以提升聚类的有效性。通过数学推导和实验验证,改进后的算法在处理复杂数据集时,准确率提高了6.41%,召回率提升了5.81%,显著提升了算法的性能。

关键词： 目标检测   注意力机制   知识蒸馏   异常行为识别  

摘要： 在实际监控的边缘设备中使用GAN或者3DCNN等网络很难实现实时的、相对准确的监控任务。提出一种基于知识蒸馏的考场异常行为识别算法。相对于以提取空间、时序特征并进行融合为主流思想的异常行为识别,利用视频帧进行目标检测和知识蒸馏的异常行为识别方法更加快速准确。算法借助知识蒸馏策略使用预训练的teacher网络监督student网络学习,进行正常行为的推理并检测异常行为。结果表明该算法达到了主流数据集的中上水平,并在考场环境具有良好的高效性与准确性。