多尺度特征在YOLO算法中的应用研究

针对YOLO算法在下采样过程中丢失了部分大尺寸特征图的有效信息,从而导致在检测任务中因目标定位不够精准而影响模型整体检测精度的问题.提出利用多尺度特征融合的方法来解决YOLO定位不精准的问题,首先,对YOLO算法的网络模型进行修改,利用YOLO网络模型中不同尺寸特征图具有不同特征属性的特点,融合不同尺寸特征图来提高检测...     

面向多尺度多方向螺栓的检测算法

在工业建设中,螺栓零件是关键的连接件之一,通常用于连接大型机器设备和构件,如钢结构、桥梁、高速公路、建筑、石 油管道等。 其安装状况的优劣将直接关系到整个设备或结构的稳定性和可靠性。 然而,螺栓的安装位置常常处于狭窄、复杂的 环境中,利用人工检测不仅难度大,效率低,而且容易出现误判和漏检的情况。 为此本文以 Faster R-CNN 为基础开展螺栓零件 的识别研究。 针对螺栓零件检测的难点,提出了一种基于多尺度多方向螺栓的检测算法。 首先对采集到的图像进行扩增,以提 高数据集的多样性;其次,通过改变主干网络增强模型对特征信息的敏感程度,再利用多尺度融合模块加强模型对小目标的检 测;在预测框生成阶段,提出自适应旋转区域建议网络,以获取最优预测框;最后,针对多方向检测中出现的边界不连续的问题, 通过 Gaussian Wasserstein 距离和焦点损失作为损失函数来代替传统的 Smooth L1 损失函数。 螺栓零件的识别实验结果表明,改 进后的 Faster R-CNN 模型 mAP 值能达到 87. 4%,相比于原始 Faster R-CNN 模型 mAP 值提升了 7. 6%。 通过消融实验可以得 出,改进后的 ResNet50 网络相较于原始 ResNet50 网络的 AP 值提升了 0. 2%。 与其他旋转检测模型在相同数据集上进行比对 得出,本文提出的模型 AP 值更高,鲁棒性更好。 本文所提出的模型可以解决螺栓零件在识别任务中因拍摄角度和复杂环境出 现的问题,缓解了因图像尺度和旋转边界不连续带来的问题。     

复杂电磁干扰下的电力设备异常检测系统

电力设备在进行异常信号日常检测过程中,由于存在大量的电磁干扰,使得异常信号检测准确性降低,难以通过异常信号检测对故障部位进行准确定位。设计并实现了一种针对电磁干扰的电力设备异常信号检测系统。系统的硬件部分以信号传感器作为异常信号检测元器件,利用单片机集成函数发生器ICI8038产生正弦信号,利用功率放大器TDA7294对异常信号进行放大处理。作为信号传感器的关联检测的解调参考信号,利用平衡调制解调器AD630进行信号的放大、滤波和整流,获取准确的异常信号。系统的软件部分主要针对异常信号的提取和故障部位的定位进行了设计。实验结果表明,利用设计的系统能够准确地检测到故障部位的异常信号,为复杂电磁干扰下的电力设备的安全提供了可靠保障。     

入侵检测系统研究

入侵检测系统为网络安全检测提供重要技术支撑,实现动态监控网络,弥补防火墙静态监控的不足,是网络安全的最后一道屏障。综述了入侵检测方法的研究背景、研究意义、国内外研究现状以及目前所面临的主要问题,试图为这个热点研究方向勾画出一个较为全面和清晰的路线,为网络安全、数据挖掘、智能学习等相关领域的研究者提供有益的参考。     

基于Spiked模型的低信噪比环境电网异常状态检测

为发展基于大数据技术的电网态势感知理论与方法,提出了一种基于Spiked模型电网异常状态动态辨识方法,该方法源于随机矩阵理论。首先,通过数据源矩阵的构造,窗口数据矩阵及其标准矩阵的构建,进而形成其样本协方差矩阵,并计算该矩阵的最大特征值;然后,利用由Kaiser窗函数校正的经典谱估计法进行全局信噪比估计,进而得出对应的动态阈值,并与最大特征值比较来进行异常状态判别;最后,借助MATLAB软件,案例分析在一个IEEE50机标准系统展开,涉及负荷异常跃变及三相短路接地故障,与传统的平均谱半径分析法的计算结果比较表明该方法具有抗噪性能高、适应性强的优点,同时对于非完整性信息有一定的鲁棒性。     

复杂恶劣环境下水位智能检测方法研究

实现智能化水务管控和洪涝灾害预警,需要实时、准确感知水位信息变化情况。针对现有技术不能满足夜晚、雾天、雨天、漂浮物遮挡、灯光阴影等复杂恶劣环境下的水尺水位的影像水位反演(小目标特征)识别需求,提出一种融合改进YOLOv5与RankSE的水位智能检测方法。首先,采用强化小尺度特征的多层级特征融合方法来改进YOLOv5算法,以强化对小目标的捕捉能力;其次,融入RankSE模块进一步提升对小目标的感知能力;最后,提出一种全新的水位高程解算方案,仅需利用部分水尺锚框信息即可获得准确的水位高程信息,极大提升了检测方法的鲁棒性。研究结果表明,本文所述方法水位检测相对准确度达98.5%,较原算法提高了8.4%;在复杂恶劣环境下可以自动、准确识别出水位高程,最大误差仅为0.11 m。研究结果有效提升了复杂恶劣环境下水位检测的准确性。     

基于YOLOv4的复杂交通状况下多目标检测算法

当前复杂交通状况下多目标检测存在检测精度低,检测速度慢,模型参数量大等问题。针对上述问题基于YOLOv4提出一种能够快速检测并识别多个不同目标的密集神经网络。首先将高效通道注意力机制(ECA)与跨阶段密集连接网络(CSPDenseNet)结合,组成新的E-CSP主干网络,代替传统的残差网络(ResNet)。新的主干网络加强了有效通道的特征表达,提高了特征提取层提取特征的能力;其次使用改进的空间金字塔池化与柔性非极大值抑制(Soft-NMS),加强对于小目标与被遮挡目标的检测能力。实验结果表明,方法的平均类别精度(mAP)、帧率达到0.92%、50 fps,明显高于其他方法。通过与目前主流模型比较,方法在获得较高识别精度的同时,具有参数规模小识别速度快的特点,可以极大的提高交通行驶的安全性。     

复杂环境背景下绝缘子缺陷图像检测方法研究

针对处于复杂的环境背景下的电力绝缘子以及绝缘子缺陷的检测存在检测精度低、检测速度不高的实际问题,提出了一种改进YOLOv4(you only look once v4)算法的电力绝缘子图像以及存在缺陷的绝缘子检测的方法。通过制作电力绝缘子以及绝缘子存在缺陷的数据集,使用K-均值聚类(K-means)算法对电力绝缘子图像样本进行聚类,获得不同大小的先验框参数;然后通过改进平衡交叉熵(balanced cross entropy, BCE)引入一个权重系数,来增加损失函数的贡献程度;最后,通过增加空间金字塔池化结构(spatial pyramid pooling, SPP)前后的卷积层来加深网络的深度。实验结果表明,改进模型的单张检测时间为3.27 s,对于绝缘子缺陷平均检测精度比原始的YOLOv4算法提升了24.36%。同时通过改进后的YOLOv4算法在测试集上的平均精度均值(mean average precision, mAP)的值为84.05%,比原始的YOLOv4算法提升了17.83%,充分说明了能够很好的定位和识别电力绝缘子图像存在的缺陷。     

面向无人艇智能感知的水上目标识别算法研究

针对水面无人艇(unmanned surface vessel,USV)智能感知系统对图像处理过程的准确性和实时性要求,研究了一种根据无人艇上机载视觉传感器对水上目标进行识别与定位的算法.首先根据开源数据集与实验数据采集图像,对实验数据抽帧、去重、标注、统计,创建了水上目标识别数据库YZ10K;其次实践了主流的基于深度...     

基于深度学习的交通标志文字信息检测与识别方法

为解决无人驾驶汽车外界环境感知系统对交通标识文字信息检测问题,提出一种在自动驾驶场景下对交通标识的文本信息进行检测并识别的两阶段方法,实现了自动驾驶信息精细化采集。首先使用YOLO检测器检测交通标识,同时使用本文改进的DB检测网络对场景内文本进行检测,将交通标识检测结果与场景文本检测结果进行交集运算得到待识别文本区域;最后使用轻量化CRNN网络对待识别区域文本进行识别。使用CSCT-1600数据集和MTWI-2018数据集分别进行训练和测试。实验结果表明,交通标识信息定位算法在召回率为92.98时精确度为94.95%,交通标识信息识别算法在F1为77.2%时识别速度为25帧。     

基于YOLOv4-tiny和完整度排序的标志物快速圆检测算法

针对现有圆检测算法在高分辨率标志物图像中检测效率低的问题,提出了一种新型标志物快速圆检测算法。首先通过YOLOv4-tiny算法快速定位图像中的标志物,滤除背景干扰,然后利用提出的弧段完整度排序方法从标志物中筛选出不同完整度的候选圆,最后通过距离和方向角约束筛选并拟合得到所有的标志物圆。基于高分辨率标志物图像数据集进行了实验,实验结果表明算法具有极快的检测速度,在检测精度基本不变时,算法的检测时间只有EDcircle算法的11%,AAMED算法的5.0%,为需要快速定位标志物的视觉定位、标定等任务提供了一种高效的解决方案。     

PCB缺陷检测深度学习算法的精度改进

本文以YOLOv5目标检测算法为基础算法,针对PCB缺陷检测进行了提高精度的改进。首先通过实验选取了合适的数据增强方法。针对PCB缺陷尺寸小的问题,在原有的3个检测头基础上增加了P2检测头。设计全新的PANet多特征融合结构,实现高效的双向跨尺度连接和加权特征层融合。针对PCB背景复杂的问题,引入了CBAM注意力模块以增强图像信息。引入了Transformer模块来增强算法,以提高捕捉不同位置的PCB缺陷信息的能力。最终通过这些改进,在检测速度FPS仅下降7.2的情况下,检测算法的mAP精度提高了11.3%。     

面向混凝土裂缝检测的级联神经网络算法研究

针对传统深度学习的裂缝检测方法在复杂环境下鲁棒性低、边缘区域识别精度差、损伤量化结果误差大的问题,本文提出一种复杂环境下基于级联神经网络的混凝土裂缝检测方法。该方法分为三步：第一步利用改进的语义分割模型对复杂环度参数获取算法计算裂缝宽度。试验结果表明,相较于传统裂缝识别方法,本文方法在精确率、召回率、准确率、F1分数和交并比五项评价指标上均有提升,且总体检测准确率在95%以上,能实现复杂环境下境下的裂缝进行初步识别,判断图像中裂缝的大致感兴趣区域;第二步采用本文所提基于金字塔池化的掩膜优化方法对粗分割图像进行优化,精确捕获裂缝边缘上下文信息;第三步采用二维码靶标的图像像素解析度和裂缝宽混凝土裂缝的检测与定量分析。     

Improved Snake algorithm for complex target''s boundary detection

The traditional Snake algorithm cannot effectively detect the object edge of an image with non-convex shapes or low SNR. This paper studies the characteristics of this type of image with complex shape target or noise and presents an improved Snake algorithm. The traditional Snake function model and operation strategy are improved by increasing new control energy functions, and the influencing weight of these energy factors is discussed. At the same time, a dynamic arrangement for the Snake points is used to adapt different target shapes. The simulation results indicate that the new Snake model greatly decreases the dependence on the Snake point’s initial position and effectively overcomes noise influence. This method enhances the Snake algorithm’s ability of detecting object edge. __________ Translated from Transaction of Beijing Institute of Technology, 2004, 24(2): 162–165 (in Chinese)     

高光谱图像异常目标检测研究进展

高光谱图像异常目标检测在国防军用和民用方面都具有重要的理论价值和应用前景,是当前遥感信息和图像处理处理研究领域中的一个热点研究问题。异常检测是在没有任何先验知识的条件下检测图像中出现的人为或异常地物目标。从高光谱异常检测理论入手,介绍了目前高光谱异常检测算法的研究进展和存在问题,最后对异常检测的发展做出了预测。     

基于YOLOv3的轻量化口罩佩戴检测算法

当前疫情防控形势严峻,在人群密集场所进行实时快速的口罩佩戴检测可以有效降低病毒传播的风险。针对目前人工检测效率低的问题,提出一种基于YOLOv3的轻量化口罩佩戴检测算法。使用ShuffleNetv2替换原来的主干特征提取网络,降低网络参数量,减少计算功耗。提出将SKNet注意力机制引入到特征融合网络部分,增强不同尺度的特征提取能力;使用CIoU作为边界框回归损失函数,进一步提高检测精度。在构建的人脸口罩检测数据集上实验表明,与原YOLOv3相比,本文所提算法在保持较高检测精度的情况下,检测速度提高了34FPS,有效地实现了准确快速的口罩佩戴检测,与其他主流目标检测算法相比,该算法也具有更好的检测效果。     

船舶轨迹异常检测方法研究进展

近年来,异常检测技术在分析和利用船舶轨迹数据中扮演着越来越重要的角色,已经成为航海领域的一个热点研究方向。船舶轨迹的异常检测旨在利用相关的异常检测算法,研究船舶个体或群体的行为特征,发现隐藏在其中的船舶异常行为模式或船位。主要从船舶位置和行为方面分析了船舶异常行为的概念和分类,综述了船舶轨迹异常检测的方法,评述了各方法在船舶轨迹异常检测中应用的优点和不足,讨论了船舶轨迹异常检测存在的问题和面临的挑战。