基于LGF-Net的全天候轨道入侵异物智能检测系统

针对轨道入侵异物为行车安全带来巨大威胁,而现有的轨道目标检测模型检测精度和速度难以平衡、复杂轨道环境中多尺度目标检测鲁棒性差等问题,提出了一种全天候高精度实时多尺度轨道入侵异物检测模型。该模型通过使用双分支结构和线性特征变换提升模型的特征提取速度;通过改进Transformer结构使轻量型模型能够建模全局上下文信息;通过设计高丰富度特征融合结构和轻量型注意力机制进一步提升模型的多尺度目标检测能力。此外,本文将该模型进行嵌入式移植并研制智能检测系统。实验结果表明,本文所提出的模型在实际轨道场景采集的数据集中检测精度和速度分别为94.93%和132 fps,比YOLOv5s高3.09%,能够满足在复杂轨道场景中高精度实时检测多尺度入侵异物的应用需求。     

基于 FRL-Net 的高鲁棒性多尺度小样本轨道入侵异物检测方法研究

针对轨道入侵异物严重威胁行车安全,而基于广义深度学习的目标检测方法无法打破大数据驱动的训练壁垒、小样本目标检测方法在复杂轨道环境中对多尺度入侵异物检测能力差、鲁棒性低等问题,本文提出了一种高鲁棒性多尺度小样本轨道入侵异物检测模型。该模型采用元学习策略,通过多尺度小样本入侵异物特征提取模块增强模型对于不同尺度小样本异物特征的表达能力。使用轨道入侵异物元特征精准重加权模块对小样本异物的元特征进行精准优化。提出小样本轨道入侵异物检测优化模块进一步提升模型的检测性能。实验结果表明,该模型在7-way 30-shot的小样本轨道异物检测任务中的平均检测精度为81.8%,比FSRW高3.2%,更适合在实际轨道环境中检测多尺度小样本入侵异物。     

融合注意力和多尺度特征的典型水面小目标检测

为解决多场景复杂海况背景水面小目标检测存在的可利用特征少、纹理信息弱等问题,提升无人艇的环境感知能力,本文提出一种融合注意力和多尺度特征的典型水面小目标检测算法。首先,在网络的深层使用空洞空间金字塔池化模块融合目标的全局先验信息。其次,通过注意融合模块自适应地增强目标浅层空间位置和深层语义信息特征,提高网络的特征表示能力。最后,通过多尺度特征融合实现高性能的目标检测。本文构建了典型水面小目标数据集,并基于无人艇开展了真实海况下水面小目标检测的算法验证。实验结果表明,该算法在无人艇NVIDIA平台检测速率达到17 FPS,能准确识别水面小目标,mIoU比原始特征金字塔网络算法提升7.58%,平均检测精度提升11.41%,达到82.36%。     

结合深度学习的智能看护机器人目标检测研究

针对智能看护机器人在实际生活中对目标的检测速度慢和精度低的问题,提出了一种采用轻量型卷积神经网络模型对目标进行检测的算法.首先利用MobileNets基础网络对采集到的图像信息进行特征提取,然后利用多尺度特征图检测不同尺度的目标,同时引入抑制类别样本不均衡的焦点损失函数使模型更加侧重于对困难样本的训练.实验结果表明,改进后的网络模型计算量大幅减少,检测速度提高了7倍,对不同光照条件和复杂的背景环境具有鲁棒性,能够满足对目标的检测要求.     

ViT 和注意力融合的类别不均衡 PCB 缺陷检测方法

针对实际环境下印刷电路板(PCB)缺陷样本难以收集造成的数据长尾分布和检测精度低以及 ViT 用于检测时计算 复杂度高等问题,提出多尺度 ViT 特征提取和注意力特征融合的端到端 PCB 缺陷检测算法。 首先结合 ViT 和部分卷积构建 多尺度特征提取网络,利用层级多头注意力对不同尺度的特征图执行自适应的注意力操作,使网络能够更好地捕捉局部和 全局信息进而增强其特征提取能力,部分卷积可以降低计算开销。 其次,基于能量空域抑制的无参数注意力机制将多尺度 特征有效融合,提升网络融合特征图的表达能力。 最后,引入对类别不均衡敏感的分类函数对网络的损失函数进行改进,增 强网络对类别不平衡数据的拟合程度,提高网络的泛化能力。 在 3 种不同类型的公开 PCB 数据集上的实验结果表明,所提 出的检测算法在 PCB 表面缺陷数据集的平均精度均值(mAP)均有提升,分别为 99. 13% 、98. 67% ,99. 82% ;在类别不均衡的 PCB 缺陷检测任务上,相较于改进前方法,mAP 提升了 11. 94% ,网络检测速度达到 25 FPS,为 PCB 缺陷的检测提供了一种 快速、有效的方法。     

改进Mask R-CNN的交通场景多目标快速检测与分割

针对智能驾驶中出现的交通场景多目标检测与分割效率低、鲁棒性差等问题,提出一种改进的Mask R-CNN交通场景多目标快速检测与分割方法。首先采用轻量级MobileNet作为骨干网络,有效减少网络参数并压缩模型体积,提升后续嵌入式端的算法移植能力,其次通过优化FPN与骨干网络卷积结构,保证高底层之间特征信息的完整传递,通过调整超参数得到交通场景多目标检测与分割改进网络模型。设计不同交通场景下的对比实验,改进网络能够准确实现多目标的检测与分割,平均检测精度可达85.2%。在ApolloScape和NuScence数据集上进行迁移实验,改进网络展示出良好的泛化能力。本文所提出的改进骨干网络与网络结构优化,能够适应多种复杂交通场景,完成交通场景多目标的快速检测与分割,为智能驾驶提供了理论依据与技术方案。     

基于改进 R 3 det 的无人机电力杆塔倾斜程度检测

无人机巡检图像中的电力杆塔具有多姿态、大长宽比等特点,难以利用特有的先验知识来准确定位和判别不同倾斜程 度的杆塔。 本文提出了一种改进的 R 3 det 网络模型(Multi-Head-KF-R 3 det),可提高电力杆塔倾斜程度检测精度。 首先,在原始 R 3 det 中引入倾斜程度分支,实现了电力杆塔类别和倾斜程度的判别以及电力杆塔的准确定位。 然后,将基于卡尔曼滤波的旋 转交并比损失项引入回归损失函数中,在不增加额外超参的情况下,进一步提升了模型整体检测精度以及倾斜程度检测召回 率。 最后,基于 Ghost 轻量化网络设计原理对改进后的模型进行合理压缩,为模型在嵌入式设备中的部署奠定基础。 实验结果 表明,Multi-Head-KF-R 3 det 在多尺度和多姿态的电力杆塔数据集上检测精度和召回率分别可达 94. 5% 和 94. 9% 。     

基于多尺度多特征视觉显著性的海面舰船检测

为了精确地检测到舰船目标,提出了一种基于多特征、多尺度视觉显著性的海面舰船目标检测方法。该方法首先利用多尺度自适应的顶帽算法抑制云层、油污的干扰,然后提取双颜色空间特征以及边缘特征构成双四元数图像进行舰船显著性检测。由于充分利用了双四元数图像,故可对多个特征尺度进行处理,并保证不同尺度特征之间关联性。该方法还利用人眼对不同用大小的图像关注目标不同的特点对图像进行上下采样以避免漏检和检测重叠。在得到显著图后利用自适应图像分割(OTSU)算法确定舰船所在的区域,并在原图上标定、提取舰船目标。在多种海面情况下进行了实验分析,结果表明:该算法可以排除多种干扰,精确地检测到舰船目标,真正率达97.73%,虚警率低至3.37%,相较于他频域显著性检测算法在舰船检测方面有明显的优势。     

改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于 YOLOv3 提出了一种改进多尺度特征融合方法。该方法增加了Inception _ shortcut 模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用 k-means 算法对检测目标重新聚类,引入了 PANet 多尺度特征融合结构,精简了 YOLOv3 的网络检测输出层。在创建工业现场安全帽、安全绳数据集 FHPD 、FSRPD 以及 PASCAL VOC2007 数据集上的实验结果表明,改进算法的 mAP 比原始 YOLOv3 提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。     

基于度量元学习的铁路小样本入侵目标检测方法

异物入限是导致铁路安全事故频发的主要原因之一，传统深度学习需要大量训练样本进行网络训练，但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用，提出了基于通道注意力机制的特征提取网络；为解决样本数量不足时个别样本在特征空间中产生偏离的问题，提出了一种基于类中心微调的网络用于类别中心的修正；同时，基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练，提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比，本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明：本文提出的通道注意力机制（Channel Attention Mechanism,CAM）和中心相关损失函数分别提升0.86%和1.91%的检测精度；提出的类中心微调和预训练方法对检测精度的提升效果更明显，分别达到3.05%和6.70%，上述模块综合应用的提升效果达到了7.90%。     

基于模型压缩的 ED-YOLO 电力巡检 无人机避障目标检测算法

针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9 600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。     

多传感器信息融合的铁路扣件缺陷检测方法

基于机器视觉的二维图像铁路扣件缺陷检测已经取代人工检测,提高了检测效率。但是,铁路扣件缺陷样本数量少且标注困难,以及检测结果受光照条件影响大等问题仍然是当前所面对的主要挑战。因此,提出一种多传感器信息融合的铁路扣件缺陷检测方法,采用结构光设备快速高效地采集铁路扣件的深度和强度信息,设计一种针对深度图的自适应定位分割方法,自动准确定位和分割深度图中的铁路扣件,并将定位分割参数与强度图融合,实现铁路扣件的定位分割;针对样本不均衡和样本标注效率低的问题,通过DCGAN扩充缺陷扣件样本的数量;设计了具有8个残差块共18层的ResNet神经网络,完成铁路扣件螺母缺失、弹条断裂和弹条缺失三种缺陷类别检测,并采集WJ-7类型铁路扣件样本设计了相关试验,验证结果表明,缺陷扣件检测平均准确率达到97.6%,满足工程应用的需求。     

基于CNN的高速铁路侵限异物特征快速提取算法

高速铁路异物侵限检测系统用来检测是否有异物侵入高速铁路安全限界。为增加系统的可靠性,提出了一种基于卷积神经网络(CNN)的特征快速提取算法。针对特征计算速度缓慢的问题,提出简化的全连接网络结构;针对准确率因简化网络结构而下降的问题,提出将卷积层的卷积核进行预先训练;最后为防止因全连接而导致的对称性特征提取,提出加入稀疏性参数的快速特征提取算法。改进后的卷积神经网络,在保证准确率的基础上加快了计算速度,同时满足了实时性和高准确率的要求。实验表明处理单幅图像的速度为0.15 s,准确率为99.5%。     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

基于转向架姿态轨迹的轨道线路曲率探测系统研究

主动径向技术是进一步提高轨道车辆曲线通过性能、彻底解决直线运行稳定性和曲线通过之间矛盾的有效途径,而实现轨道线路曲率准确、高效的探测是其中的重要环节。为了提高轨道线路曲率探测的精度和实时性,首先提出了一种基于转向架姿态轨迹的曲率探测系统(Bogie attitude trajectory based curvature detection system,BATCDS),该系统由布置于转向架上的速度传感器、角速度传感器、倾角传感器以及算法单元组成,布局简单且易于实现。此后,提出了与上述系统相匹配的曲率探测算法,该算法利用转向架偏航角速度ω和车速v获取转向架在二维水平面上的运行轨迹,并据此初步估计线路曲率;利用转向架侧滚角α和车速v获取转向架的侧滚姿态轨迹,进而估计转向架侧滚角;综合转向架上述各项姿态信息,利用轨道线路固有几何规律融合计算线路曲率。最后,建立了BATCDS的联合仿真模型,仿真计算的结果表明,该系统在有效滤除原始信号中的高频噪声的基础上,仍能维持较高的实时性;仿真工况下,相较传统的低通滤波而言曲率探测结果的精度和实时性得到显著改善,相对误差率均降低至传统方法的50%以下,最大...     

基于集成自适应欠采样的铝管表面缺陷检测方法研究

铝管作为一种常见的传输零件,对其表面缺陷进行检测是保证其生产质量、运行安全的必要措施。基于机器视觉的铝管表面缺陷检测方法因其检测精度高、速度快等优点,已取代人工检测,成为主流检测方法之一。但由于缺陷样本与背景样本之间分布不平衡,导致分类器决策边界偏移、检测精度下降,限制了其应用范围。针对这一问题,提出一种基于集成自适应欠采样的铝管表面缺陷检测方法,首先利用支持向量描述方法对数据分布间的重叠区域进行识别,其次通过构建样本局部密度关系自适应确定欠采样对象及数量,最终利用随机空间生成技术同时对数据样本空间和特征空间进行优化。试验结果表明,所提方法在铝管表面缺陷数据集上识别精确率达到98.52%,优于其他先进检测方法。     

面向行人检测的异构视觉传感网络自适应标定

异构视觉传感网络的标定是实现准确行人检测、跟踪、识别以及行为分析的关键和前提,对公共安全和智能安防具有重要意义。本文提出了一种面向行人检测的异构视觉传感网络自适应标定方法。首先,构建主动旋转变焦(PTZ)传感节点变焦成像模型,采用基于SURF特征点匹配的方法实现内参数自标定。其次,构建外参数分布式标定模型,将异构视觉传感网络外参数标定分解为节点局部标定和网络全局标定,从而避免采用单一中心节点进行集中式处理,提高方法的可扩展性;最后,为了提高标定精度,采用自适应混沌微粒群优化算法最小化内、外参数估计的再投影误差和轨迹匹配误差。实验结果表明,本方法有效降低了网络通讯量和标定误差,提高了异构视觉传感网络行人检测精度,具有重要的理论和实际应用价值。     

基于双处理器架构的列车超限检测系统研究

铁路货运列车超限严重威胁着铁路运营安全.而目前国内已有的检测系统难以实现对静态列车的便携式、高速、高精度测量.研究了一种基于双处理器架构的列车超限检测系统,硬件上采用嵌入式主板代替个人计算机提高了系统的便携性,其中ARM管理系统实时多任务并维护嵌入式GUI,32位专用DSP保证了系统测量精度并优化了图像处理速度.软件部分基于嵌入式Linux系统,开发了各外设的驱动程序和应用程序,其中HPI中断方式的驱动程序提高了双核数据传输的效率.设计的超限检测系统机箱体积为40 cm× 40 cm×25 cm,在30 min内可以完成一节10 m车厢的超限检测,耗时仅为手工测量的1/5并且能够达到mm级的测量精度.     

结合特征复用注意力与精细化分层残差的细微裂纹密集连续检测

细微裂纹的高效识别对结构体早期故障诊断具有重要意义.图像分割等方法在处理复杂且带有断裂的细微裂纹时难以达到满意效果.因此,将细微裂纹的识别问题转变为密集连续的中心点预测问题,利用精细化分层残差模块构造特征提取器并结合具有特征复用的注意力模块提出一种细微裂纹检测方法.首先使用相同的矩形框沿裂纹轨迹密集连续地标注;其次对不...