基于级联卷积神经网络的城市交通汽车目标图像检测方法

由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目标图像检测方法。提取城市交通汽车目标检测特征,采用逐级匹配法提升检测样本质量。不同类型的检测目标的IOU分配阈值不同,利用Iterative Bbox at Inference级联卷积神经网络进行分类回归处理,得到基于级联神经网络的汽车目标检测损失函数,对于每个栅格,需要预设先验框根据损失函数,计算预测参数,设计城市交通汽车多目标检测算法,从而实现城市交通汽车目标检测。实验结果表明:该设计方法的平均检测精度较高,说明所设计方法的检测效果较好,具有较高的准确性,有一定的应用价值,能够为城市交通安全性的提升作出一定的贡献。

基于Transformer的零样本食品图像检测

食品检测作为食品计算的一项基本任务,能够对输入的食品图像进行定位和识别,在智慧食堂结算和饮食健康管理等食品应用领域发挥着至关重要的作用。然而在实际场景下,食品类别会不断更新,基于固定类别训练的食品检测器很难对未见过的食品类别进行精准的检测。为了解决这一问题,本文提出了一种零样本食品图像检测方法。首先,构建了一个基于Transformer的食品基元生成器,其中每个基元都包含与食品类别相关的细粒度属性,根据食品的特性,可以有选择地组装这些基元,以合成未见类特征。其次,为了给未见类的视觉特征更多约束,本文提出了一个视觉特征解纠缠的增强组件,将食品图像的视觉特征分解为语义相关特征和语义不相关特征,以此能更好地将食品类别的语义知识转移到其视觉特征。所提出的方法在ZSFooD和UEC-FOOD256两个食品数据集上进行了大量实验和消融研究,在零样本检测(Zero-Shot Detection,ZSD)设置下,未见类别取得了最优的平均精度,分别达到了4.9%和24.1%,在广义零样本检测(Generalized Zero-Shot Detection,GZSD)的设置下,可见类和未见类的调和平均值(Harmonic Mean,HM)分别达到了5.8%和22.0%,证明了所提出方法的有效性。

用于篡改图像检测和定位的双通道渐进式特征过滤网络

针对现有基于深度学习的篡改图像检测网络通常存在检测精度不高、算法可迁移性弱等问题,提出一种双通道渐进式特征过滤网络。利用两个通道并行提取图像的双域特征,一个通道提取图像空间域的浅层和深层特征,另一个通道提取图像噪声域的特征分布;同时,使用渐进式细微特征筛选机制过滤冗余特征,逐步定位篡改区域;为了更准确地提取篡改掩码,提出一个双输入细微特征提取模块,结合空间域和噪声域的细微特征,生成更准确的篡改掩码;在解码过程中,通过融合不同尺度的过滤特征和网络的上下文信息,提高网络对篡改区域的定位能力。实验结果表明,在检测和定位方面,与现有先进的篡改检测网络ObjectFormer、MVSS-Net(Multi-View multi-Scale Supervision Network)和PSCC-Net(Progressive Spatio-Channel Correlation Network)相比,所提网络的F1分数在CASIA V2.0数据集上分别提高10.4、5.9和12.9个百分点;面对高斯低通滤波、高斯噪声和JPEG压缩攻击时,相较于ManTra-Net(Manipulation Tracing Network)、SPAN(Spatial Pyramid Attention Network),所提网络的曲线下面积(AUC)分别至少提高了10.0、5.4个百分点。验证了所提网络可以有效解决篡改检测算法存在的检测精度不高、迁移性差等问题。

改进YOLOv5n的管道DR缺陷图像检测方法

近年来,数字射线成像技术(digital radiography,DR)由于其独有优势已被广泛应用于工业管道无损检测。为提高管道DR缺陷图像检测精度,提出了一种改进的YOLOv5n管道DR缺陷图像检测方法。该方法有两点贡献,针对目标检测网络中分类和回归两个任务存在冲突的问题,设计了任务独立解耦检测头,通过分别为两类任务构建独立的特征图实现解耦。为了缓解解耦检测头模块带来的参数量增加问题,引入了轻量化的深度可分离卷积替代标准卷积,在保证精度的同时,减少模型参数量。实验结果表明,在管道缺陷数据集上,该方法的mAP@0.5比YOLOv5n提高0.9个百分点。与YOLOv4、Faster-RCNN和SSD等其他几种目标检测模型的对比实验表明,该方法在mAP@0.5、参数量和计算量上都达到最优,有效提高了管道DR缺陷图像检测的性能。

基于SR-YOLOv8n-BCG的模糊花卉图像检测

为满足复杂环境下对模糊花卉图像快速、精确的检测需求,提出了一种组合模型SR-YOLOv8n-BCG,该模型有效地综合了SRGAN(Super-resolution generative adversarial network)的图像重建能力和YOLOv8的目标检测能力,并针对网络结构进一步改进,以提高准确率并实现轻量化。首先,SR-YOLOv8n-BCG利用SRGAN对模糊花卉图像进行超分辨处理,提高输入模型的图像质量。其次,在YOLOv8n特征提取网络中使用加权双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)替换PAN-FPN模块,以有效融合多尺度的花卉特征,并降低模型的体积。同时,引入坐标注意力机制(Coordinate attention,CA)以增强模型的特征提取能力。最后,利用Ghost卷积替换普通卷积,进一步提升检测精度并轻量化模型。结果表明,经过在自制的5类花卉数据集上的试验评估,相较于SR-YOLOv8n,SR-YOLOv8n-BCG模型在模型尺寸减小35.5%的情况下,平均精度均值提高1.2百分点,达到95.4%。表明提出的改进模型有效地提高了对模糊花卉图像检测的准确率,并实现了轻量化以适应低配的设备。

改进YOLOv7算法的龋齿图像检测

针对口腔医疗资源紧缺和龋齿治疗效率不足的问题,提出一种改进YOLOv7的龋齿图像检测算法,旨在协助医生进行更有效的医疗诊断,同时增强患者对预防龋齿的意识。首先,在YOLOv7算法的主干网络引入ECA-MobileOne网络模块代替原有的ELAN模块,降低模型参数量,提高对小目标龋齿特征的有效提取;其次,在特征图输出层采用自适应特征融合(ASFF),自适应地学习各尺度特征图在融合时的空间权重,充分获取口腔图像中不同尺度下的关键特征,提高检测的全局性和准确性;另外,采用soft-NMS算法替换原有的非极大值抑制算法(NMS),在牙齿异位或重叠等情况下能更有效地提升检测效果。使用在保定市第二医院口腔科采集的口腔照片数据集进行实验,结果显示,改进后的算法mAP达到93.4%,相较于原始YOLOv7算法提高了5.5%,并且与当前主流算法相比,具有一定的先进性,为促进口腔健康的整体改善提供了新的技术支持。

基于卷积神经网络算法的光伏组件热斑图像检测方法研究

热斑效应是造成光伏组件损坏的主要原因之一,为提早发现光伏组件热斑效应,利用卷积神经网络算法优化设计光伏组件热斑图像检测方法;根据光伏组件的工作原理以及热斑的产生机理,设置光伏组件热斑图像检测标准;通过红外热像仪和探测器采集光伏组件热斑图像,并对采集得到的图像展开预处理;利用卷积神经网络算法从轮廓和颜色两个方面提取预处理后热斑图像的特征,根据特征匹配结果得出光伏组件热斑图像的检测结果;实验结果表明:与传统检测方法相比,优化设计方法的漏检率和误检率明显更低,且光伏组件热斑面积检测误差较低,说明其检测效果较好。

基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于YOLOv5模型提出了一种改进的遥感图像目标检测算法。首先,利用Mosaic数据增强方法重构数据集,以改善模型的训练效果和鲁棒性;其次,在YOLOv5s的Backbone中添加SE注意力机制,使改进后模型能够更精准地捕捉目标特征信息;最后,采用BiFPN替代原模型中的FPN+PAN结构,使模型能够进行不同尺度的特征融合,以减少检测过程中浅层信息的丢失。实验结果表明,相较于原模型,改进后模型的平均精度均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检测效率。

基于YOLOv5的常见蔬菜图像检测方法

蔬菜的准确分类与检测对蔬菜的生产加工效率具有重要意义。为了提升蔬菜在生产加工过程中的效率,提出了基于YOLOv5的常见蔬菜图像检测方法。首先,通过LabelImg工具对常见的6类蔬菜图像进行位置信息和类别的标注,为YOLOv5的训练提供数据集。其次,搭建基于YOLOv5的目标检测网络对蔬菜图片进行特征提取,获取蔬菜图像检测网络。最后,在蔬菜测试集上对本文方法的性能进行验证。实验结果表明,本文方法可以有效实现常见蔬菜的图像检测任务。

煤矿运输系统多元异常图像检测研究

煤矿运输系统的异常险情种类繁多、场景多样,煤矿现场异常事故的发生具有偶然性,异常样本的获取其数量远小于正常样本,造成正负样本不平衡。针对上述问题,提出一种基于超球重构数据描述(HRDD)的煤矿运输系统多元异常图像检测方法。在全卷积数据描述(FCDD)基础上引入图像重构辅助任务,选用均方差损失函数作为图像重构辅助任务的目标函数,将异常图像检测和定位量化为一个不等式约束优化问题。采用无缝融合技术将辅助数据集、异常样本融合到正常样本中,以缩小异常融合样本与正常样本的差异,扩大异常样本总量,平衡异常样本、正常样本的比例。通过多组噪声模拟实验和现场实验证明,以一定概率在抵抗区添加高斯噪声进行增强训练,可提高HRDD模型的抗噪效能、泛化能力、检测准确率等。消融实验结果表明:辅助数据集有效地改善了样本不平衡问题,准确率提高了36.5%;引入图像重构辅助任务可保证深层特征能够准确映射到异常位置,交并比(IoU)提升了33.4%;辅助数据集与图像重构辅助任务之间存在强耦合作用,二者组合使用能进一步激发HRDD算法的性能潜力;添加无缝融合样本、高斯噪声增强等在一定程度上提高了HRDD模型的泛化能力。对照实验结果表明,HRDD算法准确率及IoU均优于其他主流算法,相比FCDD算法,HRDD算法准确率、IoU分别提高了4.6%,7.0%,更适用于煤矿现场。

基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法

对输电线路耐张线夹进行射线检测时,图像特征投影过程忽略了图像清晰度对检测结果的影响,会导致检测结果AP值较低。因此,提出基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法。该方法通过判别耐张线夹压接图像的灰度值等级,计算最优分割阈值并保留检测目标轮廓,补偿该轮廓的倾角差值以提高其清晰度,然后通过二维傅里叶逆变换重构缺陷图像,引入RetinaNet算法融合提取图像特征,解构耐张线夹压接部位,计算缺陷特征比例得出缺陷检测结果。试验结果表明,所提方法得出的缺陷检测结果的AP值较高,检测精度较高,满足了输电线路耐张线夹压接质量检测的需求。

基于无人机图像检测的林业虫害监控预防

为解决现有基于无人机图像的虫害监控方法效率低效果差,且需要耗费大量人力物力的问题,研究基于深度学习构建了基于无人机的林业虫害检测框架,将浅层网络提取的特征信息传递到深层网络,并通过剪枝和批量归一化折叠对模型进行了轻量化改进。结果表明,训练过程中各模型趋于稳定时,改进后的YOLOv4模型平均准确率达97.38%,计算成本和存储需求较原始的YOLOv4已分别降低17.81个百分点和23.38%;平均检测正确率比改进前高12.75个百分点。

基于改进YOLOv5的无人机遥感图像检测算法探究

为了提高YOLOv5模型对无人机遥感图像的检测性能,本文进行了研究,该模型的主要问题是对小目标的漏检率和误检率较高。通过理论分析,发现其Anchor机制具有一定的优化空间,改进策略为使用NWD损失函数代替IoU损失函数。在性能仿真阶段,对比了4种基准模型的特点,将YOLOv5s模型与改进后的模型进行对比,对无人机遥感图像进行检测。结果显示,改进后的YOLOv5模型在准确度、召回率、多类别平均精确度方面均优于改进前。

基于图像检测的墙面裂纹检测及损伤评估

通过MATLAB图形处理工具箱对墙面裂纹进行检测,采用阈值分割方法对原始图像进行图像分割,将裂纹从背景中分离出来,对二值化图像进行边缘检测,图像连通区域填充伪彩色来标记墙面裂纹,提高了墙体表面裂纹检测效率,引入分形理论对墙面裂纹这种复杂形态的损伤程度进行了量化评估,结果表明分形维数可以有效表征墙体裂纹损伤程度。

基于改进YOLO的炼油厂火灾图像检测方法研究

针对炼油厂火灾安全隐患早期检测的实际需求,本文提出一种基于改进YOLO(you only look once,你只需看一次)的火灾检测方法。首先,对检测头网络模块进行改进,以提高模型对火灾目标的识别精度;其次,优化骨干网络模块结构,增强特征提取能力;再者,通过改进颈部网络模块,实现不同尺度特征信息的有效融合;最后,设计了一种新的损失函数,以平衡模型的检测精度和实时性能。通过消融实验,验证了提出方法中各改进策略的有效性。结果表明,改进后的YOLO在火焰检测任务上不仅展现了出色的检测精度,而且保持了较高的处理速度,实现了精度和速度之间的最佳平衡。该方法不仅为炼油厂火灾安全隐患的早期检测提供了有效的技术手段,而且具有一定的推广和工程应用价值。

图像检测识别在水运智能化发展中的应用

水上交通是综合运输体系不可或缺的重要组成部分,也是国家经济社会运行的基石[1]。随着建设交通强国的提出,加快推进水运智能化建设成为必然趋势。相较于陆运智能化水平,水运智能化受自然条件等客观因素的影响,目前仍处于较低水平,且发展比较滞后,技术监管手段缺失。因此,利用图像检测识别技术发展智能化水运是未来水路运输的重要趋势。

接触网全线扫图像检测技术

针对现有接触网悬挂状态检测监测装置(4C)不能全面拍摄弹吊线夹和承力索的问题,设计了一种安装在接触网作业车上,随车运行并自动对接触网进行全程线扫拍摄成像的新型检测装置。该装置基于线阵相机高速连续拍摄的特点,采用光电转速传感器随车轮转动而发出的稳定脉冲信号作为拍摄的触发信号,实现了等距离扫描拍摄。试验结果表明拍摄的图片不断层、不重复、不压缩、不拉伸、不失真,拍摄精度能够满足接触网检测分析的要求。

基于YOLOv5的图像检测技术在线路巡检中的应用

小型化巡检机器人的应用可降低人工线路巡检的劳动强度并提高检测效率,同时改善人工巡检盲区等问题。介绍了小型化巡检机器人系统,同时基于YOLOv5及其改进算法,根据巡检机器人拍摄的图像制作数据集,并进行目标图像检测试验验证,表明改进后的算法具备更加精准的识别能力,有效保障了输电线路中设备的安全稳定运行。

轮对踏面三维图像检测系统研究

轮对踏面作为轮轨唯一的接触面,车轮尺寸和踏面状态的自动检测是保证列车运行安全的重要前提之一;针对轮对踏面二维图像检测系统和人工测量轮对尺寸检测精度低、误报率高、环境依赖性强以及人工效率低等问题,研制了踏面三维图像检测系统并附带轮对尺寸检测功能。该系统基于激光三角法确定被测对象的深度信息,通过改进的高斯型光心提取算法,准确地提取每一条踏面曲线,最终由1800条踏面曲线还原了轮对踏面的三维状态信息。通过大量故障模拟试验发现:系统不但能够准确识别模拟的故障,而且能够排除轮对上的污渍、水渍等深度信息未发生变化干扰情况,同时识别率达到95%以上,为踏面的状态检测以及轮对尺寸检测提供了一套更加适用的三维检测系统。

基于智能公路系统的路面病害图像检测技术

路面病害检测是道路运维工作中的重要环节,常用的人工检测方式无法满足当前路面病害检测要求,且检测效率低,需要投入大量人力物力资源。因此,本文提出一种基于智能公路系统的路面病害图像检测技术,融合2D与3D图像采集技术优势,并结合深度学习、深度神经网络、云计算、车联网等各类算法及新兴技术手段。通过对路面病害图像检测技术应用可行性进行验证,从验证结果来看,路面类型划分、路面病害识别等方面均有可观应用效果,基本满足实际路面病害检测工作需要。