基于轻量级YOLO-v4模型的变电站数字仪表检测识别

为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首先,通过从鄂尔多斯变电站实际拍摄变电站数字仪表图像数据,使用Albumentations框架对数字仪表图像进行数据扩充,构建变电站数字仪表目标检测数据集;然后,以YOLO-v4网络为基础,结合注意力机制构建一个有效通道注意(efficient channel attention,ECA)改进的深度可分离卷积模块(ECA-bneck-m);最后,提出一个轻量级YOLO-v4模型,进行模型大小与性能的对比实验.实验结果表明:本文方法可以在几乎不损失检测准确度的情况下,将整个模型存储大小压缩为原先的1/5,同时将模型推理速度从24.0帧/s提升至36.9帧/s,其实时性能够满足实际变电站检测识别的工程需要.

科学家开发高效检测识别海洋微塑料方法

近日,比利时佛兰德斯海洋研究所的科学家开发了一种高效低成本的新方法,用以检测和识别海洋微塑料。该方法使用荧光染料对微塑料颗粒进行染色,再利用两种机器学习算法,对微塑料进行分析:一是“决策树”算法,用于确定微粒是否由塑料制成;二是“随机森林”算法,根据塑料粒子的聚合物类型对其进行进一步分类。通过上述方法,科学家成功分析了海洋环境样本中的微塑料,准确率可以达到90%。

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。

雷达、通信、干扰信号一体化检测识别技术研究

雷达信号、通信信号及其干扰信号在时域和频域都有各自的特点,当这些信号在时域、频域相互交叠时,传统的信号检测和识别算法很难将这些信号进行有效地分离,影响信号检测和参数测量。针对雷达信号、通信信号及其干扰信号在时、频域的特点,研究雷达信号、通信信号及其干扰信号在时域、频域混叠情况下的信号检测、参数测量及其信号类型识别方法。

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。

基于深度学习的32位烟码现场检测识别系统

在卷烟市场检查中,主要依靠稽查人员人工辨认烟码信息,效率较低且成本较高。为此,设计一种基于深度学习的卷烟32位激光烟码现场检测识别系统。首先,构建字符识别模型与烟码样本数据集,使用具有字符感知能力的融合网络对烟码检测目标进行多字符识别分类。其次,构建烟码信息数据库,开发手机端应用程序。最后,进行识别测试。测试结果表明,该系统能够正确检测并识别32位的全部烟码信息,具有较高的正确率。

重载铁路接触网鸟窝检测识别方法

重载铁路作为我国经济发展的大动脉,承担着大宗货物运输的重任,重载铁路行车安全至关重要。但是在重载铁路运行过程中,接触网鸟害问题一直都是较为严重的安全隐患,鸟窝的大小、形状等存在不确定性,导致对于接触网鸟窝的识别难度较大,一旦发现不及时,就会造成较为严重的后果。因此,如何提高重载铁路接触网鸟窝检测识别方法,更为精准的识别鸟窝,是现阶段重载铁路接触网安全亟需解决的主要问题。基于此,本文在重载铁路接触网鸟窝带来的影响基础上,对重载铁路接触网鸟窝检测识别方法的重要性进行了探讨,并对重载铁路接触网鸟窝检测识别方法进行了讨论。

基于深度学习技术的农作物病虫害检测识别系统的研究

传统的病虫害监测方法依赖于人工视觉识别,缺乏客观性和准确性,且效率低下、成本高昂,深度学习技术的发展为农作物病虫害监测识别提供了新的解决方案。阐述了深度学习技术在农作物病虫害识别中的应用优势,探讨了基于深度学习技术的农作物病虫害监测识别系统构建,介绍了深度学习技术在农作物病虫害监测中的应用。

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中,目标区域占比小、信噪比低,且海况环境与干扰种类多变,使得经典的深度神经网络在此种条件下检测识别精度较低。为此,本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先,引入极化特征提取模块挖掘目标与干扰的差异化特征;其次,通过特征金字塔网络解决小目标检测识别的问题;最后,使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0,相比不采用极化特征有着显著提高。

基于图像处理的纱线检测识别系统

为实现圆纬机自动上下料系统中纱线吸取状态的判别,提出一种基于图像处理的纱线检测识别系统。该系统通过设计小尺寸盒子,与低成本相机模组、补光灯一起组成专用拍照盒。利用拍照盒内部稳定的光照环境,保证纱线图像高质量获取以及防止外部环境干扰影响识别效果。工控机对纱线吸取前后的图像进行处理,得到其像素值,最后根据两幅图像像素变化值大小,判断纱线是否成功吸取。系统搭建后,分别对8种不同颜色常用纱线进行测试,模拟头线识别情况,以及对黑色和白色纱线进行测试,模拟头线、尾线识别情况。结果表明:该方法能检测识别各类纱线吸取状态,可应用于圆纬机自动上下料系统。

动态视觉传感器的行人检测识别算法研究

通过围绕YOLOv5+deepsort实时摄像头采集到的行人图像,首先利用改进HOG目标检测算法将某一动态事件转化为灰度图、提取整体性特征,降低局部细节特征关注度;然后基于事件整合的深度神经网络(Event-based YOLO)算法,对处理后的动态事件整体完成卷积、池化深度学习分析,得出动态视觉传感器的行人数据集检测识别结果。仿真实验结果表明,相比于传统YOLO网络算法、CNN卷积神经网络算法而言,采用CIFARIO-YOLOv5动态事件数据集展开算法迭代,Event-based YOLO神经网络融合算法对事件相机输入图像的迭代训练,其损失函数值LF(loss function)、准确率P(precision)、F值(F-measure)均优于以上两种算法,且检测准确率为95%以上,可以被用于外部动态场景的行人目标检测与识别。

一种基于流量特征的加密挖矿行为检测识别方法

针对加密货币矿工采用加密手段进行挖矿的行为,本文搭建加密挖矿流量分析环境,针对加密挖矿流量特征进行分析,提取挖矿流量在统计和时序方面的特征以及数据包特征参数进行建模,使用Bagging算法对模型进行训练,形成一种有效检测模型,实验结果表明,取得了较好的识别效果。加密挖矿识别准确率达到95.8%,精确率93.1%,召回率94.5%。为加密挖矿检测提供了一种有效的解决方案。

探究高光谱图像用于农作物病害检测识别的相关进展

农作物病害构成了威胁作物正常生长的关键影响因素,对于农作物的各种常见病害只有进行了精准的识别与检测,才能实现在根源上遏制病害发生的目标。在当前时期的病害检测技术转型发展中,高光谱图像的检测作物病害技术仪器已经获得了较为普遍的采用。高光谱图像能够实现精准程度较高的病害影像显示效果,有助于农业种植人员制定更加科学的病害防控方案。因此,本文探讨了对于农作物病害采用高光谱图像进行检测识别的技术发展进程。

基于类激活映射的可解释性方法在农作物检测识别中的发展现状与趋势

深度学习模型被广泛应用于农作物检测和识别领域,其优势在于通过构建不同的功能感知层而优化模型,能够自动提取输入数据的特征,实现端到端地学习。但是该模型中未知的数据处理过程导致模型缺乏可解释性,成为阻碍深度学习应用的主要因素。为克服深度学习模型可解释性不足的缺陷,研究者提出了基于类激活映射的可解释性方法。概述了类激活映射算法Grad-CAM在农作物病害分类和检测、农作物虫害检测识别、农作物品种分类、目标农作物检测以及其他应用上的研究进展,说明了类激活映射算法具有能够可视化任意结构卷积神经网络的优点,分析了类激活映射算法存在解释精细度不高、梯度不稳定、缺乏评估标准以及应用背景单一的不足,提出了构建既具有高准确率又具有可解释性的模型、构建新型解释算法、建立可解释性算法统一的评估标准和保证可解释性算法正确性的发展趋势。

自然场景文本快速检测识别方法

针对基于卷积循环神经网络或实例分割的自然场景文本图像检测识别方法结构复杂、实时性差、鲁棒性低的问题,提出基于改进Faster RCNN和高斯混合模型(GMM)的文本图像快速检测识别方法。该方法首先使用改进的Faster RCNN模型进行单字符检测识别并求出图中文本区域的数量,然后使用高斯混合模型进行单字符聚类并构造出候选的多边形文本框,最后使用重定义的置信度公式筛选出适当的文本区域边框,并输出边框内的字符标签序列。公共数据集的测试结果表明,该方法具有良好的鲁棒性和实时性。

基于计算机视觉的棉花异性纤维检测识别算法研究

对棉花中的异性纤维检测问题进行研究可以提高检测的准确度。在棉花异性纤维检测过程中,如果棉花中有线状异性纤维或者头发丝,那么传统单一程度边缘检测算法无法精准检测线状异性纤维,从而导致检测准确率降低。为了解决该问题,该文设计了棉花异性纤维检测识别算法。首先,通过棉花图像分割连通区域对各区域进行多尺度小波变换。其次,设置各区域检测阈值。最后,检测异性纤维。试验结果表明,该文提出的方法可以精准检测线状异性纤维,检测精准度较高。

复杂环境下高扩展性无人机信号检测识别方法

利用无人机与遥控器间的无线电信号进行无人机检测和识别是当前的研究热点。但在该领域,仍存在两个关键问题有待解决:一是如何在存在众多第三方信号的复杂电磁环境下有效检测识别无人机信号,二是如何保证检测识别系统针对新型无人机的快速扩展能力。针对这两个问题,提出了一种高扩展性的无人机信号检测识别架构。首先,利用YOLO神经网络模型应对复杂电磁环境下信号检测难题。该模型设计和训练面向通用电磁信号检测。完成信号检测后,利用“信号特征提取+支持向量机”结构设计无人机信号识别算法。该步骤计算复杂度低,模型参数少,因此对新型无人机具备良好的可扩展性。

基于分布估计算法的用户参与需求响应检测识别方法研究

基于不断发展的智能电网技术和日渐成熟的需求响应机制,对需求响应下的居民用电策略进行研究分析,提出了一种基于分布估计算法的用户参与需求响应检测识别方法,利用分布估计算法来检测参与需求响应的用户是否切负荷,精准识别出响应线路,能够检测90%以上的用户需求响应,检测时间仅需1~2 s,从而改善了电网需求响应的调节效果,对于配电网的稳定运行和及时检修具有十分重要的意义。

水泥混凝土路面脱空及检测识别技术发展现状分析

文章介绍了人工判别法、弯沉判别法、声振法、探地雷达法、红外热成像法五类底板脱空检测识别方法,并对比分析其优缺点,提出了脱空检测识别技术定量判定的研究发展方向。

近红外光谱在转基因玉米检测识别中的应用

随着转基因食品的推广应用,人们越来越关心其食用安全性.以转基因玉米及其亲本为实验材料,借助于近红外光谱仪对转基因玉米及其亲本进行了识别分析:扫描区间为12000～4000 cm-1,分辨率为4cm-1,扫描次数为64次;以三层误差反向传播算法(简称BP算法)进行数据处理.结果显示通过扫描光谱及数学和计算机软件分析,非常准确、方便地识别了转基因农产品.所以通过近红外光谱所建立的转基因BP-网络识别模型完全可用于实际应用.近红外分析还具有无污染、成本低等优点,是一种极具前景的转基因食品安全检测识别技术.