浅谈公路超限检测站工程质量验收关键检测项目及方法

公路超限检测站是指为保障公路完好、安全和畅通，在公路上设立的对车辆实施超限检测、认定、查处和纠正违法行为的执法场所和设施。公路超限检测站建成后，各省、自治区、直辖市交通运输主管部门应当按照国家有关规定和标准组织验收，验收合格后方可投入使用。

基于德尔菲法的轨道交通桥梁关键检测指标研究

构建轨道交通桥梁技术状况评定关键指标,为轨道交通桥梁技术状况评定提供依据。在公路、市政桥梁技术状况评定指标的基础上,结合铁路桥梁检测规范,初步筛选9个评定指标;采用德尔菲法,对10名专家进行2轮问卷调查,最终确定8个关键检测指标。这8个关键检测指标的算术平均值为8.2~9.4,满分频率为30%~80%,变异系数为12.77%~17.92%,收敛性较好,结果可信度较高,可为轨道交通桥梁检测评定提供借鉴。

试述室内空气质量控制中关键检测技术

随着社会公众环保意识的提升,室内空气质量受到了更多的关注。空气质量检测是空气质量判定的依据,针对空气质量检测要注重关键检测技术,以保证空气质量检测的效果。

室内空气质量控制中关键检测技术的研究

室内是人们日常生活和工作的重要场所,室内空气质量直接影响人们的身体健康。室内空气中不仅有人们呼出的二氧化碳、微生物和细菌等,还有许多建材散发出的有害气体,如甲醛、苯系物等。由于这些有害物质不是肉眼可以看见的,因此室内空气质量检测技术的使用及效果就非常重要。

基于关键点检测的鱼类游动轨迹提取

针对现有的鱼类游动轨迹提取方法不能兼顾轨迹提取效率和准确率的局限性,提出了一种基于鱼类关键点识别与定位的鱼类游动轨迹提取方法。该方法在RetinaFace算法的基础上,通过改进网络结构和损失函数、优化锚框的尺寸设计、编解码鱼类关键点(头部点和形心点)、为鱼类目标的关键点添加额外的标注并制作成鱼类关键点数据集等改进策略,构建了基于关键点识别的鱼类轨迹提取模型。研究结果表明,本研究方法对鱼体关键点识别的精度很高,准确率、召回率、平均精度均值3项精度评价指标分别为97.12%、95.72%、96.42%;所提取的轨迹坐标平均相对偏差为MRE x(0.065%,0.092%)、MRE y(0.112%,0.011%),与鱼类的实际游动轨迹基本吻合;鱼类目标关键点的识别速度可达32帧/s,能够满足实时提取鱼类轨迹的需求。

基于改进沙漏的攀岩运动关键点检测算法

针对关键点检测中目标尺度多变以及不同特征适应性等难题,为进一步提升现有的姿态估计方法在实现姿态估计任务时的性能,验证单阶段和多阶段姿态估计方法各自的有效性,提出一种基于改进沙漏的攀岩运动关键点检测算法。首先设计一个多路池化残差结构,改善由于沙漏网络多次上下采样带来的信息损失和上下文信息提取不足的局限性,提升浅层特征在关键点检测中的表现;其次在沙漏网络中引入沙漏注意力结构,通过利用特征映射将输入信息划分为不同大小的特征块序列,在特征编码和特征解码两个过程中,充分挖掘图像有效信息,使得在特征匹配过程中不仅考虑本身的拟合程度,更考虑到关节位置之间的关联信息。实验表明,提出的算法在公开数据集MPII、COCO和针对攀岩运动的数据集上表现良好,且算法泛化能力较好,能够应用于多种运动场景中的人体关键点检测任务。

基于锚点的快速三维手部关键点检测算法

在人机协作任务中,手部关键点检测为机械臂提供目标点坐标,A2J(Anchor-to-Joint)是具有代表性的一种利用锚点进行关键点检测的方法。A2J以深度图为输入,可实现较好的检测效果,但对全局特征获取能力不足。文中设计了全局-局部特征融合模块(Global-Local Feature Fusion,GLFF)对骨干网络浅层和深层的特征进行融合。为了提升检测速度,文中将A2J的骨干网络替换为ShuffleNetv2并对其进行改造,用5×5深度可分离卷积替换3×3深度可分离卷积,增大感受野,有效提升了骨干网络对全局特征的提取能力。文中在锚点权重估计分支引入高效通道注意力模块(Efficient Channel Attention,ECA),提升了网络对重要锚点的关注度。在主流数据集ICVL和NYU上进行的训练和测试结果表明,相比于A2J,文中所提方法的平均误差分别降低了0.09 mm和0.15 mm。在GTX1080Ti显卡上实现了151 frame·s^(-1)的检测速率,满足人机协作任务对于实时性的要求。

面向人体姿态图像关键点检测的深度学习算法

传统人体姿态检测方法提取图像信息能力弱,易受背景环境干扰,在图像辨识上具有一定的局限性。为解决由于背景干扰而导致的人体姿态识别准确率低、计算效率差的问题,提出了一种基于人体关键点骨架合成与上深度学习姿态识别算法相结合的框架体系。首先采用MobileNet残差网络优化Open Pose网络结构,降低人体骨骼关键点识别的计算复杂度,提高计算效率;然后通过PAF算法预测骨架的最优连通域,构建出最优人体骨架信息,并基于最优骨架信息生成人体骨架辅助框提取法则,提取人体姿态的相对位置,解决环干扰的问题;接着将人体关键点特征与HOG特征有机融合,基于深度学习网络构建出OP-GAN人体姿态识别模型。仿真结果表明,与传统SVM模型相比,OP-GAN模型的F1综合性能指标提升了6.85%;与其它深度学习算法相比,关键点特征的融合以及GAN网络的使用均与模型的性能指标呈正相关关系。因此,新构建的OP-GAN人体姿态识别模型通过解决背景干扰的同时,提高了人体姿态识别的准确率与效率。

基于关键点检测的轻量级人体姿态估计算法分析

以基于关键点检测的轻量级人体姿态估计算法研究为目的,以实验方法分析LCSA-Net-YOLO-Pose算法在经YOLO-Pose算法改进后的性能效果。研究结果显示,LCSA-Net网络结构在人体姿态关键点检测方面的精度较高。结论表明,轻量级人体姿态估计算法——LCSA-Net设计合理,可以更好地服务于人体姿态估计。

基于头颈背部关键点的奶牛跛行检测

为实现奶牛跛行的自动检测,该研究鉴于跛行奶牛行走时,头部起伏较大且背部弓起的特点,提出了一种基于深度学习的奶牛头、颈、背部6个关键点的跛行检测算法。首先,在通道旁固定摄像头,采集奶牛行走的视频数据,利用YOLOv8n-seg实例分割算法将奶牛从图像中识别出来;其次,使用DeepLabCut算法提取视频帧序列中奶牛的头、颈、肩、背部中心、腰和尾部6个关键点坐标,对比分析实例分割得到的6种格式输入图像在MobileNet-V2和ResNet系列主干网络上的训练效果后,最终选择按目标检测框裁剪后的分割结果图和ResNet-152作为DeepLabCut算法的最佳输入和最优主干网络;最后,对比分析4种时间序列模型和FN-BiLSTM模型在奶牛跛行检测中的表现。试验结果表明,FNBiLSTM算法的性能最优,在包含16头奶牛16段视频的测试集上跛行识别的准确率达到了97.16%。研究表明,该算法可为养殖场奶牛跛行检测提供技术支持。

基于多关键点检测加权融合的无人机相对位姿估计算法

针对无人机降落阶段中无人船受水面波浪影响导致图像产生运动模糊以及获取无人机相对位姿精度低且鲁棒性差的问题,提出一种基于多模型关键点加权融合的6D目标位姿估计算法,以提高位姿估计的精度和鲁棒性.首先,基于无人船陀螺仪得到的运动信息设计帧间抖动模型,通过还原图像信息达到降低图像噪声的目的;然后,设计一种多模型的级联回归特征提取算法,通过多模型检测舰载视觉系统获取的图像,以增强特征空间的多样性;同时,将检测过程中关键点定位形状增量集作为融合权重对模型进行加权融合,以提高特征空间的鲁棒性;紧接着,利用EPnP(Efficient perspective-n-point)计算关键点相机坐标系坐标,将PnP(Perspective-n-point)问题转化为ICP(Iterative closest point)问题;最终,基于关键点解集的离散度为关键点赋权,使用ICP算法求解位姿以削弱深度信息对位姿的影响.仿真结果表明,该算法能够建立一个精度更高的特征空间,使得位姿解算时特征映射的损失降低,最终提高位姿解算的精度.

基于深度学习的非合作目标关键点检测及匹配方法

针对非合作目标相对位姿测量任务中特征点检测及双目匹配环节易受环境干扰、鲁棒性弱的问题,提出一种更具实用价值的方法。首先,将具有代表性的某型号卫星模型视为非合作目标实验对象,并针对其结构特点开发了关键点标注软件,以生成数据集并用于深度卷积神经网络(DCNN)模型的训练;之后使用不同算法对DCNN模型输出的两类信息进行分析,完成关键点检测;最后通过对识别对象进行双目匹配,从而间接完成关键点双目匹配。将该方法应用到自主搭建的系统平台,并与传统算法进行对比,结果表明,该算法可在实际应用环境中完成非合作目标的关键点检测及其双目匹配,并具有较强的鲁棒性,为非合作目标相对位姿测量任务的关键环节提供了一种新思路。

人脸关键点检测研究综述

随着计算机视觉等技术的快速发展,人机交互、医疗辅助、安防监控等领域迅速崛起,人脸关键点检测作为其中一项重要任务备受关注,它可以在图像或视频中定位和检测人脸关键点,具有很高的实用价值。通过对人脸关键点检测方法研究现状的梳理和分析,将其分为传统的人脸关键点检测方法和基于深度学习的人脸关键点检测方法;对比分析了各类方法的原理及优缺点,介绍常用数据集和评价指标,全面评估了重点方法在不同数据集上的性能表现;归纳人脸关键点检测应用领域,展望其未来发展方向。

基于双重YOLOv8-pose模型的探地雷达双曲线关键点检测与目标定位

探地雷达(GPR)是一种可用于地下目标识别的无损检测方法。针对现有方法存在不同尺度目标兼容性差、复杂图像识别难度大、无法精确定位等问题,该文提出一种基于双重YOLO姿态模型(YOLOv8-pose)的GPR双曲线关键点检测与目标定位,命名为双重YOLO关键点定位方法(DYKL),用于地下目标的检测与精确定位。所提模型架构包含两个阶段:首先,第1阶段是基于YOLOv8-pose模型的GPR目标检测,以确定候选目标的位置;接着,第1阶段的部分训练权重被共享并传递到第2阶段,后者以此为基础继续训练YOLOv8-pose网络,用于候选目标特征的关键点检测及获取,从而实现地下目标的自动化定位。通过与级联区域卷积网络(Cascade R-CNN)、更快的区域卷积网络(Faster R-CNN)、实时对象检测模型(RTMDet)以及“你只看一次”人脸模型(YOLOv7-face)4种先进的深度模型进行比较,所提模型平均识别准确率达到98.8%,性能优于其他模型。结果表明所提DYKL模型具有较高的识别准确性与较强的鲁棒性,可以为地下目标的精确定位提供参考。

基于双目立体匹配与改进YOLOv8n-Pose关键点检测的奶牛体尺测量方法

【目的】实现奶牛体尺准确测量,精准评定奶牛体型。【方法】针对奶牛体尺测量精度有限、自动化程度低等问题,提出一种基于双目立体匹配和改进YOLOv8n-Pose的奶牛体尺测量方法,利用CREStereo获取深度信息,在YOLOv8n-Pose中引入SimAM注意力机制,使网络更加关注奶牛个体识别及奶牛关键点位置信息,并采用CoordConv卷积改进网络结构,增强网络空间坐标感知能力。【结果】改进的YOLOv8n-Pose可快速准确检测奶牛体尺测量关键点,检测精度为94.3%,模型参数量为2.99 M,浮点计算量为8.40 G,检测速度为55.6帧/s。融合双目立体匹配与改进YOLOv8n-Pose关键点检测的奶牛体尺测量最大平均相对误差为4.19%。【结论】所提出的体尺测量方法具有较高的精度及较快的检测速度,能够满足奶牛体尺测量的实用要求。

基于关键点检测的服装廓形识别

为精准且快速地实现对服装廓形的判断,以秀场连衣裙为研究对象,提出了基于关键点检测的服装廓形分类算法。使用YOLO v8-Pose模型对秀场连衣裙进行关键点检测,提取服装的肩部、胸部、腰部、臀部和底摆两侧共10个关键点,并生成服装廓形图。通过加入Sobel边缘提取算法改进的DenseNet网络深度提取服装廓形特征,采用余弦相似度算法将其与标准的廓形库中提取的特征相比较,最终实现服装廓形的判别与分类。结果表明,该方法能够快速且准确地实现服装廓形的分类,廓形分类准确率达到了95.9%。

基于多尺度增量学习的单人体操动作中关键点检测方法

人体关键点检测是计算机视觉的热点研究领域.目前,对于体操动作关键点检测,仍存在检测精度不足及缺乏细节部位检测能力等问题.为了提升检测精度,本文设计了一种多分辨率网络,该网络在浅层具备较大感受野,同时能够利用高分辨率通道增强细节特征的提取能力.为实现对手部及脚部关键点的检测,设计了一种增量学习网络.该网络融合了多分辨率网络的浅层特征并利用自建数据集计算深层特征以提升网络对手部及脚部关键点的检测能力.最后对两个网络输出结果进行合并.计算机仿真表明,多分辨率网络在COCO2017关键点检测数据集上达到了94.4%的准确率,并且增量学习网络能够在训练数据较少的情况下实现对细节部位关键点的准确检测.

基于多尺度距离矩阵的语音关键词检测与细粒度定位方法

针对现有语音关键词检测方法定位精度低的问题,提出了一种基于多尺度距离矩阵的语音关键词检测与细粒度定位方法(spoken term detection and fine-grained localization method based on multi-scale distance matrices,MF-STD)。该方法首先利用残差卷积网络提取特征并构建距离矩阵以建模输入之间的相关性;其次通过多尺度分割和解耦头学习不同尺度下的定位信息;最后根据多尺度加权定位损失、置信度损失和分类损失优化模型,实现对关键词存在性和时域边界的细粒度预测。在LibriSpeech数据集上的实验结果表明,MF-STD在集内词的检测中,精准率和交并比分别达到97.1%和88.6%;在集外词的检测中,精准率和交并比分别达到96.7%和88.2%。与现有的语音关键词检测与定位方法相比,MF-STD的检测准确率和定位精度显著提升,充分证明该方法的先进性,也证明了多尺度特征建模与细粒度定位约束在语音关键词检测任务中的有效性。

改进的RetinaFace复杂构件关键点检测算法

为了解决航天装备复杂构件进行喷涂作业时难以定位、缺少关键点数据集等问题,在三维建模软件上搭建构件模型,通过截图和标记关键点制作数据集,并针对数据集量少的问题采取数据增操作。研究现有的RetinaFace关键点检测算法并进行改进,将主干特征提取网络采用优化的MobileNet结构,学习率采用余弦退火衰减,算法输入、输出张量长度与不同构件对应的关键点数相一致。实验结果表明,模型迭代500轮后在验证集上的平均误差降至0.062,能够有效地检测出待喷涂构件的关键点,性能优于同类算法。

基于改进U-Net的髋关节关键点检测算法

使用骨盆X光片诊断发育性髋关节发育不良(Developmental Dysplasia of the Hip,DDH)要求准确地标注髋关节关键点,而深度学习方法能作为可靠的辅助工具。针对骨盆片拍摄姿势和拍摄距离多样化问题,本文基于U-Net提出了RKD-UNet来检测髋关节关键点。该模型使用残差块改进U-Net的卷积层和skip-connection路径,并将坐标注意力引入到编码器中以增强模型对关键点邻域的特征提取能力。在编码器顶部使用卷积和ASPP模块构成Bridge块,以[3,6,9]的空洞率融合不同尺度的特征信息并提升模型的感受野。本文使用包含骨盆正位片、蛙位片、下肢全长片和术后骨盆片的数据集训练和测试模型。RKD-UNet实现了3.19±2.19 px的平均关键点检测误差和2.83°±2.59°的平均髋臼角测量误差。对正常、轻度、中度和重度脱位案例诊断的F1分数分别达到89.6、77.1、57.9和94.1,高于医生的手动诊断结果。实验结果表明,RKD-UNet能准确检测髋关节关键点并辅助医生诊断DDH。