基于YOLOv3的风机叶片故障检测模型

针对风机工作中由于高海拔地理位置、恶劣天气等因素的影响,致使风机叶片出现裂纹、沙眼等缺陷故障,提出基于YOLOv3算法的风机叶片故障检测模型。将风机叶片缺陷区域具有YOLO格式的数据集划分为训练集与测试集,输入YOLOv3模型进行实验,结果表明:YOLOv3模型与YOLOv2模型相比,精度提升3.7%,达到了90.6%;召回率提升3.2%,达到了90.5%;精度平均值提升4.8%,达到了76.2%。

综采工作面采煤机故障监测诊断系统的设计与应用

综采工作面采煤机截割部是煤炭生产的重要组成部分,具有较高的故障频率,且其维护活动成本高、耗时长。煤炭企业迫切需要一种有效的采煤机截割部故障监测系统。针对此问题,将综合重要度(IIM)引入故障树分析方法中,以识别采煤机截割部的薄弱环节。开发了一种基于IIM的故障树分析方法的监测诊断系统,以确定采煤机截割部的关键故障。以XX煤矿MG400/930-WD型采煤机为例,通过IIM排序,可确定轴承磨损为关键故障原因。为验证所提方法的有效性,采用径向条形图分析了4种重要性测度的相对值分布,并通过平均精度评价了不同排序的准确性。结果表明,IIM能明确区分底事件的相对重要性,IIM排序的平均准确率为94.52%。因此,所提方法能准确有效地识别关键故障原因,且有限的资源应优先考虑IIM较高的底事件。

基于改进YOLOv5s的外脚手架隐患图像识别技术

为提高外脚手架安全管理的质量和效率,基于图像识别技术提出一种改进YOLOv5s的外脚手架隐患识别方法。首先,为解决背景信息过多造成的识别精度下降问题,在主干网络嵌入设计卷积注意模块(CBAM),获取隐患的各种细节特征;其次,改进原算法颈部特征融合模块为加权双向特征金字塔网络(BiFPN)结构,有效处理外脚手架隐患目标尺寸分布不均衡造成的多尺度特征不平衡问题;然后,使用边界框损失函数斯库拉交并比(SIoU)Loss替换原损失函数;最后,通过消融试验分析改进模块对模型性能的影响,并与其他算法进行对比分析,验证隐患识别效果。结果表明:改进后的网络实现均值平均精度(mAP@05:095)评分提升513%,召回率提升345%,对多尺度、多目标及复杂背景下的外脚手架隐患具有良好的识别效果。

基于改进YOLOv5算法的块状磨屑识别方法

针对钢轨打磨车作业产生的块状磨屑的处理方式效率低、智能化程度低、安全隐患大等问题,提出一种基于改进YOLOv5算法的块状磨屑智能识别方法。在原有YOLOv5算法基础上,增加更大尺度的检测层,提升小尺寸块状磨屑的检测效果;在骨干网络嵌入卷积注意力模块(Convolutional Block Attention Module,CBAM),增强块状磨屑的特征表达;选择EIoU(Efficient Intersection over Union)替代CIoU(Complete Intersection over Union)作为目标框回归的损失函数,加快模型的收敛速度,提高块状磨屑预测框的精度。利用某轨道巡检小车采集的数据进行测试试验,结果表明:改进后的YOLOv5算法对于块状磨屑的检测能力有所提高,召回率提升了4.55%,均值平均精度提升了8.6%,对小尺寸块状磨屑有更好的检测效果。

基于改进YOLOv5s的经编织物缺陷检测

针对经编织物缺陷检测精度低、漏检和误检率高等问题,提出改进的YOLOv5s算法模型CSC-YOLOv5s。首先使用ConvNeXtBlock模块替换主干提取网络中的CSP模块,增强主干网络的特征提取能力,减少特征提取时细节信息的丢失;其次提出SC-PANet网络结构,引入SimAM注意力机制模块,增强模型在特征融合时对经编织物缺陷区域的关注,提高小尺寸缺陷的检测精度,结合Content-Aware ReAssembly上采样算子改进上采样层,提升特征融合精度;最后改进损失函数,加速模型收敛。试验结果表明,CSC-YOLOv5s算法在自建经编织物数据集上mAP值为90.6%、召回率为85.9%,比原始YOLOv5s算法分别提高5.5个百分点和5.9个百分点,改进后的算法整体性能较好。

基于改进YOLOv5的玻璃纤维管纱缺陷检测方法

针对玻璃纤维管纱缺陷检测中存在的抗干扰能力差、检测精度低和检测速度慢的问题,提出了一种基于改进YOLOv5的玻璃纤维管纱缺陷检测方法(BY-YOLO)。首先建立了高效重参数网络(ER-Net)作为主干网络对管纱缺陷特征进行优化提取,利用结构重参数化技术和精确金字塔池化模块(R-SPP)提升检测速度,减弱特征噪声信息对检测效果的影响;其次提出了深度注意力路径聚合网络(DA-PANet)作为颈部网络对管纱的多尺度特征进行融合,通过特征增强模块Depth-Mixer和注意力机制模块增强管纱缺陷特征的语义信息,提高模型对多尺度缺陷的检测能力。试验结果表明:该方法能够将玻璃纤维管纱缺陷检测的mAP值提高至94.43%,同时将其检测速度提升到103帧/s。与其他主流的检测模型相比,该研究提出的方法拥有更高的鲁棒性、准确性和实时性。

基于深度卷积神经网络与哈希的图像检索

为解决当前流行的哈希检索方法生成的哈希码存在信息冗余,不能很好地保留图像语义相似性等问题,提出一种基于深度卷积神经网络来学习二进制哈希编码的方法。利用深度卷积神经网络提取图像的特征表示;将来自两个完全连接层的图像特征表示输入到哈希层,将分类误差以及阈值误差添加到损失函数中进行训练;将查询图像输入模型得到对应的哈希码。在CIFAR-10和NUS-WIDE两个数据集上进行实验,实验结果表明,所提方法在检索精度方面优于其它现有哈希方法。

基于YOLO算法的手势识别

研究YOLO算法在手势识别中的应用,提升在近肤色和光线明暗不一的背景下检测的速度和精度.YOLO算法是端到端的检测方法,通过卷积神经网络自动提取目标的特征,可以大幅度提高运算速度.鉴于YOLO算法在目标检测任务中的优良表现,将YOLO算法应用到手势识别问题中.通过对YOLO系列算法的研究对比表明,YOLO算法在手势识别中具有良好表现.同时,在YOLOv3算法的快速版本YOLOv3-tiny的基础上提出了YOLOv3-tiny-T算法.YOLOv3-tiny-T在包含5种手势的UST数据集上,平均精度均值为92.24%,较YOLOv3-tiny获得了5%左右的提升.

改进Faster R-CNN的目标检测算法

考虑到目标检测任务中由于目标尺寸大小、形态、遮挡和照明条件的巨大差异,论文对Faster R-CNN算法进行改进。首先,选择残差网络ResNet-101作为特征提取网络;其次,受Mask R-CNN中RoI Align的启发,引入RoI Align单元并结合双线性插值的方法保留浮点数以提高检测精度;最后采用soft-NMS算法代替传统的NMS算法来进行非极大值抑制,使得重叠度高的物体能被成功检测。实验结果表明在PASCALVOC2007数据集中改进算法均值平均精度为80.2%,相比faster R-CNN算法提高了3.8%。

基于改进Mask R-CNN钢纤维混凝土裂缝检测模型

针对混凝土裂缝检测具有多类别影响的复杂性,难以做准确分类、分割和定位任务问题,提出基于改进Mask R-CNN钢纤维混凝土裂缝检测方案。为提高检测速率和精度,对方案模型主干网络增加分散注意力模块跨越特征图组,提高特征学习能力,在交并比基础上增加目标与锚框间距离、重叠率、尺度和惩罚项提高回归精度,并与原始Mask R-CNN模型进行对比。仿真结果表明裂缝、数字以及词汇的平均精度均值达到96.09%,能够精准定位裂缝并作出像素级分割,单样本耗时198 ms。提出的模型既增加了准确率又降低了图片处理延时,与原始Mask R-CNN模型相比,平均精度均值和图片处理速率分别提升6.2%和5.7%。仿真实验证明改进后的模型具有较强的鲁棒性以及泛化能力。

一种基于共享多头模块的轻量型一阶段网络

一阶段目标检测网络SSD备受青睐,本文基于标准的SSD网络,提出了一种新颖的轻量型SSD(Lightweight SSD,LSSD)网络构架;此外,还提出了SMHM(Shared Multi-Head Module)模块,该模块使得所有输出层级共享网络头部。相对于标准的SSD,本文提出的这种改进型一阶段网络构架(记为SMHM-LSSD)具有更少的网络参数量、更快的速度、更高的检测精度。本文在香港中文大学和商汤科技推出的平台mmdetection上对VOC0712数据集进行实验,其中VOC0712训练集进行训练,VOC07测试集进行测试。实验结果显示,本文提出的LSSD相比于SSD提高了0.2%的检测精度,减少了23.1 M的参数量,提升了5 fps/s的速度;加入SMHM模块后,最高提升了0.6%的检测性能,减少28.7 M的参数量,提升8 fps/s的速度,SMHM-LSSD达到了78.9%的均值平均精度。

基于AI目标检测在工程管理图像数字化的应用实践

为强化数据驱动的工程管理,推进工程建设数字化、智慧化以及工程实施和管理的标准化,需借助大数据AI技术实现工程施工过程中的图像目标检测,以提升工程质量和效率。本文探讨不同AI目标检测算法在工程质检场景的应用,通过比对两阶段检测算法Faster RCNN和Cascade RCNN、单阶段检测算法yolo系列在空开熔丝设备型号规格检测的实验效果,yolov5在本数据集上的检测速率(Fps)优于Faster RCNN、Cascade RCNN、PPyolo,而yolov5的均值平均精度mAP(0.981)与Faster RCNN(0.961)、Cascade RCNN(0.978)、PPyolo(0.986)表现相当,yolov5兼备了检测速率和检测精度。

基于统一划分的特征自适应行人再识别方法

为解决行人再识别(Re-ID)任务中,目标特征统一划分方法导致的部位信息关联性减少和识别率降低的问题,提出了基于密集连接卷积网络(DenseNet)的深度学习方法框架及基于统一划分方法的特征自适应Re-ID方法。在统一划分方法的基础上,为了保留部位特征的相关性,利用马氏距离公式计算相邻特征距离,自适应地选取信息相关性高的部位特征做融合,再对融合后的特征做行人分类。该文算法分别在Market1501数据集、CUHK03数据集以及DukeMTMC-ReID数据集上进行实验。平均精度均值(mAP)分别达到82.8%、70.3%、60.1%。该文方法与基于部位的卷积基准(PCB)以及部位对齐的行人再识别(AlignedReID++)相比,mAP均有提高。

改进的YOLOv3目标检测算法

针对YOLOv3目标检测算法存在网络参数量大、检测精度不够高的问题,首先,使用一种轻量化YOLOv3特征提取网络的方法,降低特征提取网络部分的参数量;其次,提出一种多级特征融合网络结构,提高YOLOv3算法特征层的检测效果;最后,采用一种软化的非极大值抑制(soft non-maximun suppression,Soft-NMS)算法,在检测阶段有效避免重叠目标下的漏检。结果表明,相比于YOLOv3算法,改进YOLOv3算法的参数量降低了46%,模型大小约为原模型的50%,在PASCAL VOC 2007数据集上的平均精度均值(mean average precision,mAP)提升了3.5%。

面向行人重识别的通道与空间双重注意力网络

针对现实场景下因受到摄像机视角变化、行人姿态变化、物体遮挡、图像低分辨率、行人图片未对齐等因素影响导致行人判别性特征难以获取的问题,设计混合池通道注意模块(HPCAM)和全像素空间注意力模块(FPSAM),并基于这两种注意力模块提出一种通道与空间双重注意力网络(CSDA-Net)。HPCAM模块能够在通道维度上抑制无用信息的干扰,增强显著性特征的表达,以提取得到判别性强的行人特征。FPSAM模块在空间维度上增强行人特征的判别能力,从而提高行人重识别的准确率。通过在传统行人重识别深度模型框架中分阶段融入HPCAM模块和FPSAM模块,获得由粗糙到细粒度的注意力特征。实验结果表明,CSDA-Net网络在行人重识别主流数据集CUHK03、DukeMTMC-ReID和Market1501上的Rank-1准确率分别为78.3%、91.3%和96.0%,平均精度均值(mAP)分别为80.0%、82.1%和90.4%,与MGN网络相比,Rank-1准确率分别提升14.9、2.6和0.3个百分点,mAP分别提升13.7、3.7和3.5个百分点,能够提取更具鲁棒性和判别性的表达特征。

基于注意力机制的弱监督动作定位方法

针对弱监督动作定位方法无法直接进行动作定位且定位准确性不高的问题,提出了一种基于注意力机制的弱监督动作定位方法,并设计和实现了一种基于动作前后帧信息和区分函数的动作定位模型。采用条件变分自编码器(CVAE)注意力值生成模型,将生成的帧级注意力值作为伪帧级标签;为了增强帧前后的关联性,改进CVAE注意力值生成模型,加入动作前后帧信息以获取帧级注意力值;采用基于区分函数的注意力值优化模型,对伪帧级标签进行反复训练和优化。在THUMOS14和ActivityNet1.2数据集上进行的实验结果表明,基于动作前后帧信息和区分函数的动作定位模型具有较好的动作定位效果和准确性,相较于未加入动作前后帧信息的模型,动作漏检率减小了11.7%;与AutoLoc、W-TALC、3C-Net等弱监督动作定位模型对比,当交并比(IoU)取值0.5时,在THUMOS14数据集上平均检测精度均值(mAP)提升10.7%以上,在ActivityNet1.2数据集上mAP提升8.8%以上。

基于轻量化YOLOv4电动车头盔检测的算法

在城市交通中,时常出现电动车骑行者引发的安全事故,佩戴安全头盔可以有效地避免或降低安全事故带来的损害,因此提出了一种基于改进YOLOv4的电车头盔检测算法,可以有效地检测电动车骑行者佩戴头盔的状况。首先建立电车头盔数据集并对其进行标注,利用数据增强方法扩充数据集;再将主干网络CSPDarknet中普通卷积改为深度可分离卷积,减少计算量,便于用于交通部门实际检测中;然后运用k-means++聚类算法对网络anchors进行重新设置,提高网络提取特征的能力;最终改进后的YOLOv4网络的平均精度均值(mAP)提高了2.75%。