改进YOLOv7算法的排水管道缺陷检测与几何表征

定期检查排水管道可以及时发现严重缺陷,对保证排水系统健康运行和城市环境安全具有重要意义。针对排水管道低照度和低分辨率检测困难现状,提出一种改进YOLOv7算法的排水管道缺陷检测与几何表征方法。首先,利用对比度受限自适应直方图均衡化图像增强技术,改善图像的对比度和细节,以提高检测网络对排水管道缺陷的捕获能力;其次,基于设计的Drop-CA和MC模块改进YOLOv7算法,使网络获得浅层缺陷的语义信息并降低误检率,提高模型的分类和定位能力;最后,针对裂缝和断裂2种严重缺陷,设计了一种定量描述该缺陷的几何特征方法来评估缺陷的大小。实验结果表明,改进的网络模型最终平均精度达到93.3%,检测速度达到42.9 f/s。该方法有效提升排水管道缺陷检测和分类精度,且可以有效表征缺陷的几何特征。

基于深度学习的园区安防吸烟行为检测

针对园区禁烟区时常出现一些流动人员违规抽烟造成的安防隐患问题,提出一种联合人体骨骼关键点检测和改进的YOLOv7烟支检测的吸烟行为深度学习检测方法。该方法首先通过OpenPose提取人体关键点的坐标信息,计算手、鼻子、脖子之间距离的比值,手、肘、肩之间的角度,判别是否满足吸烟姿态。然后联合改进的YOLOv7算法检测图像中是否存在烟支,来最终判断吸烟行为是否存在。其中改进的YOLOv7算法引入了全局注意力机制模块,强化了语义与位置信息,使用转置卷积改进上采样方式,减小了信息丢失,并采用MPDIOU损失函数,增强了回归结果准确性,提升了对烟支小目标的检测精度。通过实验测试,本文方法准确率达到95.45%,可以有效地检测出吸烟行为。