基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

五种烟草根茎病害病原菌多重PCR检测方法的建立与应用

为了快速准确鉴别烟草根腐病菌(Fusarium oxysporum)、黑胫病菌(Phytophthora nicotianae)、立枯病菌(Rhizoctonia solani)、根黑腐病菌(Thielaviopsis basicola)和鸢尾丝囊霉菌(Aphanomyces iridis)等5种烟草根茎病害病原菌,利用RAPD分子标记等方法筛选和设计特异性扩增引物,优化多重PCR扩增体系中各引物添加量、退火温度、循环数等条件,建立多重PCR检测体系,并对其检测的可行性进行验证。本研究筛选并设计出F.oxysporum、P.nicotianae、R.solani、T.basicola和A.iridis的特异性引物对LD141 F/R、YM1002 F/R、LK111 F/R、GHFT F/R、AiT7 F/R,PCR反应体系中最佳引物组合浓度分别为1.0、1.0、0.2、0.5、0.5μmol/L,最适退火温度为54℃,最佳循环数为28,可同时扩增出大小分别为370、240、536、783、138 bp的特异性片段,能同时检出5种病原菌DNA的最低限值为0.5 ng/μL,可实现对烟草育苗基质和烟株中5种病原菌的快速检测,对烟草苗期根茎病害的早期预防具有重要意义。

基于Swin Transformer的沥青路面病害分类检测研究

针对传统卷积神经网络模型在沥青路面病害检测中识别长距离裂缝结构能力不足以及面临的精度局限问题,引入Swin Transformer模型进行沥青路面病害分类研究;首先对于路面检测车采集到的沥青路面扫描图像对比度低的问题,使用直方图均衡技术处理图像,增加图像可视化效果;其次,选取3种经典卷积神经网络模型作为对比模型,并在训练过程中采用更换损失函数,调整预训练模型等手段解决过拟合问题;并选用准确率、查全率、F1-score作为评价指标;在最终实验结果中Swin Transformer识别准确率达到了80.6%,F1-score达到了0.776,不仅在整体分类准确率上超越了传统CNN模型,并且对具有长距离特征结构的病害方面具有更高的识别准确率,同时具有良好的可靠性。

基于线阵相机/扫描仪的轨交隧道病害检测系统设计实现

隧道维护可以避免隧道病害引发的安全事故,有效的维护依赖于全面和准确的隧道病害检测。传统的隧道病害检测依靠人工巡检,受隧道照明不足、检测时间短等因素的影响,检测效率低下且准确率低。针对这些隧道病害检测中的难题,根据轨交隧道结构均匀、轨道线路固定的特点设计了轨交隧道病害检测系统。系统将激光扫描技术与摄影测量技术相结合,使用激光扫描仪获取隧道三维点云,使用多线阵相机获取隧道影像,借助激光跟踪仪并设计虚拟靶标场对相机和扫描仪进行标定使其坐标基准统一。系统采用分布式的软件架构研发数据采集软件进行传感器交互和数据存储,并采用外触发的方法使传感器采集频率与车速匹配,最后基于Cesium框架研发数据管理平台对隧道数据进行管理。将系统应用于某隧道进行数据精度验证,实验表明轨交隧道病害检测系统能够在实际隧道中检测宽度为0.2 mm的裂缝和错台量0.5 mm的错台,具备轨交隧道病害检测能力。最后,通过将实验采集到的数据应用于隧道裂缝检测、错台检测、变形检测等方面,并对检测出的病害进行定位,证明了轨交隧道病害检测系统的实用性,为轨交隧道病害检测提供了可靠的解决方案。

多病害并发复杂场景下的道路病害检测RGT-YOLOv7模型

随着我国公路网的不断扩展,道路病害检测已经成为道路养护与行车安全保障必不可少的组成部分,基于深度学习的道路病害检测已经成为该领域的研究热点.针对多种病害并发的复杂场景下道路病害识别精度不高、泛化能力不足的问题,提出了一种复杂场景下的道路病害检测模型RGT-YOLOv7(Receptive Ghost Triplet-YOLOv7).在主干网络部分引入三重注意力机制,提高病害特征在不同通道与空间的相关性,解决了特征提取效率不高的问题;将原有的全连接空间金字塔卷积模块替换为快速全连接空间金字塔卷积模块,并加入幻影卷积模块,提高冗余特征的使用率,将原有的冗余特征与新提取到的特征融合,得到包含不同尺度的特征信息;为了扩大模型感受野,在特征增强部分加入改进的感受野模块,利用不同尺寸的空洞卷积从不同方向对特征图进行提取,加强对横向和纵向特征的提取.实验结果表明,与YOLOv7相比,识别的平均正确率(mean average precision,mAP)和平衡F分数分别提升了6.9、3.9个百分点,尤其是对纵向裂缝危害识别的平均正确率提高了22.3个百分点,与Faster R-CNN、YOLOv5等模型相比也有良好的性能提升,表明RGT-YOLOv7是一种有效的复杂场景下的道路病害检测模型.

基于Swin-TDL算法的果园环境下葡萄病害检测方法

为在果园复杂环境因素下准确检测葡萄病害,提出一种基于Swin Transformer的葡萄病害检测模型Swin-TDL。采用Kmeans++聚类算法计算模型输入图像的锚框以提高检测精度;以Swin Transformer网络作为Swin-TDL的骨干网络更准确地获取目标特征信息;特征金字塔网络和路径聚合网络用于融合骨干网络中不同深度的特征层信息以增强检测目标的语义信息和定位信息;使用SIoU损失函数作为边界回归预测损失函数用于提高训练的速度和模型推理的准确性;使用Soft-NMS对目标边界框后处理以提高遮挡及重叠目标的检出率。在田间葡萄病害数据集中进行模型训练和性能测试,结果表明,Swin-TDL模型的平均精度均值为92.7%,平均检测时间为15.3 ms,综合性能优于对比检测算法,可以为葡萄植保装备研究提供参考。

基于深度学习的计算机视觉在隧道衬砌病害检测中的应用综述

隧道衬砌作为隧道的重要支撑结构,对其中存在的病害进行检测显得十分重要。然而,传统的隧道病害检测方法高度依赖人工,效率低下,并且存在一定的安全风险,因此,如何高效、安全地实现病害的自动检测成为了热门的方向之一。深度学习(DL)和计算机视觉(CV)被视为实现隧道衬砌病害自动检测的具有发展前景的方法。为了阐明DL技术和CV技术在病害检测中的研究与应用,总结了隧道衬砌病害检测技术的发展历程;基于数据对于DL模型训练的重要性,总结了衬砌病害数据集的建立过程;随后,总结了基于DL的CV技术在隧道衬砌表面病害和内部病害检测方面的方法和应用;最后,讨论了目前研究中存在的问题,并对未来的发展进行了展望。

面向多类路面病害的智能集成检测方法

为提升路面病害检测效率,弥补当前病害排查手段低效费时的弊端,本文以深度学习技术为支撑,结合图像分类与目标检测技术,提出一种面向多类型路面病害的集成性智能检测方法。该方法将路面种类分类、路面病害判别和路面病害检测3个功能模块进行有效集成。首先,调整VGG-16算法,并加入SE注意力机制;其次,优化YOLOv7检测网络,添加小目标检测层的同时融入CBAM前馈卷积注意模块。结果表明,调整后的VGG-16网络在路面种类分类、路面病害判别任务上准确率均在98%以上,优化后的YOLOv7使沥青、混凝土、砌块路面检测平均精度分别提高了3.00%,1.80%,3.90%。经实地测试,3个模块平均准确率分别为99.72%,98.28%,91.52%,整体方法综合准确率为89.69%。研究结果为路面病害快速筛查,实现整体评估提供有效参考。

改进YOLOv5s的桥梁表观病害检测方法

针对已有目标检测方法在混凝土桥梁表观病害检测的应用中识别精度低且伴随较多误检和漏检的问题,提出了一种改进的YOLOv5s桥梁表观病害检测方法。针对目前桥梁表观病害特征成分较复杂的问题,为了更有效地利用不同尺度的缺陷特征,在主干网中添加修改后的空间金字塔池化模块,提高了整体网络对缺陷特征信息的获取能力,同时减少了运算工作量;针对由病害图像中不同缺陷特征交叉分布导致的误检率、漏检率高的问题,在YOLOv5s网络中加入轻量化注意力模块;针对桥梁缺陷尺寸差异大、分类困难和数据集小而导致的边界回归不匹配的问题,采用考虑了向量角度的损失函数。实验证明,改进后的YOLOv5s检测器在桥梁表观病害目标检测识别任务中能够有效提高精度、降低误检率和漏检率。

基于预训练CNN模型深度特征融合的苹果叶片病害检测

探讨了采用预训练的卷积神经网络(CNN)模型,如GoogLeNet、VGGNet和EfficientNet,作为特征提取器对苹果叶片病害检测准确率的影响。通过结合这3个CNN模型导出的深度特征,实现了深度学习特征的组合,使用提取的深度特征训练了支持向量机(SVM)分类器。结果表明,所有CNN模型都能以显著的准确率使用深度特征提取并检测出苹果叶片病害,整体分类准确率达到了99.42%。此外,该研究还提出了一种基于改进深度学习的方法,通过结合3个CNN模型的深度特征,进一步提高了预测性能。该方法在苹果叶片病害检测中表现出色,并有望应用于其他植物叶片的病害检测。该研究为植物病害的自动识别提供了一种有效的方法,有助于农业生产的智能化和精准化。

基于改进YOLO v7的苹果叶片病害检测方法

针对苹果叶片疾病形态多样、分布密集,导致检测精度不高的问题,提出了一种改进的YOLO v7模型。首先,用双向特征金字塔网络(BiFPN)替代YOLO v7中原有的特征融合方法,以提高模型对苹果叶片上不同尺度病害的检测能力。其次,在YOLO v7的ELAN和E-ELAN模块之后,增加高效通道注意力机制(ECA),以增强模型对苹果叶片病害特征的提取能力,并提高检测精度。最后,将YOLO v7的损失函数改为SIOU损失函数,以加快模型的收敛速度。实验结果表明:改进YOLO v7模型精确率为89.4%,召回率为81.5%,mAP@0.5为90.5%,mAP@0.95为62.1%,与原始YOLO v7模型相比,分别提高4.9、5.2、3.5、4.6个百分点。改进YOLO v7模型与Faster R-CNN、SSD、YOLO v3、YOLO v5s、YOLO v7模型相比,mAP@0.5分别提升40.9、20.3、4.0、2.3、3.5个百分点,单幅图像检测时间为12 ms。

基于改进YOLOv7-tiny的道路病害检测算法

针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题,提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构,减少计算量和参数量以实现轻量化,同时加强模型的特征提取和特征融合的能力;引入自适应指数加权池化和自适应融合设计SPPAda结构作为空间金字塔池化结构,增强道路病害信息的保留程度,降低病害的漏检;新增P2小目标网络层,加强对较小目标病害的检测能力,提高模型的检测精度;设计新的损失函数NWD-EIOU替换原CIOU损失函数,提高小目标定位的精度。实验结果表明,相较于原始的YOLOv7-tiny算法,改进后的YOLOv7-tiny算法在自建实验数据集下mAP@0.5达到83.14%,提升了3.50%,召回率上提升了4.96%,模型的参数量降低了33.84%,能够满足道路病害检测的需求。

改进YOLOv8的路面病害检测模型

针对路面病害检测存在的病害尺度差异大、细小病害特征提取难、病害在图像中占比小等问题,提出一种基于改进YOLOv8的路面病害检测方法。以YOLOv8s网络结构为基础,通过引入通道注意力机制和无跨步卷积网络结构,构建了一种无信息丢失的下采样网络模块,在剔除背景冗余信息的同时更多地保留了病害纹理特征;通过构建基于PANet的多尺度自适应特征融合网络,增强了网络浅层特征捕获能力,实现了不同尺度特征信息的高效融合;采用Focal Loss损失函数,对各样本赋予对应的权重,缓解了正负样本不平衡问题。实验表明:所提方法在RDD2020和RDD2022数据集上的平均精度分别达到57.1%和52.8%,与YOLOv8s模型相比分别提升3.2和0.6个百分点,整体性能优于YOLOv5等其他检测网络。

聚焦形状特征的路面病害检测算法

路面病害自动化检测是实现道路智慧化管养的关键技术之一,针对路面病害图像中病害目标占比小、不同类型病害尺度差异大、背景环境复杂等特性,基于YOLOv8架构,提出聚焦形状特征的路面病害检测算法FSF-YOLO(focusing on shape features YOLO)。构建一种无信息丢失的加强特征提取模块,通过保留多维度空间特征信息,增强骨干网络对低分辨率图像和细小病害目标的特征提取能力;引入可形变注意力特征融合模块,利用病害细长形状特征拓展目标识别区域,提高模型对于长距离病害目标的特征表达能力;运用分组卷积空间金字塔池化模块,强化不同尺寸病害目标特征识别;采用轻量级共享卷积检测头,减少网络参数量和计算量。实验结果表明,提出的方法对不同类别的路面病害目标均获得了较好的效果,在RDD2022数据集上的平均精度达到67.3%,与原算法相比提升了5.3个百分点,整体性能优于其他路面病害检测算法。

基于弱监督学习的小样本早期苹果叶片病害检测

针对现有苹果叶片病害检测方法的性能过度依赖标注数据集的问题,提出一种基于弱监督学习的小样本早期苹果叶片病害检测算法。首先,利用一组共享权重的主干网络将病害叶片映射到高维特征空间;其次,利用多层注意力机制建立双分支特征语义关联模块,并在关联语义特征图上生成指导查询图片中新病害类型分类的原型集;再次,利用无参数的匹配方法计算原型集与查询图片中新病害叶片特征间的相似度,根据相似度值定位与识别病害区域;最后,利用虚线框标注建立弱监督学习机制,并借助标签平滑交叉损失端到端优化模型。通过在开源的Plant Village数据集和自建的早期苹果叶片病害数据集上进行试验,所提出方法分别实现96.39%、94.81%的精准率,96.71%、94.67%的召回率和97.24%、95.20%的F1值,优于当前经典的目标识别算法。

稀疏可变形卷积与高分辨率融合的接触网螺栓病害检测

列车长期运行产生的震动易导致接触网螺栓处于松动、脱落等不良状态,接触网取流异常会严重影响行车安全。针对高速铁路接触网螺栓病害检测时,易受复杂背景干扰及螺栓松动病害难以检测等问题,提出一种稀疏可变形卷积与高分辨率融合的接触网螺栓病害检测方法。首先,构建稀疏动态可变形卷积构成的特征提取网络,通过增大感受野范围,来捕捉不同尺度下螺栓的形状特征,加强模型对螺栓小尺寸对象特征的提取能力。然后,设计高分辨率特征金字塔融合模块,将螺栓深层特征和浅层特征的高分辨率特征图进行充分融合,提高多尺度特征图的利用率。其次,提出基于连通域统计的螺栓松动判别方法,通过统计被截断螺栓的连通域个数,完成螺栓松动病害状态检测。最后,由高速铁路接触网螺栓检测试验得出:所提方法可以准确检测螺栓的缺失和松动病害,且具有较高的检测精度,相比改进前Mask R-CNN检测方法准确率增加了41.4个百分点、召回率增加了27.3个百分点、像素精确度提升28.11个百分点、F1-score达83.4%。同时,对接触网螺栓网络模型的检测效率进行试验,较Mask R-CNN的浮点计算效率提升了36.23%。对不同场景下接触网螺栓检测对比试验表明,所提方法具有良好的适应性和精确度,对于螺栓松动和缺失病害检测提供了更为准确的方法,对后期接触网智能化检测具有一定的参考意义。

移动式三维激光扫描系统在地铁隧道病害检测中的应用

在地铁运营过程中,地铁隧道及其附属构建筑物会出现结构渗水、掉块和环片错台等病害情况,传统检测方法存在难以精确量化、检测效率低、容易漏检等缺点。为了解决这些问题,将移动三维激光扫描系统应用于地铁运营病害检测中,首先采集隧道空间的三维点云信息,再对轨道移动小车、架站式、手持式等不同移动三维激光扫描系统内外业效率、精度情况进行对比分析,总结移动式三维激光扫描系统内外业的生产流程,结合地铁工点采集的隧道三维点云数据,探讨不同三维激光扫描系统的适用性,并实现隧道病害检测的人工智能算法,以提升地铁运营监测效率和病害识别的准确率。结果显示,手持式三维激光扫描系统稳定性相对较低,不适用于地铁隧道病害检测;而轨道移动式三维激光扫描系统可以根据工点里程距离及数量等特征选取合适的测量设备,结合人工智能算法,移动式三维激光扫描系统的全流程病害识别效率提高约28%。

基于加强特征提取的道路病害检测算法

针对道路病害区域小、类别数量不均衡导致检测困难的问题,提出基于YOLOv7-tiny的道路病害检测算法RDD-YOLO。首先,采用K-means++算法得到拟合目标尺寸更好的锚框。其次,在小目标检测支路上使用量化感知重参数化模块(QARepVGG),增强浅层特征提取,同时构建加强注意力模块(AM-CBAM)嵌入颈部的3个输入,抑制复杂背景干扰。然后,设计特征融合模块(Res-RFB),模拟人眼扩大感受野融合多尺度信息,提高表征能力;另外,构造轻量级解耦头(S-DeHead)提高小目标检测精确率。最后,采用归一化Wasserstein距离度量(NWD)优化小目标定位过程,并缓解样本不均衡问题。实验结果表明,与YOLOv7-tiny相比,RDD-YOLO算法在仅增加0.71×10^(6)参数量和1.7 GFLOPs计算量的成本下,mAP50提高6.19个百分点,F1-Score提高5.31个百分点,并且检测速度达到135.26 frame/s,满足道路养护工作中对检测精度和速度的需求。

基于选择性注意力神经网络的木薯叶病害检测算法

为了实现在复杂非结构环境下对木薯叶4种主要病害的高精度检测,提出一种基于选择性注意力机制的木薯叶病害神经网络检测改进算法MAISNet(Multiattention IBN Squareplus neural network)。以V2-ResNet-101为基础网络,先使用多重注意力算法优化加权系数,调整特征通道的语义表达,在特征图中初步构建显著性特征;然后在残差单元之后采用实例批归一化方法来抑制特征表达中的协变量偏移,在特征图中构建出显著性语义特征,实现高质量语义特征表达;最后在残差分支中采用Squareplus激活函数替代ReLU激活函数,保持语义特征在负数域的数值分布,减少特征拟合过程中的截断误差。对比试验结果显示,经过上述改进后构建出的MAISNet-101神经网络,对4种常见木薯叶病害检测的平均准确率达到95.39%,明显优于目前主流算法EfficientNet-B5和RepVGG-B3g4等。网络提取特征的可视化分析结果表明,高质量木薯叶病害显著性语义特征,是提高木薯叶病害检测准确率的关键。所提出的MAISNet神经网络模型可以完成实际场景下木薯叶病害高精度检测。

基于改进YOLOv8的轻量化道路病害检测方法

针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于YOLOv8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。