改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

水产品过敏原及其检测技术概述

水产品因鲜美的味道和丰富的营养而深受消费者青睐。水产品属于联合国粮农组织和世界卫生组织认定的过敏食物,其在加工、运输、贮藏过程中有可能受到外来过敏原的污染,由此引起的食品安全问题日益严峻,严重制约了行业的发展。明确水产食品中的过敏原,并利用适当的检测技术进行检测、监控,有利于预防水产食物过敏疾病的发生。本文概述水产食品中的主要过敏原,以及基于基因水平的核酸检测技术、蛋白水平的免疫检测技术及质谱检测技术研究进展,为丰富水产品过敏原及其检测手段提供理论依据。

铆接铝合金板铆钉失效缺陷检测方法研究

针对车身用铝合金板内部铆钉缺陷特征提取难度大、缺陷类型与程度识别准确率低的问题,提出一种基于高斯卷积深度信念网络与双向长短期记忆网络相结合的铆钉失效缺陷诊断模型与检测方法。首先,面向5种铆钉断裂缺陷设计试件并搭建自动检测系统,通过规划和调整探头姿态有效地降低提离效应对检测信号的影响。其次,设计双网络融合诊断模型提取和学习多维度缺陷特征信息,解决检测曲线中由时序变化特性和空间分布状态表征的缺陷信息提取难题。实验结果表明,与传统卷积网络及单一深度信念网络相比,优化后算法诊断模型的平均准确率为99.85%,相比提升了14.54%,且具有良好的通用性和鲁棒性,可实现铆钉内部缺陷的在线诊断。

羊捻转血矛线虫病检测方法研究进展

羊捻转血矛线虫病是由捻转血矛线虫寄生于羊等小反刍动物皱胃内引起的一种危害严重的嗜血性寄生虫病。病羊临床表现为消瘦、贫血和衰弱等慢性消耗性症状,严重感染者可致死。该病在我国牧区普遍流行,目前暂无安全长效疫苗可用,加之耐药性严重,放牧羊群感染率和发病率居高不下,极大地降低了羊养殖业的经济效益。准确可靠的检测手段是诊断寄生虫感染、制定驱虫治疗方案、耐药监测及流行病学调查的关键环节。本文详细介绍了羊捻转血矛线虫病的检测技术研究现状,分析了病原学、免疫学及分子检测等方法的优缺点,并对未来检测技术发展趋势进行了展望,以期为该病新型检测方法的研发及综合防控策略提供参考。

高温声学检测技术的发展、应用与挑战

以我国航空航天、钢铁冶金、特种设备等领域的高温声学无损检测技术研究与应用为主线,分析了高温声学检测技术在促进先进高温材料制备与研发、钢铁冶金行业绿色低碳生产和产业升级、高温压力管道安全运行与维护等方面的巨大需求。介绍了国内外在高温声学检测的技术方法和仪器研制等方面取得的进展,分析了压电超声、电磁超声、激光超声、激光电磁超声等技术在高温无损检测应用方面存在的优缺点和应用场景,总结了高温声学检测技术面临的机遇与挑战。

国内外食品快速检测方法评价技术研究

相比于国外成熟的快速检测方法评价技术体系,我国的评价技术体系发展滞后且有较多问题,严重制约了快检行业的发展。本文主要从验证方法、性能指标、测试要求等方面对各个评价技术体系做了对比分析。同时梳理了国内不同监管部门的评价技术体系发展与侧重,以期为我国食品快速检测方法确认政策和技术研究提供良好的借鉴,引导食品快速检测方法及产品的评价标准进一步规范,形成完善的科学评价方法和评价技术体系,促进我国食品安全及快速检测行业的健康发展。

一种改进的概率霍夫直线检测算法

针对概率霍夫直线检测算法检测速率不高、检测精度易受其他特征和连续间断线干扰的缺点,提出了一种改进的概率霍夫直线检测算法。改进后的算法将注意力集中在直线可能存在的若干个区间,提升了检测速率与精度,在直线检测全过程监控并剔除连续间断线,提升了算法的抗干扰能力。经过100组铝锭边缘线检测的实验验证,改进后算法相较原算法平均检测速率提升至1.77倍,查准率提升至1.45倍,且改进后算法在其他图片上的检测速率和检测效果相较原算法也有明显提升。

不同百合食药用功能指标检测分析

百合(Lilium spp.)是百合科(Liliaceae)百合属(Lilium L.)多年生球根草本植物的统称,是传统的药食同源植物,含有多糖、甾体皂苷等生物活性物质和淀粉、可溶性糖等营养成分,具有抗癌、抗氧化、抗抑郁、止咳等多种药理功能。受品种少、种源退化、重茬障碍等因素制约,现有食药用百合产能无法满足消费市场日益增长的需求,需要开发新的品种。选择百合原生种、药用百合杂交后代和栽培品种为试验材料,检测百合鳞茎多糖、总皂苷、总酚、黄酮、超氧化物歧化酶(SOD)、过氧化氢酶(CAT)等生物活性成分和可溶性总糖、维生素C、总淀粉、游离氨基酸、粗蛋白、总膳食纤维等营养成分含量,以卷丹和兰州百合为对照,开展百合食药用指标检测分析。结果表明:大花卷丹多糖含量达到281.58 mg·g^(-1)Dw,多项指标优于或接近卷丹和兰州百合,具有开发成食药用百合新品种的潜力;卷丹杂交后代辽宁晨曦多糖含量244.97 mg·g^(-1)Dw,粗蛋白含量130.94 mg·g^(-1)Dw,适合作为提取百合多糖和加工高蛋白食品的原料;栽培品种穿梭和伯格菲的淀粉、可溶性糖、膳食纤维含量等单项指标较为突出,适合作为提取单类营养物质的原料;凌源产兰州百合与大连产兰州百合5项指标差异极显著,可见产地环境条件能够对百合品质产生重要影响。

基于CAN的现代车辆入侵检测

现代汽车广泛使用CAN总线结构控制车辆内的各种电子部件,但标准的CAN协议存在漏洞,易受到拒绝服务、模糊攻击和重放等攻击,而传统的基于IP协议的入侵检测技术不能直接应用于现代车辆。于是分析CAN结构,找到其缺陷;针对CAN的攻击技术,分析CAN总线特征后,融合基于频率检测、机器学习和统计检测三种异常检测方法对车辆进行入侵检测,通过实验验证,可以总体上提高现代车辆入侵检测系统的性能。

结合主动光源和改进YOLOv5s模型的夜间柑橘检测方法

【目的】解决夜间环境下遮挡和较小柑橘难以准确识别的问题,实现采摘机器人全天候智能化作业。【方法】提出一种结合主动光源的夜间柑橘识别方法。首先,通过分析主动光源下颜色特征不同的夜间柑橘图像,选择最佳的光源色并进行图像采集。然后,提出一种夜间柑橘检测模型BI-YOLOv5s,该模型采用双向特征金字塔网络(Bi-FPN)进行多尺度交叉连接和加权特征融合,提高对遮挡和较小果实的识别能力;引入Coordinate attention(CA)注意力机制模块,进一步加强对目标位置信息的提取;采用融入Transformer结构的C3TR模块,在减少计算量的同时更好地提取全局信息。【结果】本文提出的BI-YOLOv5s模型在测试集上的精准率、召回率、平均准确率分别为93.4%、92.2%和97.1%,相比YOLOv5s模型分别提升了3.2、1.5和2.3个百分点。在所采用的光源色环境下,模型对夜间柑橘识别的正确率为95.3%,相比白光环境下提高了10.4个百分点。【结论】本文提出的方法对夜间环境下遮挡和小目标柑橘的识别具有较高的准确性,可为夜间果蔬智能化采摘的视觉精准识别提供技术支持。

基于自适应融合的实时车辆检测

针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

改进YOLOv7的复杂道路场景目标检测算法

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果,但是对于复杂道路场景中的密集目标,远处的小尺度目标检测精度低,容易出现漏检误检的问题,提出一种改进YOLOv7的复杂道路场景目标检测算法。增加小目标检测层,增加对小目标的特征学习能力;采用K-means++重聚类先验框,使得先验框更贴合目标,增加网络对目标的定位精度;采用WIoU(Wise-IoU)损失函数,增加网络对普通质量锚框的关注度,提高网络对目标的定位能力;在颈部和检测头引入协调坐标卷积(CoordConv),使网络能够更好地感受特征图中的位置信息;提出P-ELAN结构对骨干网络进行轻量化处理,降低算法参数量和运算量。实验结果表明,该改进算法在华为SODA10M数据集下的mAP达到64.8%,比原算法提高2.6个百分点,模型参数量和运算量分别降低12%和7%,达到检测精度和检测速度的平衡。

特征反馈机制优化的超声图像病灶检测算法

该文提出一种基于特征反馈机制的超声图像病灶检测方法,以实现超声病灶的实时精确定位与检测。所提方法由基于特征反馈机制的特征提取网络和基于分治策略的自适应检测头两部分组成。特征反馈网络通过反馈特征选取和加权融合计算,充分学习超声图像的全局上下文信息和局部低级语义细节以提高局部病灶特征的识别能力。自适应检测头对特征反馈网络所提取的多级特征进行分治预处理,通过将生理先验知识与特征卷积相结合的方式对各级特征分别进行病灶形状和尺度特征的自适应建模,增强检测头对不同大小病灶在多级特征下的检测效果。所提方法在甲状腺超声图像数据集上进行了测试,得到了70.3%的AP,99.0%的AP50和88.4%的AP75,实验结果表明,相较于主流检测算法,所提算法能实现更精准的实时超声图像病灶检测和定位。

基于检测框下边沿的单目视觉车辆测距研究

对车辆测距是当今驾驶领域的热门研究方向。针对传统测距方法测距精度受到车型大小影响的问题以及前车存在的X轴偏移问题,提出了基于检测框下边沿中心点的车辆测距模型。该模型通过使用单目视觉摄像头及车辆检测算法获取前方车辆的位置信息,并通过车辆检测框得出的下边沿中心点坐标,以及相机安装的俯仰角信息综合建立了车辆测距模型,解决了车型大小带来的误差问题;通过构建三角函数模型,解决了前车相对于实验车辆存在的X轴分量问题,并优化改进了前车安全距离的判定方式;设定车尾矩形框中心点横坐标与车辆外接矩形框宽度的比值λ,根据λ取值分情况讨论,使该模型更符合场景应用需要。并提出了基于测距关键点的逆透视变换模型,减小了测距误差。实验表明,改进后测距模型的测距精度不受车型大小的影响且能考虑到前车位置的X轴分量问题,改进后的测距模型相对于传统测距模型,测距误差降低了约1.5%,且测距精度明显提高。

一种混合低谐无盲区的孤岛检测方法

主动式检测方法作为一种常用的孤岛检测方法,虽然可以通过增加扰动强度使孤岛检测盲区得以减小,但同时会增大对电网的谐波污染程度。针对此问题,提出了一种混合模糊低谐无盲区的孤岛检测方法,即首先对盲区进行判断,优先使用对电网无谐波污染的被动式孤岛检测方法,若此时处于被动式检测方法盲区之内,则使用一种具有模糊扰动控制的对输出电流第二、四个1/4周期进行扰动的模糊低谐孤岛检测方法。最后搭建相应的仿真模型对所提方法的有效性进行验证。

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。

应用于食品检测领域的分子即时检测技术研究进展

食品安全问题关系人类民生。为有效预防和控制食品安全风险,减少食品安全经济损失,迫切需要开发出针对食源性病原体、食物掺假、转基因作物的高特异性、高敏感性、快速的核酸检测技术。即时检测(point-of-care testing,POCT)作为一种新兴的快速检测手段,由于其检测速度快、操作简单、现场检查等特点,在食品检测领域应用广泛。本文首先介绍了POCT技术的发展历史,而后根据食品安全事件的特点,从食源性致病菌、食物掺假、转基因作物3个方向分析了食品检测的主要对象,阐述了分子POCT技术在食品检测领域的应用现状,最后对应用于食品检测领域的分子POCT技术存在的问题和解决办法进行了分析总结,对食品检测分子POCT技术的发展方向进行了展望。本文有助于进一步了解分子POCT技术在食品检测中的应用,并为分子POCT技术在食品快速检测中的研究和应用提供参考。

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%,验证了文中算法的可行性。

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点:设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31帧·s^(-1)的预测速度。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。