基于改进YOLO v3网络的齿轮毛刺检测方法

由于齿轮毛刺位置的特殊性以及周围环境的相似性,传统的图像处理方法并不能取得很好的效果。因此,提出一种基于改进YOLO v3网络的目标检测算法,实现对齿轮毛刺特征的快速检测。通过提高网络输入的分辨率和调整网络结构的方法,使改进YOLO v3网络的性能得到进一步优化,提高检测效率。在制作标签前,采用张氏标定法消除镜头畸变对图片的影响。结果表明:与原YOLO v3网络相比,改进后的网络具有更优的检测效果,其网络大小减少了1/4,而检测速度提高了近2倍。

基于改进Deeplab v3+的服装图像分割网络

在服装图像分割领域,现有算法存在服装边缘分割粗糙、分割精度差和服装深层语义特征提取不够充分等问题。将Coordinate Attention机制和语义特征增强模块(SFEM)嵌入到语义分割性能较好的Deeplab v3+网络,设计一种用于服装图像分割领域的CA_SFEM_Deeplab v3+网络。为了加强服装图像有效特征的学习,在Deeplab v3+网络的主干网络resnet101中嵌入Coordinate Attention机制,并将经过带空洞卷积池化金字塔网络的特征图输入到语义特征增强模块中进行特征增强处理,从而提高分割的准确率。实验结果表明,CA_SFEM_Deeplab v3+网络在DeepFashion2数据集上的平均交并比与平均像素准确率分别为0.557、0.671,相较于Deeplab v3+网络分别提高2.1%、2.3%,其所得分割服装轮廓更为精细,具有较好的分割性能。

基于DeepLab v3+深度卷积网络的输电导线图像识别方法

输电导线图像识别是电力设备自动巡检过程中的重要环节。针对传统导线检测方法需人工设计目标特征、抗干扰能力差等问题,提出一种基于深度卷积网络(DeepLab v3+)的输电导线图像识别方法。首先,采用DeepLab v3+网络模型,实现导线的初步识别。通过多层卷积自动学习导线特征,并通过解码器结构融合导线低层的细节特征与高层的语义特征,较好地实现导线像素分割。然后,针对识别结果中存在的断裂和伪导线问题,采用改进的最小点对法和长度阈值法进一步精细化处理。最后,采用八方向搜索法提取每一条导线并编号。实验结果表明,所提方法能很好地提取出输电线路图像中的导线。

基于改进Deeplab V3+网络的裂缝检测

裂缝是常见的路面损坏现象。由于裂缝容易扩展,对早期裂缝进行检测具有重要的现实意义。传统的人工裂缝检测极其耗时耗力,研究人员已将注意力转向自动裂缝检测。尽管自动裂缝检测在过去几十年中得到了广泛的研究,但由于裂缝的不均匀性和路面环境的复杂性,它仍然是一项具有挑战性的任务。为了解决这些问题,提出一种基于改进的Deeplab V3+网络的路面裂缝分割模型。在原始Deeplab V3+网络的基础上将主干网络替换成resnet-50网络,并对空洞空间卷积池化金字塔模块进行了级联操作。为了验证所提出方法的有效性,在CRACK500数据集上进行了训练和测试。本文方法在CRACK500数据集上的平均交并比(Mean Intersection over Union,MIoU)和平均像素精度(Mean Pixel Accuracy,MPA)达到了0.8315和0.8614,优于原始Deeplab V3+网络的检测结果。

基于DeepLab v3+的多任务图像拼接篡改检测算法

在图像拼接篡改检测任务中,受篡改区域尺度多样性及模糊操作的影响,传统分类算法难以提取图像篡改特征。提出一种基于DeepLab v3+的图像拼接篡改检测算法,使用浅层图像特征预测图像的篡改区域边界,提高模型对篡改边界的敏感性。在此基础上,通过多尺度融合特征对图像篡改区域进行分割,并在原空洞空间金字塔模块中融合空间和通道注意力机制,从而提高模型对多尺度篡改区域的适应性。实验结果表明,所提算法能有效检测图像的篡改区域,在CASIA v1.0和Columbia数据集中的分割精度分别为0.7546和0.7278,优于DCT、BAPPY、MFCN等算法。

基于卷积神经网络的输电线路金具缺陷检测方法

针对架空输电线路长期处于恶劣、复杂的自然环境中,线路上的金具受气候、地形、外力作用等影响出现的不同类型缺陷,提出一种基于YOLO V3卷积神经网络的输电线路金具缺陷检测方法。通过YOLO V3卷积神经网络提取不同类型缺陷的特征,并对其进行适应性改进,识别与定位这些缺陷在输电线路上的位置,可提高检测的准确性和实时性,及时发现线路故障,确保输电线路安全稳定运行,提高输电线路巡检的效率和电网的智能化程度。

基于轻量化DeepLab v3+网络的焊缝结构光图像分割

基于激光结构光视觉传感的焊缝跟踪技术将焊缝定位转化为结构光条纹特征点的定位,具有较强的普适性。然而,实时焊缝跟踪中弧光(焊接电弧产生的强烈可见光)、飞溅(溅射焊渣)、烟尘等噪声对结构光图像造成了严重的污染,从而影响了焊缝定位的精度和鲁棒性。滤除结构光图像中的噪声对于提升焊缝定位的精度和鲁棒性具有重要作用。为滤除焊缝结构光图像中的噪声,本文提出了一种基于轻量化DeepLab v3+语义分割网络的焊缝结构光图像分割方法,通过分割出结构光条纹的前景图像来达到噪声滤除的目的。采用浅层Resnet-18网络替代DeepLab v3+的原始深层骨干网络,以提高分割效率;以像素占比的补数为权重设计了加权交叉熵损失函数,以提高结构光条纹分割的像素准确率。实验结果表明:所提方法的平均单张图像推理时间为15.9 ms,结构光条纹的像素准确率为96.47%,结构光条纹的平均交并比为89.04%,可以实现高效、精确、鲁棒的结构光图像分割,从而达到焊缝结构光图像中弧光、飞溅、烟尘等噪声滤除的目的。

基于优化DeepLab v3+的车道线缺损检测技术分析

阐述一种基于改进DeepLab v3+语义分割模型的车道线缺损检测方法。使用MobileNet v3网络替代原来的Xception网络来减少网络参数量。同时在主干特征提取后引入双注意力机制CBAM,通过最小矩形包围的方法检测出车道线缺损情况。使用自制数据集,将该数据集基于Pytorch对改进后的DeepLab v3+进行训练、验证和测试。结果表明,改进后的DeepLab v3+在MIoU和MPA上分别提高1.6%和1.3%,单幅图像分割时间7.4ms,与原模型对比减少16.9ms,可以满足车道线缺损检测的实时性和准确性。

基于视觉感知的机器人工件识别方法研究

目的解决定制化木门尺寸规格不统一、表面纹理多样而导致的堆垛分类困难、搬运效率低下等问题。方法提出采用深度学习方法进行定制式木门工件检测,以YOLO V3网络为基本框架开展机器人工件识别方法研究。首先,通过图像数据增强和预处理,扩充定制式木门数据;然后,进行YOLO V3损失函数改进,并根据木门特征进行定制式木门数据集锚框尺度的重新聚类;最后,应用空间金字塔池化层进行YOLO V3中特征金字塔网络改进,并通过随机选取的测试集验证本文方法的有效性。结果测试数据集的平均检测准确率均值达到98.05%,检测每张图片的时间为137 ms。结论研究表明,本文方法能够满足木门生产线对准确率和实时性的要求,可大大提高定制化木门转线及堆垛效率。

基于AI技术的无人机机载前端智能识别技术研究

将无人机高精度定位技术与视觉跟踪技术融合,可以实现输电线路设备高清影像的精准采集。因此,有必要建立基于无人机机载前端的巡检图像智能识别前端系统模型,实现输电线路设备缺陷、通道隐患的实时识别。其间可以将人工智能(AI)技术应用到无人机机载前端智能识别中,结合目标检测算法,获得智能识别结果。现场应用后,无人机视角下的微小目标检测符合应用要求。本研究成果可在一定程度上提升无人机巡检应用效果。

基于视频图像的弓网接触位置动态监测方法

针对列车人工检测受电弓状态效率低下的问题,提出基于视频图像的弓网接触位置动态监测方法。首先,将运用帧间差抓取受电弓视频中得到的包含弓网的图像作为原始训练数据集;然后,对复杂的受电弓图像背景进行分割处理,采用超像素分割获得最大特征区域,结合特征图像的HOG(方向梯度直方图)获得最大特征ROI(感兴趣区域),形成训练数据集,并设计标签;最后,运用改进的YOLO v3-tiny-strong网络结构检测分类器,用训练的权重对视频目标进行监测。结果表明:该动态监测方法能够在每1帧图像中精确标记出受电弓与接触网的接触点位置,并且能够持续对受电弓的运动状态进行捕捉,有效获取接触点与受电弓的相对坐标位置,从而达到对受电弓的监测目的,其对弓网视频的检测精度可达98%。

SNMP跨平台移植和交换机端口IP探测

在复杂的网络环境中,获取交换机端口IP对于网络监控和硬件维护是很有意义的。介绍了支持SNMPv3的Net-Snmp在Linux主机上的移植配置过程和SNMP++的跨平台移植方法。在此基础上,分析提出了一种基于SNMP和ARP的交换机端口IP通用探测方案,并给出了多平台的详细算法描述。该方案已经被应用到空管系统的网络中。经实践检验,该方案快速准确,具有令人满意的效果。

基于机器视觉的可视化航标灯监测系统

基于机器视觉的可视化航标灯监测系统是航标灯灯质监测的一项创新型项目,填补了此前航标灯质检测技术空白,同时也降低了维护航标灯的成本,有较高的应用价值。从航标灯识别、亮灭判断、灯质计算、检测结果等角度来展现该套系统的具体应用,并对未来航标灯灯质检测技术的进一步发展提供一些小小的实验成果。

基于深度学习的轨道交通弓网电弧检测方法

轨道交通弓网系统是保证列车平稳运行的关键。弓网电弧会严重影响列车获取电能,对弓网系统造成很大危害。为及时检测电弧的发生,提出了一种基于深度学习的轨道交通弓网电弧检测方法。采用改进的Inception V3网络作为主干网络,以更快、更准地提取电弧特征,选用引导锚框以适应电弧检测中存在的电弧尺寸差异性大的问题。结果表明,基于深度学习方法的轨道交通弓网电弧检测模型的均值平均精度为94.57%,处理速度为0.28 s/幅,远优于其他模型。

适于多尺度宫颈癌细胞检测的改进算法

深度学习技术因其强大的特征提取能力而被广泛应用于目标检测任务中。针对多尺度宫颈癌细胞的识别准确率不均衡、检测效率低等问题,本文提出一种基于YOLO v3模型的改进识别算法mo-YOLO v3(mini-object-YOLO v3)。选用20倍数字扫描仪下采集的宫颈细胞图像作为数据集,为提高算法的鲁棒性,引入对比度增强、灰度图、旋转和翻转等多种数据增强策略扩充数据集;模型以Darknet53网络结合注意力机制作为主干模块,针对宫颈癌细胞尺寸差异大的特点,提出一种多尺度特征融合算法来优化模型结构;针对小目标检测精度低的问题,提出一种改进的损失函数,采用相对位置信息的方法减弱物体框对检测结果的影响。测试结果表明,本文所提的mo-YOLO v3模型不仅在总体识别精度上有明显的优势,同时大大提高了小尺寸宫颈癌细胞的定位精度。该模型对宫颈癌细胞识别的准确率达到90.42%,查准率达到96.20%,查全率达到93.77%,相似指数ZSI为94.97%,高于同类算法。