基于改进YOLOv7-Tiny的车辆检测研究

为了提高计算机识别检测车辆的准确度与速度,提出了一种基于改进YOLOv7-Tiny的车辆检测算法。在众多目标检测模型中,YOLOv7有着非常快的检测速度和较高的检测精度,非常适用于实时检测任务。在原YOLOv7-Tiny模型的基础上进行改进,将最浅层ELAN-T模块纳入特征金字塔,通过跳跃连接的方式将浅层特征与深层特征跨层融合,使输出的特征信息更加丰富。同时引入SE注意力机制,将计算资源分配给对当前任务更为关键的信息。并且更换了非线性激活函数HardSwish,以提高模型的表达能力。在华为发布的2D自动驾驶数据集SODA10M上进行实验,结果表明,改进后的模型对所有四种目标的检测精度都有所提高,平均精度mAP@0.5达到了66.1%,比原YOLOv7-Tiny模型61.0%提升了5.1%。

基于局部离群因子与隔离森林的激光超声缺陷检测

针对激光超声(LU)缺陷检测中最大振幅图存在伪像的问题,结合主成分分析(PCA)和两种无监督的机器学习算法局部离群因子(LOF)与隔离森林(IF),以实现对LU数据的无监督异常检测。首先,利用PCA算法对LU数据进行降维处理,减轻了LU数据的复杂度;其次,利用LOF算法和IF算法进行了数据异常值的识别分析,并利用累积分布函数和核密度估计确定异常值的阈值大小;最后,对比了LOF算法、IF算法以及最大振幅图的检测结果。结果表明:LOF算法有更优的缺陷识别精度和更低的误判率。

装配式建筑梁柱节点疲劳损伤检测方法研究

常规的装配式建筑梁柱节点疲劳损伤检测主要采用梁柱图像分析实现,忽略了节点内部损伤的影响,导致检测结果相对变化量系数与实际系数的差值较大。本文对装配式建筑梁柱节点疲劳损伤检测方法进行了研究,于装配式建筑梁柱周围布置测点对梁柱节点的应变状态进行分析;根据分析结果,结合梁柱内部能量耗散值,计算节点疲劳损伤能量系数;将该系数作为节点应变能密度因子分析节点轴向力,由此得出检测的梁柱节点疲劳损伤值。实验结果表明,所提方法应用后梁柱节点疲劳损伤检测结果表现出的相对变化量系数差值较小,检测结果准确率较高,满足了装配式建筑梁柱安全运维工作的现实需求。

基于YOLOv8改进的跌倒检测算法:CASL-YOLO

跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部署应用于实际生活场景.针对上述问题,提出了一种在复杂环境下轻量级的基于YOLOv8模型改进的跌倒检测算法:CASL-YOLO.首先,该模型引入空间深度卷积(SPD-Conv)模块替代传统卷积模块,通过对每个特征映射进行卷积操作,保留通道维度中的全部信息,从而提高模型在低分辨率图像和小物体检测方面的性能;其次,引入基于位置信息的注意力机制,以捕获跨通道、方向和位置感知的信息,从而更准确地定位和识别人体目标;最后,在特征提取模块中引入选择性大卷积核(LSKNet)动态调整感受野,以有效处理跌倒检测场景中的复杂环境信息,提高网络的感知能力和检测精度.实验结果表明,在公开的Human Fall数据集上,CASL-YOLO的mAP@0.5达到96.8%,优于基线YOLOv8n,同时模型仅有3.4×MiB的参数量和11.7×10~9的计算量.相比其他检测算法,CASL-YOLO在参数量和计算量小幅增加的情况下,实现了更高的精度和性能,同时满足实际场景的部署要求.

改进YOLOv8的无人机航拍图像目标检测算法

针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。

基于FPGA的MobileNetV1目标检测加速器设计

卷积神经网络是目标检测中的常用算法,但由于卷积神经网络参数量和计算量巨大导致检测速度慢、功耗高,且难以部署到硬件平台,故文中提出一种采用CPU与FPGA融合结构实现MobileNetV1目标检测加速的应用方法。首先,通过设置宽度超参数和分辨率超参数以及网络参数定点化来减少网络模型的参数量和计算量;其次,对卷积层和批量归一化层进行融合,减少网络复杂性,提升网络计算速度;然后,设计一种八通道核间并行卷积计算引擎,每个通道利用行缓存乘法和加法树结构实现卷积运算;最后,利用FPGA并行计算和流水线结构,通过对此八通道卷积计算引擎合理的复用完成三种不同类型的卷积计算,减少硬件资源使用量、降低功耗。实验结果表明,该设计可以对MobileNetV1目标检测进行硬件加速,帧率可达56.7 f/s,功耗仅为0.603 W。

RNA pull-down联合质谱分析lncRNA HSFAS在增生性瘢痕中的作用及机制

背景:课题组前期研究发现,增生性瘢痕特异性长链非编码RNA HSFAS是一种可用于增生性瘢痕诊断的新型生物标志物,但其如何在增生性瘢痕中发挥作用尚不清楚。目的:探讨长链非编码RNA HSFAS在增生性瘢痕中的作用及机制。方法:临床收集3例行增生性瘢痕组织切除手术患者的新鲜增生性瘢痕皮肤组织和增生性瘢痕旁正常皮肤组织标本,应用免疫荧光技术检测两种皮肤组织冰冻切片中长链非编码RNA HSFAS的表达。应用酶消化法体外分离增生性瘢痕皮肤组织与正常皮肤组织原代成纤维细胞,采用qRT-PCR检测细胞中长链非编码RNA HSFAS mRNA表达,通过RNA pull-down联合质谱技术检测与长链非编码RNA HSFAS相互结合的蛋白,利用GO和KEGG分析长链非编码RNA HSFAS参与增生性瘢痕进展的主要功能和通路,通过catRAPID和RPISeq网站分析确定长链非编码RNA HSFAS与蛋白的靶向结合。结果与结论:①与正常皮肤组织相比,增生性瘢痕组织中的长链非编码RNA HSFAS表达升高(P<0.05);与正常皮肤组织来源成纤维细胞相比,增生性瘢痕组织来源成纤维细胞中长链非编码RNA HSFAS mRNA表达升高(P<0.05);②RNA pull-down联合质谱技术明确与长链非编码RNA HSFAS相互结合的蛋白有510个;GO和KEGG分析结果显示:这些蛋白主要涉及RNA剪接和加工、染色体合成和分离、细胞周期等过程,其中涉及RNA剪接和加工的蛋白有支架附着因子B2和DICER1,并且与长链非编码RNA HSFAS的结合分数较高;生物信息学技术分析验证结果显示,长链非编码RNA HSFAS与支架附着因子B2和DICER1蛋白存在相互结合;③结果显示,长链非编码RNA HSFAS可能通过与支架附着因子B2和DICER1蛋白相互结合调控RNA剪接和加工修饰影响基因表达,从而促进增生性瘢痕的发生发展。

基于YOLOv8算法改进模型检测梢斑螟虫蛀树木

梢斑螟是一种严重危害针叶树种的害虫,严重影响针叶树的健康和生长。梢斑螟虫的幼虫以针叶树的叶片为食物,在针叶树木中建立巢穴,逐渐摧毁叶片组织,导致叶片变黄、褪绿,最终树木枯萎。此外,幼虫也可能侵蚀树木的树皮,导致树皮剥落和树干暴露,使树木易受其他害虫、病菌和自然元素的侵害,增加树木的脆弱性,降低其生存能力。为辅助地面治疗被梢斑螟虫蛀树木,采用YOLOv8s目标检测算法,实现对梢斑螟虫蛀树木的检测与识别。通过采用C2f-GAM和动态检测头建立模型(YOLOv8-DM),来提高YOLOv8s对于梢斑螟虫蛀树木的检测能力。试验结果表明,YOLOv8-DM能够有效地识别梢斑螟虫蛀树木,其平均精准度达到84.8%。与其他目标检测算法相比,YOLOv8-DM有更高的平均精准度。

基于核主成分分析的半监督日志异常检测模型

对于具有“组异常”和“局部异常”分布特点的系统日志数据,传统的ADOA(anomaly detection with partially observed anomalies)半监督日志异常检测方法存在为无标签数据生成的伪标签准确性不佳的问题.针对此问题,提出一种改进的半监督日志异常检测模型.对已知异常样本采用k均值聚类,采用核主成分分析计算无标签样本的重构误差;运用重构误差和异常样本相似分计算出样本的综合异常分,作为其伪标签;依据伪标签计算LightGBM分类器的样本权重,训练异常检测模型.通过参数试验探究了训练集样本比例变化对模型性能的影响.在HDFS和BGL这2个公开数据集上进行试验,结果表明该模型能够提高伪标签的准确性,相较于DeepLog、LogAnomaly、LogCluster、PCA和PLELog等已有模型,精确率和F 1分数均有提升.与传统的ADOA异常检测方法相比,该模型F 1分数在2类数据集上分别提高了0.084和0.085.

基于Ghost-YOLOv5的光学图像飞机目标检测方法

停泊飞机目标检测对机场交通管控、重点军事基地部署掌握、监控敌方实时军事动态等军民领域均具有重要意义。飞机目标检测需要综合考量检测精度与检测速度两个方面,本文将YOLOv5骨干网络中的C3模块和部分卷积模块替换成Ghost Bottleneck,从而将Ghostnet引入YOLOv5s网络中,取得很好的检测效果。在检测精度上,mAP0.5达到了95.34%,mAP0.5-0.95达到了61.6%,网络的精度达到了96.89%,召回率达到了91.42%。在检测速度上,网络的FPS达到了66.67。

基于多尺度融合金字塔焦点网络的接触网零部件检测

作为高铁牵引供电系统的重要组成部分,接触网系统承担着向动车组传输电能的重要功能.实际工程运营表明,受弓网交互产生的持续冲击以及外部环境的影响,接触网支撑部件可能会出现“松、脱、断、裂”等缺陷,导致接触网结构可靠性下降,严重影响接触网系统稳定运行.因此,及时精确定位接触网支撑部件(CSCs),对保障高铁安全运行和完善接触网检修维护策略具有重大意义.然而,CSCs的检测通常面临着零部件种类多、尺度差异大、部分零部件微小的问题.针对以上问题,本文提出一种基于多尺度融合金字塔焦点网络的接触网零部件检测算法,将平衡模块和特征金字塔模块相结合,提高对小目标的检测性能.首先,设计了可分离残差金字塔聚合模块(SRPAM),用于优化模型多尺度特征提取能力、扩大感受野,缓解CSCs检测的多尺度问题;其次,设计了一种基于平衡特征金字塔的路径聚合网络(PA-BFPN),用于提升跨层特征融合效率和小目标检测性能.最后,通过对比试验、可视化实验和消融实验证明了所提方法的有效性和优越性.其中,所提的MFPFCOS在CSCs数据集上的检测精度(mAP)能够在达到48.6%的同时,实现30的FLOPs(Floating point operations per second),表明所提方法能够在检测精度和检测速度之间保持良好的平衡.

基于数据挖掘的物联网设备通信异常检测方法

常规的物联网设备通信异常检测方法易受数据采集间隔变化影响,导致检测识别效果不佳,因此基于数据挖掘设计了一种全新的物联网设备通信异常检测方法。首先提取了物联网设备通信异常行为特征;然后构建了物联网设备半监督通信异常检测模型;最后利用数据挖掘生成物联网设备通信异常检测流程,从而实现对物联网设备通信异常的检测。实验结果表明,设计方法在不同通信通道下均能有效进行设备通信异常检测,证明设计方法的检测效果较好,具有极高的可靠性和应用价值。

改进RRPN模型的遥感图像目标检测

针对遥感目标背景复杂、易受外界环境干扰,传统方法无法满足复杂场景下的检测高精度与实时性要求的问题,提出基于改进RRPN模型的遥感图像目标检测方法。首先,将特征金字塔(FPN)架构引入到了模型的残差网络中,使得遥感图像的高、低层特征得到了有效融合;其次,在特征提取网络中添加了通道和空间相融合的注意力机制(CBAM),提升了模型在遥感图像目标特征提取方面的跨通道和空间处理能力;此外,将剔除重叠建议框时的原始NMS算法优化为DIoUNMS算法,综合考虑遥感图像候选框之间的重叠度、距离、尺度大小等因素,使目标框的回归过程更加稳定。对比实验与消融实验显示,所提方法在公共数据集DOTA和HRSC2016上获得的平均精度均值mAP分别可高达77.30%、90.24%,较原始RRPN模型分别提高了8.29%、11.16%,且优于其他几种较新的经典模型,表明所提方法对于复杂环境下的遥感图像目标检测是合理且有效的。

微磁检测技术在Cr12MoV钢和3Cr13钢屈服/抗拉强度检测中的应用

利用微磁无损检测方法对Cr12MoV钢和3Cr13钢的屈服强度(R_(p0.2))和抗拉强度(R_(m))进行无损定量预测。首先,采用先淬火后回火的工艺改变材料的拉伸力学性能,得到不同屈服/抗拉强度的拉伸试样;其次,对2种材料先后进行微磁特征参量测试和屈服/抗拉强度的测定;然后,分别利用格拉布斯(Grabbs)准则和ReliefF特征筛选方法,剔除系统误差并得到对强度指标敏感的微磁特征参量;最后,通过神经网络模型寻优,构建BP神经网络预测模型,实现Cr12MoV钢和3Cr13钢屈服强度和抗拉强度定量预测。研究结果表明:微磁检测方法可以对Cr12MoV钢和3Cr13钢屈服强度和抗拉强度进行无损定量预测,模型得到的屈服强度和抗拉强度预测平均误差分别小于3%和5%。提出的研究方法和结论可为铁磁性材料屈服强度和抗拉强度的微磁无损检测提供参考。

YOLOv8-DEL:基于改进YOLOv8n的实时车辆检测算法研究

车辆检测是智能交通系统和自动驾驶的重要组成部分。然而,实际交通场景中存在许多不确定因素,导致车辆检测模型的准确率低实时性差。为了解决这个问题,提出了一种快速准确的车辆检测算法——YOLOv8-DEL。使用DGCST(dynamic group convolution shuffle transformer)模块代替C2f模块来重构主干网络,以增强特征提取能力并使网络更轻量;添加的P2检测层能使模型更敏锐地定位和检测小目标,同时采用Efficient RepGFPN进行多尺度特征融合,以丰富特征信息并提高模型的特征表达能力;通过结合GroupNorm和共享卷积的优点,设计了一种轻量型共享卷积检测头,在保持精度的前提下,有效减少参数量并提升检测速度。与YOLOv8相比,提出的YOLOv8-DEL在BDD100K数据集和KITTI数据集上,mAP@0.5分别提高了4.8个百分点和1.2个百分点,具有实时检测速度(208.6 FPS和216.4 FPS),在检测精度和速度方面实现了更有利的折中。

鸽圆环病毒荧光定量PCR检测方法的建立及应用

为了建立鸽圆环病毒(PiCV)的快速检测方法,依据PiCV Rep基因的保守序列区域设计了荧光定量PCR的引物和探针,并建立了快速检测PiCV的荧光定量PCR方法。结果显示,构建的PiCV荧光定量PCR方法在1.44×10,1~1.44×10^(7)/μL拷贝标准品间具有良好的线性关系,线性相关系数达0.9866;该方法具有良好的敏感性,其检测病毒系列含量下限为14.4拷贝/μL;该方法特异性良好,与鸽新城疫病毒、鸽疱疹病毒、鸽腺病毒等病毒及鸽组织DNA不存在交叉反应;该方法重复性较好,批内重复试验变异系数均介于0.454%~0.473%,批间重复试验变异系数均介于0.367%~0.869%。与传统普通PCR方法相比,所建立的PiCV荧光定量PCR方法敏感性更高,临床样品PiCV检出率更高,两者检测符合率为93.75%。结果表明,所建立的PiCV荧光定量PCR方法为临床检测鸽圆环病毒提供了一种快速、灵敏的检测方法,为PiCV的流行病学调查和主动监测提供了技术支撑。

交通场景下的大型车辆右转停车检测方法研究

随着大型车辆右转必停的新交规逐步实施,针对现有的监管方式存在效率较低的问题,提出了一种大型车辆右转停车检测方法。对YOLOv7-tiny检测模型进行改进,在ELAN模块中引入注意力机制,以提升大型车辆的检测性能。设计了一种新的大型车辆右转车道定位方法,通过自适应探测车道,提高了其在不同监控视角下的定位准确性。对大型车辆的运动轨迹进行序列数据转换,并采用结合加权平均的中值滤波算法,有效降低了原始数据的噪声。在滑动窗口损失函数中引入权重因子,进一步提升了检测方法的鲁棒性。实验结果表明,改进后的大型车辆检测模型在自制数据集和公开数据集上均取得了性能提升,大型车辆右转车道定位方法具有更强的泛化能力,并且检测到的停车时间覆盖率达到了97.4%。

基于深度学习的基础设施表面裂纹检测方法研究进展

民用基础设施在长期使用后容易发生物理结构或性能状态的改变,对其功能和使用安全造成一定的损害,因此,对这类设施的结构健康监测是十分必要的。裂纹检测是结构健康监测中极其重要的一部分,及时检测并识别这类损伤,能有效避免事故的发生。基于计算机视觉的表面裂纹检测方法操作简单、检测速度快、准确率高,被广泛应用于民用基础设施的表面裂纹检测。从图像分类、目标检测、语义分割三个不同的检测方向综述了基于深度学习的基础设施表面裂纹检测方法,总结了常见的数据采集方法和常用的公共裂纹数据集。最后讨论了基于深度学习的基础设施表面裂纹检测方法存在的困难与挑战,并展望了未来可能的发展方向。

基于双目视觉和改进YOLOv8n的火灾检测及测距方法

针对火灾检测出现的漏检误检、模型参数量大及定位困难的问题,基于双目视觉和改进YOLOv8n提出了一种轻量化火灾检测及测距方法.通过双目相机拍摄图片,使用改进的检测算法YOLOv8n-AEM和现有的测距算法SGBM进行检测和测距.首先,在主干网络中引入可变核卷积AKConv和EMA注意力机制,通过构建不规则卷积核有效提取火灾的特征;然后,在颈部网络中构建C2f-SCConv模块,通过特征重组降低模型参数,提高检测速度;其次,基于最小点距离改进损失函数,解决火源与光源重叠导致的漏检与误检问题;最后,增加小目标检测头,提高对小火苗的检测能力.实验结果表明,改进后的检测算法P、R、mAP分别为83.6%、76.4%、83.6%,分别提高了2.5%、3.6%、4.8%;参数量和模型大小分别为2.54 M和5.1 MB,分别降低了15.3%和15%;测距精度误差不超过2.5%,证明改进的方法能准确完成火灾的检测及测距.

融合注意力机制的荔枝轻量化检测方法研究

针对荔枝果实个体小、生长密集和遮挡严重等特点,为了快速准确地实现荔枝的检测和计数,提出了一种融合注意力机制和多尺度特征图的网络模型。为了提高模型对遮挡和阴影环境下果实的识别准确率,将Coordinate Attention(CA)注意力机制嵌入至YOLOv4-Tiny模型。为了提高模型对小目标果实的检测精度,在特征金字塔Feature Pyramid Networks(FPN)结构中生成了两个更大尺度的特征图。试验结果表明:融合注意力机制的荔枝轻量化检测模型的准确率(Precision)、召回率(Recall)和平均精度(mAP)分别为92.92%、76.09%和88.51%。与YOLOv4-Tiny和YOLOv3模型相比,所构建的融合注意力机制的荔枝轻量化检测模型的平均检测精度分别高出8.84个百分点和3.87个百分点。该模型能够快速、精准地检测出果园环境中的荔枝,适用于果园中荔枝的识别和计数。