基于深度学习的绝缘子故障检测仿真研究

针对无人机巡检中采集到的绝缘子图片受干扰严重、检测精度低的问题，在YOLOv5s算法的基础上进行优化，基于改进后的YOLOv5s算法进行了绝缘子故障检测的仿真研究。通过在颈部网络添加CBAM注意力模块、运用K-means聚类重新计算先验框大小、采用MetaAconC作为激活函数3种措施改进了原算法，并基于Python进行了实验结果分析。实验结果表明本方案算法平均精度均值mAP达到了96.7%，对比原YOLOv5s模型，平均精度均值m AP提升3.3%；且方案算法训练出的权重文件大小仅有15.1 M,仅比原YOLOv5s大了0.1 M，仍然保持了轻量化的特点，在智能巡检工作的部署上有良好前景。     

基于改进Unet模型的混凝土裂缝分割研究

【目的】针对桥梁、隧道等环境下产生的混凝土裂缝情况复杂、干扰因素多的问题,提出一种改进Unet模型（A-Unet）的裂缝检测方法。【方法】以Unet网络为基础,研究了编码器的深度如何影响模型训练时间、检测精度。在解码过程中设计一种融合空间和通道注意力模块,将高分辨率的浅层特征与上采样获得的深层特征信息赋予不同权重,进一步增强裂缝特征。同时,增加dice损失函数对模型进行评价,减少因检测目标与背景数量相差较大,导致评价不准确的问题。【结果】在测试数据集中进行评价,精确度,MIou,召回率分别达到94.70%,86.16%,91.34%。A-Unet模型检测效果明显优于其他5种模型。【结论】利用该方法检测混凝土裂缝精度得到较大提升,且节约了模型训练时间,提高检测效率。     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性,改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题,提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络,通过增加动态加权密集块对各层特征图的权重进行调节,实现深层高语义信息和浅层低语义信息的融合;使用MobileNet 轻量化网络结构,通过可分离卷积操作有效降低网络的计算成本;针对池化操作中图像特征丢失严重问题引入 CBAM模块,利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明,本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度,在保证较高检测精度的同时,能够有效提高检测效率,满足实时检测要求.     

基于Transformer的交通标志检测模型研究

【目的】为了解决在复杂环境下,对小目标特征困难以及对小目标检测效果不佳等问题,提出了一种基于Transformer的交通标志检测基干模型。【方法】通过充分利用卷积和Transformer的优势,构建了一种注意力融合的多尺度特征提取基干模型,能够使基干网络以全局上下文信息为支撑,有选择地增强有用信息的特征,并抑制不重要的特征。此外,为了在增强特征融合的同时防止网络退化,还加入了类池连接。最后,在TT100K数据集上进行实验。【结果】实验结果表明,以该模型为骨干的元体系结构取得了最高84%的mAP,与基线模型相比m AP最大提升约7%。【结论】模型在提高特征提取效果的同时,也为交通标志检测提供了一种新的思路。     

面向高速公路的公里桩检测及误检改进

公里桩是高速公路的位置信息载体，自动检测公里桩是实现高速公路路面信息定位的前提。针对高速公路公里桩自动检测中存在的问题，通过车载道路巡检设备采集公里桩数据信息，训练公里桩检测模型。结合Hu不变矩法和公里桩独特的图像特征，提出基于二维图像的公里桩自动检测及误检改进方法，为交通标志的日常巡检作业提供新思路。以测试段高速公路为例进行研究，结果表明：YOLOv5s检测模型对公里桩的召回率达到100%,准确率为52.7%,运用Hu不变矩法对检测结果进行误检排除，召回率降低5.6%,准确率提升35.7%,检测速度和精度能够满足实际巡检需求，并可为其他目标物检测定位提供帮助。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明：本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0,32]、(32,96]与(96,400]尺度下...     

基于DenseNet结构的轨道暗光环境实时增强算法

车载视觉系统是未来城市轨道交通安全运行的重要保障，列车在封闭环境或夜间运行时所处的弱光照环境会严重影响车载视觉系统的检测效果. 为此，提出了一种针对铁路封闭环境或夜间行车环境下低照度图像的实时视觉增强算法. 该算法以密集连接网络（densely connected network，DenseNet）结构为骨干网建立特征尺寸不变网络，提取图像光照、颜色等信息输出光照增强率图，并基于非线性映射函数调整每个像素的光照强度，通过分级结构将低照度输入图像的曝光率由低层到高层不断增强. 建立的深度学习网络模型采用自监督的方式训练网络参数，利用低照度图像自身特征和先验知识构建损失函数，其由曝光损失、色彩恒定损失及光照平滑度损失3个分量组成. 多种场景下的低照度增强实验结果显示:本文算法能够对输入图像曝光值进行自适应，对低曝光以及高曝光区域动态调整曝光率从而改善低照度图像的可视化效果，处理速度能够达到160帧/s，满足实时性处理的要求；通过在低照度增强前后的轨道分割及行人检测算法性能对比实验证明:所提出的算法能够大大提高暗光环境下的视觉检测效果，在RSDS （railroad segmentation dataset）数据集中轨道分割F值提高5%以上，在轨道场景下行人检测误检率及漏检率均有效降低.      

基于改进StyleGAN路面缺陷数据增强算法

针对复杂场景下路面缺陷数据样本少且图像质量差的问题,提出基于改进StyleGAN路面缺陷数据增强算法。在原有StyleGAN的基础上引入自注意力机制,以加强生成器对图像纹理细节信息的关注;引入SLE标签编码器以调节生成图像的纹理细节;增加噪声输入量,提升训练样本的复杂性和生成样本的多样性;采用WGANGP损失函数并调整模块分辨率来提高模型的收敛效率。通过消融实验、直观评价方法和量化评价方法分析评估模型图像生成质量,验证得出文中算法生成的路面缺陷图像质量较好,IS达到52.1,FID达到54.2;经4种经典目标检测算法测试,平均精度均值同原始数据集相比平均提升了30%左右,召回率提升了7%左右。     

基于YOLOv3的变速箱油封座缺陷检测

针对小型汽车变速箱后油封座缺陷检测精度低、检测速度慢、目标不敏感等问题,提出改进YOLOv3检测算法.在YOLOv3算法基础上,将第11层浅层特征与网络深层特征融合,生成尺度为104×104的新特征图层,提取更多小缺陷目标特征;再将BN层参数合并到卷积层,共用连通数据减少占用显存等空间.结果表明:文中算法能有效识别有缺...     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征;使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率;基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明：与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock＿body1叠加残差块,可以更好地提取分辨率较小的特征;对原深层ResBlock＿body3、ResBlock＿body4和ResBlock＿body5进行裁剪,获得ResBlock＿body3×2、Re...     

基于改进YOLOv5的小目标交通标志检测算法

针对小目标交通标志检测精度低的问题,提出基于改进YOLOv5的小目标交通标志检测算法。优化YOLOv5的主干网络结构,采用微小目标检测层替换原始大目标检测层,调整下采样倍数,将MobileViT Block融入颈部网络,采用离线增强与在线增强的方法对数据集进行处理。实验结果表明：与其他目标检测算法相比,改进算法的小目标交通标志检测均值平均精度为85.3%,参数量降低了39%,FPS为70,满足实时检测的要求。     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。     

受电弓故障的车载图像识别技术

针对列车在途中因受电弓发生故障而影响运行安全的问题，提出了一种受电弓故障的车载图像识别技术，以实时检测受电弓降弓、变形与毁坏，碳滑板异常磨耗与缺口，弓角变形与缺失故障；基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型，利用残差网络代替原有卷积网络，利用特征金字塔多尺度预测结构构建了候选区域推荐网络，以精准、快速地进行弓头定位和状态检侧；基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型，并针对性地重新设计了检测头的网络结构与特征图尺寸，以适应受电弓的细长弯曲特征，从而准确、快速分割弓头图像；为了在分割后的二值图中更快速地识别与定位故障，根据受电弓结构尺寸和图像分割模型输出的位置坐标，制定了弓角与碳滑板故障的快速模板匹配策略，并在此基础上编制了详细的故障检测算法与程序。研究结果表明：在相应的数据集上，弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时...     

基于金字塔特征融合的二阶段三维点云车辆检测

针对三维点云鸟瞰图特征提取不充分导致车辆目标检测性能欠佳问题,本文提出一种基于金字塔特征融合的二阶段三维点云车辆目标检测算法。首先通过降维处理并利用体素占用编码原始三维点云,得到二维特征图输入;然后,利用上采样网络传递高层语义特征,下采样网络传递低层位置特征,构建一阶段金字塔网络结构提取车辆目标特征;最后,通过候选区域提取层得 到不同尺度的候选区域,利用兴趣区域池化层对齐各候选区域尺度,并采用全连接层融合多尺度特征,提取不同感受野下车辆目标特征;此外,在损失函数方面,补充正余弦角度损失并加权到总损失函数中,优化车辆目标航向角预测。基于KITTI公开数据集的实验分析表明,本文算法相较基准网络能够有效补充三维点云鸟瞰图特征提取,在不同难度的检测任务中平均检测精度提高 了5.07%~8.59%。     

基于深度学习的公路货车车型识别

为判断公路货车车型，并提升货车车型识别的速度与精度，提出基于深度学习的方法对公路货车及其轮轴进行精细化目标检测；采用道路监控拍摄和网络爬取的方式获得了16 403张公路货车侧方图像，建立了货车侧方图像数据集，并采用Retinex理论和加入限制对比度的自适应直方图均衡化(CLAHE)等视觉增强方法预处理所采集图像中的光照不均图像和夜视图像；通过理论分析和对比试验选取单阶段检测网络YOLOv3作为公路货车车型识别的目标检测网络，并从调整先验框和模型输入大小以及引入注意力机制3个方面优化了检测模型；针对单帧图像可能同时出现多辆货车的情况，采用基于目标位置信息挖掘的算法分析了货车与轮轴的位置信息，提出一种通过轮轴中心点与货车预测框位置信息判定公路货车与轮轴隶属关系的方法。研究结果表明：图像经过预处理可显著增强车辆的特征信息，优化后检测模型的网络性能得到提高，通过对目标位置信息的挖掘与利用可以很好地解决货车车型判定问题；优化后的检测模型实时检测速度可达47帧·s^-1,对公路货车车型的识别综合准确率达到了94.4%。该方法实现了对公路货车车型的无接触、快速和准确识别，为公路货...     

基于MobileNet-SSD的铁路信号灯检测识别

为解决铁路轨旁信号灯的定位与实时检测问题,在深入分析传统SSD算法与MobileNet模型的基础上,将MobileNet模型的最后平均池化层、全连接层转换为SSD算法的多尺度特征映射层,提出了一种基于MobileNet-SSD的铁路信号灯检测算法.实验结果表明:该算法克服了传统SSD算法对小目标识别不准确、检测实时性较差的问题,检测速度更快,准确率更高;在50 m监控范围内,算法的平均检测准确率达到85%以上,同时具有25帧/s的实时识别能力.     

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。      

夜间复杂交通场景中的车辆检测和跟踪

为提高夜间车辆视频检测和跟踪的准确率,提出一种夜间车辆检测和跟踪算 法.本算法通过亮斑分割和连通组件匹配来检测和定位车辆前灯,并利用区域跟踪算法对 前灯进行跟踪以提高检测准确率.考虑到夜间行车时车辆前灯的显著特征,通过改进Otsu 方法以自适应地分割明亮区域,并根据前灯的几何形状、尺寸及位置信息滤除非车灯部 分的车辆信息.然后利用前灯的对称性进行前灯的配对和归类;最后采用区域跟踪算法对 前灯进行定位和跟踪.实验结果表明,本算法车辆检测平均准确率大于97%,处理速度比 已有方法提高15.8%以上.     

基于神经网络和多信息融合的高速公路交通事件检测算法

高速公路事件检测是事件管理过程的核心和关键,在总结国内基于神经网络事件检测算法的基础上,提出基于LVQ网络模型和信息融合的交通事件检测新算法,将主线检测器得到的信息和收费站处得到的信息进行融合来判断交通事件的发生。将LVQ神经网络作为分类器进行交通事件自动检测,为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。仿真实验表明:该算法具有更高的检测率、更低的误报率,可以明显改善检测效果。     

基于特征选择和SVM参数同步优化的网络入侵检测

为了提高网络入侵检测正确率,利用特征选择和支持向量机（SVM）参数间的相互联系,提出一种特征选择和SVM参数联同步优化的网络入侵检测算法.该算法首先将网络入侵检测正确率作为问题优化的目标函数,网络特征和SVM参数作为约束条件建立数学模型,然后通过遗传算法对数学模型进行求解,找到最优特征子集和SVM参数,最后利用KDD 1999数据集对算法性能进行测试.结果表明,相对于其他入侵检测算法,同步优化算法能够较快选择最优特征与SVM参数,有效提高了网络入侵检测正确率,加快了网络入侵检测速度.