摘要：在人工智能蓬勃发展的新时代,面对传统障碍物硬件设备检测成本高、实时性差、无法常态化进行、依赖于人工控制、耗时耗力等不足,设计了基于深度学习的目标检测方法。而在实际情况中,路面经常会出现光照不足、大气杂质、光学系统失真等恶劣环境,从而导致拍摄图像模糊不清晰,造成图像的严重退化,极大影响了后续路面障碍物的管理工作。本文将从此角度出发,在以往的道路障碍物识别方法上进行改进,利用Retinex理论在yolo基础网络上进行改进实现恶劣环境下的路面障碍物检测,从而实现道路路面的自动化检测,提高路面管理部门的工作效率。

摘要：yolo系列算法因其独特的优越性而被广泛研究,但是复杂的模型使得其在某些应用场景受到了限制。针对城市轨道交通无人列车驾驶中对前方轨行区异物入侵检测的时效性,本文以yolov5s算法为基础,从主干网络轻量化设计和边界框回归损失函数两方面进行优化。首先,通过引入GhostNet网络来减少网络参数提升模型轻量化。然后,以DIOU作为边界框回归损失函数,提高了模型收敛速度和精度。以COCO数据集进行试验,结果表明,所提算法在模型轻量化和检测精度上相比yolov5s均有所提升。

摘要：目前我国矿山建设领域很多系统存在功能不完善、可操作性差、智能化程度较低、数据无法得到深度利用等问题。引入图像识别技术,对矿车装载物进行识别以此来提高分运效率,是解决上述问题的一个可靠途径。文章首先综合评估Faster R-CNN、SSD、yolo、RetinaNet四种图像识别算法在矿车装载物分类中的实际性能,发现yolo模型最佳。其次使用轻量级的MobileNet V3网络替换yolo的特征提取网络,优化后的模型在保证精度的基础上,大小变为原有的1/5,且在不同环境下都能进行有效识别并分类。最后设计了人机交互界面并搭载触摸屏,实现了整套矿车装载物智能识别系统。

摘要：该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对yolo模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。

摘要：针对当前水库信息化程度低、监管不完善等问题,设计开发了一套基于深度学习算法和物联网技术的水库危险行为识别系统,主要包括视频监控、识别预警和预警统计等多个功能模块,构建了一个面向水库危险行为的实时全天候监控、识别、预警平台,旨在加强水库周边区域的安全管理,预防和减少因钓鱼、游泳和非法越界等危险行为导致的安全事故。为解决自然环境复杂、小目标对象检测难的问题,系统基于目标检测算法(yolo),融合了高效多尺度注意力模型(EMA),以提高危险行为识别的准确率和可靠性,在实际部署和应用中能有效缓解水库巡查不到位的问题,全面提升了水库安全监管的智能化水平。

摘要：在我国电力系统中,配电站属于电力网络边缘节点,是电力系统中的重要环节。然而,人工巡检或一些传统硬件设备的数据采集手段,由于成本及效率等问题,已经无法匹配当下的安防巡检需求。针对此问题,本文提出一种基于现场可编程门阵列(FPGA)的智能配电站安防巡检解决方案。首先利用yolov4-tiny网络实现安全帽佩戴检测、工作服着装检测、越界预警识别等功能,其准确率可达93.5%;其次针对配电站的应用场景,本文利用FPGA在边缘设备上实现实时检测的效果,并从并行展开及流水线等方面进行加速优化。实验结果表明,该系统可在ZCU102平台上实现每秒传输帧数为68的检测速度,整体平均性能达到228十亿次运算/秒。