改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

钢轨裂纹伤损声发射源的建模仿真与特征分析

高速铁路的发展对钢轨的安全性提出了特殊要求,因此对钢轨内部裂纹的特征分析具有重要意义。为了研究钢轨内部裂纹声发射源特征,对钢轨中不同类型、深度和传导距离的裂纹声发射源进行了分析.采用有限元方法建立了钢轨模型并通过实验验证,然后结合小波方法和瑞利-兰姆方程分析了裂纹声发射源的特征。结果表明:钢轨中不同类型和不同频率特征的声发射源能够利用声发射模态之间的强度比率来识别;轨腰深度上的声发射源具有统一的模态特征,而轨头和轨底的声发射源则具有复杂的模态特征;同时,不同类型声发射源在钢轨中的传导特征差异明显。研究结果对利用声发射技术进行钢轨裂纹检测提供了指导,可作为实际应用的重要参考。      

基于激光多普勒频移的钢轨缺陷监测

针对现阶段我国铁路上应用的探伤设备只能在天窗时间进行人工巡检,无法在线监测的问题,提出一种基于超声导波的激光多普勒频移法钢轨内部缺陷监测方法。首先,引入环境温度作为变量改进了半解析有限元方法,并应用该方法获得了我国无缝线路CHN60钢轨在特定温度下的频散曲线。通过分析振型并结合激励响应算法确定了适于检测缺陷的模态及其激励方式,从而激励该超声导波模态使其在钢轨中传播。然后,应用半反半透玻璃镜将激光分为参考光和测量光,测量光通过Bragg Cell进行频偏照射钢轨表面,通过反射光产生的多普勒频移与参考光干涉得到光强度变化曲线,经过信号处理及标定测得钢轨内部缺陷的回波速度信号,再经过数字化处理和计算得到缺陷的位置。最后,在北京环形铁路试验基地进行了现场实验,以钢轨接地孔模拟钢轨内部核伤,得到缺陷定位误差均小于0. 5 m,验证了该方法的可行性。使用激光多普勒频移方法检测导波信号从而定位缺陷的方法可以有效避免由于换能器接触性测量而产生的误差。该方法在不影响列车的正常运营的同时,实现了全天候无间断的在线监测,提高了检测效率。     

改进YOLO轻量化网络的行人检测算法

针对当前行人检测方法计算量大、检测精度低的问题,基于YOLOv4-tiny提出一种改进的行人检测算法.引入通道注意力和空间注意力模块(CBAM)至CSPDarknet53-tiny网络中,通过学习图像的位置信息和通道信息得到更加丰富的特征;在骨干网络CSPDarknet53-tiny之后引入空间金字塔池化模块,能够极大...     

基于光声信号的高铁钢轨表面缺陷检测方法

针对传统的基于超声信号的高铁钢轨无损检测方法对于表面微裂纹检测效果不佳的问题,提出了一种基于光声信号的高铁钢轨表面缺陷检测方法.首先,使用有限元及K-wave方法建立了钢轨模型并获得了模拟光声信号;然后利用时间反演的方法对钢轨表面的光声图像进行了重建,并研究了不同传感器中心频率对成像结果的影响;最后设计实验采集了钢轨表面的光声信号并进行了处理和分析.实验结果表明,基于光声信号的高铁钢轨表面缺陷检测方法对于表面微裂纹有很好的检测效果,该方法在钢轨探伤领域有较大的可行性及发展潜力.     

基于优化残差网络的复杂纹理表面缺陷检测

产品表面缺陷检测是工业自动化生产的重要环节,准确率是评价自动检测系统可靠性的主要指标。基于复杂纹理表面缺陷检测的特殊性以及对检测方法的实时性、通用性等要求,提出了优化骨干网络并使用迁移学习特征映射构建复杂纹理表面缺陷的检测方法。该方法通过优化残差网络模型并建立仿真数据集的方式进行迁移学习,以解决实际情况中复杂纹理表面产品数据集样本数量少、数据集制作困难、相似问题难以互相兼容等问题。实验结果表明,提出的方法可以准确地检测随机复杂纹理的人造木质板材表面缺陷,平均准确率可达99.6%。现有实验条件下单张人造木质板材的检测时间为305 ms,可以满足在线检测的实时性要求。研究结果可为基于深度学习的复杂纹理表面缺陷检测提供新的思路与理论参考。     

Recognition algorithm of internal defect images of thermal battery北大核心CSCD

针对目前热电池内部装配缺陷检测效率低、准确度不高的问题,研究了一种可精准分割内部电池堆图像并能够准确识别缺陷种类的方法。首先采用水平、垂直积分投影法对目标电池堆边缘特征进行提取,利用局部自适应对比度增强算法对局部不清晰部分进行细节纹理增强;然后研究了缺陷结构的灰度特性,计算提取出缺陷特征参数;最后使用BP（back propagation）神经网络和CART（classification and regression tree）决策树对特征参数分类识别,并根据分类准确度进行权重分配,将加权融合后的结果作为检测的最终判据。实验结果表明:该方法对2 000个样本的检测准确度达98.9%,为热电池的X射线缺陷检测提供了有效的途径。     

在线轨面伤损检测软件系统优化设计与实现

针对实际应用中轨面伤损检测系统检测速度较慢的问题，在保证检测精度的前提下，结合轨面图像特点及软件工程的思想，提出了面向算法、编程技术和存储介质3个层面的优化方法。算法优化通过重新设计算法流程，合理取舍步骤，实现算法到CPU的高效映射；编程技术优化使用多线程编程，通过并行运算充分利用处理器的多核优势；存储介质优化通过使用读写快、质量轻、能耗低、体积小的固态硬盘进行图像读写，有效地提升了硬件效率。实验结果表明，优化后平均每幅轨面图像检测耗时由17.94 ms降低到仅8.33 ms，速度提升了53.57%，在分辨率为1 mm的精度下换算成车速约为207 km/h，可以满足铁路轨面伤损在线检测需求。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于YOLOv3框架的高分辨电镜图像原子峰位置检测

高分辨电镜图像中原子峰位置的检测具有十分重要的现实意义,通过精确定量化原子峰位置可以分析物质在微观尺度上的结构形变、电极化矢量分布等重要信息.近年来深度学习技术在图像目标检测领域取得了巨大突破,这一技术可用在高分辨电镜图像处理上,因为原子位置的检测可以看作是一个目标检测问题.本文利用先进的机器学习方法,通过制作高质量原子图像样本集,使用YOLOv3目标识别框架对原子图像进行自动检测,达到预期效果,实现了深度学习技术在高分辨电镜图像处理领域的应用.该方法的运用有望突破自动处理动态、大量电镜图片的瓶颈问题.     

基于优化YOLOv4算法的行驶车辆要素检测方法北大核心CSCD

随着车辆数量的急剧增加,带来了一系列管理问题,智能交通系统是一种有效的解决方式。由于传统的目标识别方式受天气、距离、角度、光照等因素的影响较大,且基于原YOLOv4算法的驾驶员面部、手部等信息检测的准确率不高,提出一种基于优化YOLOv4算法的检测定位方法。在给原YOLOv4网络增加一个更小的检测尺度的同时,使用模糊ISODATA动态聚类算法对先验框数目进行优化,并使用真实十字路口数据集进行实验。实验证明,优化后的网络在训练集中的类间平均准确率为98.56%,检测帧频为41.43帧/s,均高于原网络。     

声发射技术在铁路系统检测中的研究和应用

高速铁路的快速发展,给我国经济和社会发展带来了巨大的推动作用,同时对铁路系统的安全性提出了更高的要求。针对声发射技术在铁路系统安全检测中的研究和应用,介绍了声发射技术及其在检测应用中的优点,综述了目前国内外声发射技术在铁路系统检测研究中的情况,包括钢轨伤损检测、车轮伤损检测、轮轴轴承伤损检测、铁路结构安全监测以及车体材料安全监测等,特别针对钢轨裂纹伤损引起的钢轨断裂这一铁路安全中的主要事故,着重分析了声发射技术在钢轨裂纹伤损检测研究中的情况,并介绍了在高速铁路方面的应用探索。最后在上述分析总结的基础上,指出了声发射技术在铁路系统特别是高速铁路检测研究中的前景及研究难点。     

An analysis of the simulated acoustic emission sources with different propagation distances,types and depths for rail defect detection

Acoustic Emission (AE) technique is an effective nondestructive detecting method, and has a promising application for rail defect detection. So far, little attention has been paid to propagation distances, types, and depths of AE sources, which are important for rail defect detection accurately. This paper presents an experimental study on the simulated AE sources with different propagation distances, types and depths for rail defect detection. Three simulated AE sources with different frequencies are seeded on the cross section of rail, and the depths of AE sources are changed in the vertical direction. After receiving AE signals, wavelet transform and Rayleigh–Lamb equations are utilized to extract time–frequency features and modes. Based on the wavelet transform with corresponding group-velocity curves, the influences of different propagation distances, the features of different source types and the rules of different source depths are examined. It is concluded that the features of AE sources with different propagation distances, types and depths can be obtained by AE technique for rail defect detection. It is very useful to analyze and detect defects in rail defect detection.     

基于神经网络的零件缺陷机器视觉识别系统

零件缺陷检测是保证零件使用安全的重要手段。传统的零件缺陷检测法需要有操作人员参与其中,易受主观因素影响,检测的效率及精度得不到良好的保证。而采用机器视觉技术的检测法可实现实时在线的自动检测,无需人工参与,这就极大的提高了生产效率。本文以小轴承表面为研究对象,针对微小轴承的表面结构、尺寸、检测精度和缺陷特征,设计了基于BP神经网络的零件缺陷机器视觉在线自动检测系统,其采用机器视觉技术,构建了BP神经网络检测识别模型,采用进行图像特征提取的间接识别方法,对微小轴承缺陷进行实时检测。实验结果证明了人工神经网络模型的检测能力的可靠性。     

基于深度学习的光学元件表面疵病识别北大核心CSCD

精密光学元件表面疵病的人工检测分类方法效率低,且准确率易受疲劳等人工因素影响,而基于传统机器学习方法的分类准确率有待进一步提高。提出了一种基于深度学习卷积神经网络的光学大尺寸元件表面疵病识别方法。首先,通过现场实验采集并整理了大尺寸镜面疵病样本;接着,基于单通道灰度图像构建融合梯度的三通道图像,挖掘更深入的特征表达;最后,基于经典的LeNet网络,提出了面向激光惯性约束聚变(ICF)的光学元件表面疵病识别网络ICFNet,该网络不需要复杂的手工特征设计和提取,仅使用原始灰度图像就实现高效的疵病识别。实验结果表明:针对包含麻点、划痕和灰尘的三类疵病数据,ICFNet相较于使用多项特征和支持向量机的传统方法拥有较好的分类准确率。     

Robust Vehicle Speed Measurement Based on Feature Information Fusion for Vehicle Multi-Characteristic Detection

A robust vehicle speed measurement system based on feature information fusion for vehicle multi-characteristic detection is proposed in this paper. A vehicle multi-characteristic dataset is constructed. With this dataset, seven CNN-based modern object detection algorithms are trained for vehicle multi-characteristic detection. The FPN-based YOLOv4 is selected as the best vehicle multi-characteristic detection algorithm, which applies feature information fusion of different scales with both rich high-level semantic information and detailed low-level location information. The YOLOv4 algorithm is improved by combing with the attention mechanism, in which the residual module in YOLOv4 is replaced by the ECA channel attention module with cross channel interaction. An improved ECA-YOLOv4 object detection algorithm based on both feature information fusion and cross channel interaction is proposed, which improves the performance of YOLOv4 for vehicle multi-characteristic detection and reduces the model parameter size and FLOPs as well. A multi-characteristic fused speed measurement system based on license plate, logo, and light is designed accordingly. The system performance is verified by experiments. The experimental results show that the speed measurement error rate of the proposed system meets the requirement of the China national standard GB/T 21555-2007 in which the speed measurement error rate should be less than 6%. The proposed system can efficiently enhance the vehicle speed measurement accuracy and effectively improve the vehicle speed measurement robustness.     

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

基于CiteSpace的内表面缺陷检测研究进展与趋势

为分析内表面缺陷检测的发展历程、趋势和研究动态，通过对WoS和CNKI数据库中该领域相关文献的检索，共搜集相关文献英文4 708篇，中文818篇，利用可视化分析软件CiteSpace对文献数据开展共现分析、聚类分析等知识图谱研究，分析内表面缺陷检测领域在国家、机构及研究人员层面的分布现状及合作情况，梳理研究热点和前沿趋势。研究发现内表面缺陷检测研究具有明显的多学科交叉属性，主要涉及分析化学、材料科学、光谱学、仪器仪表、机械工程和计算机等学科。近几年WoS数据库相关主题收录文献年增长率超过10%, CNKI年增长率超过20%,中美两国为本领域研究最为活跃的国家，两国发文量约占总发文量的40%,中国学者在无损检测、图像处理等领域的研究明显落后于国外学者，但在机器视觉和深度学习领域实现赶超。按照研究路线可将相关研究分为基于声光电热磁的检测和基于视觉成像的检测两类，其中前者包括采用不同技术手段获取光谱、超声和电磁图像并借助图像处理技术实现缺陷检测，而后者主要基于视觉图像进行缺陷识别和分类，目前已成为该领域主要的研究热点。内表面缺陷检测发展历程分为缺陷识别、缺陷分类、缺陷分析三个阶段，2000年...     

A Lightweight YOLOv4-Based Forestry Pest Detection Method Using Coordinate Attention and Feature Fusion

Traditional pest detection methods are challenging to use in complex forestry environments due to their low accuracy and speed. To address this issue, this paper proposes the YOLOv4_MF model. The YOLOv4_MF model utilizes MobileNetv2 as the feature extraction block and replaces the traditional convolution with depth-wise separated convolution to reduce the model parameters. In addition, the coordinate attention mechanism was embedded in MobileNetv2 to enhance feature information. A symmetric structure consisting of a three-layer spatial pyramid pool is presented, and an improved feature fusion structure was designed to fuse the target information. For the loss function, focal loss was used instead of cross-entropy loss to enhance the network’s learning of small targets. The experimental results showed that the YOLOv4_MF model has 4.24% higher mAP, 4.37% higher precision, and 6.68% higher recall than the YOLOv4 model. The size of the proposed model was reduced to 1/6 of that of YOLOv4. Moreover, the proposed algorithm achieved 38.62% mAP with respect to some state-of-the-art algorithms on the COCO dataset.     

卷积神经网络的缺陷类型识别分析

该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法,该方法无需对超声回波原始信号进行特征提取.文章研究对比了不同卷积神经网络及其优化的识别性能.首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测,然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二...