针对火灾中小目标、多目标、边缘模糊等导致的检测精度下降问题,提出了一种基于YOLOv3(You only look once,v3)改进的火焰目标检测算法。首先,通过改进的特征金字塔网络对局部信息进行二次利用。然后,设计大尺度全卷积模块以获取不同尺度的全局空间信息,用改进的通道空间注意力机制提高有效信息,并抑制无用信息。最后,用完全交并比和Focal Loss作为损失函数,以提高难识别目标的检测精度和缓解数据集不平衡的问题。在自制火焰数据中的实验结果表明,本算法具有较高的检测精度和较快的检测速度,平均精度均值高达89.82%,检测速度可达到20.2FPS(每秒传输帧数),能满足火灾检测的实时性和高效性要求。

为改进传统人工方法对熔覆区域裂纹检测耗时、准确率低的现状,提出了一种融合注意力模型的熔覆区裂纹自动识别方法,以便对裂纹进行标识和检测。基于U-net网络构造的熔覆裂纹语义分割网络存在对局部小特征提取能力不足的问题,而通过增加注意力模型(CBAM)层,提取特征空间和特征通道的权重信息,就可以对激光熔覆区微观裂纹进行实时的像素级标注和检测。实验结果表明:引入注意力模型的深度学习模型可使熔覆裂纹的识别和检测准确率提升2.7个百分点;融合注意力模型的网络在熔覆区域裂纹测试集上的准确率为79.8%。深度学习模型标注的准确度和速度均已超过人工标注,为激光熔覆裂纹的识别提供了有效方法。

针对传统语义分割算法参数量大、运行慢,不利于违禁品识别技术实际应用的问题,提出一种基于轻量化分割网络的违禁品识别算法。在模型的浅层特征层设计空洞卷积模块来扩大网络的感受野,减少误分类并提升分割精细度。在深层特征层设计非对称卷积模块取代传统单一串联卷积操作,降低计算复杂度。实验结果表明,所提算法在识别精度和速度上取得了均衡的性能,平均交并比(mIoU)达73.18×10 -2,每秒传输帧数(FPS)达27.1。

提出了一种低参数量实时图像语义分割网络模型Atrous-squeezeseg。模型在最低参数量为2.1×10 ⁷时的运算帧率为45.3 frame/s,像素点准确度与均交并比分别可达到59.5%与62.9%。同时,嵌入式设备NVIDIA TX2的运算帧率可达8.3 frame/s。实验结果表明,相比于其他分割算法,所提模型的速度和参数量均得到了提升。