Drone or unmanned aerial vehicle(UAV)technology has undergone significant changes.The technology allows UAV to carry out a wide range of tasks with an increasing level of sophistication,since drones can cover a large ...Drone or unmanned aerial vehicle(UAV)technology has undergone significant changes.The technology allows UAV to carry out a wide range of tasks with an increasing level of sophistication,since drones can cover a large area with cameras.Meanwhile,the increasing number of computer vision applications utilizing deep learning provides a unique insight into such applications.The primary target in UAV-based detection applications is humans,yet aerial recordings are not included in the massive datasets used to train object detectors,which makes it necessary to gather the model data from such platforms.You only look once(YOLO)version 4,RetinaNet,faster region-based convolutional neural network(R-CNN),and cascade R-CNN are several well-known detectors that have been studied in the past using a variety of datasets to replicate rescue scenes.Here,we used the search and rescue(SAR)dataset to train the you only look once version 5(YOLOv5)algorithm to validate its speed,accuracy,and low false detection rate.In comparison to YOLOv4 and R-CNN,the highest mean average accuracy of 96.9%is obtained by YOLOv5.For comparison,experimental findings utilizing the SAR and the human rescue imaging database on land(HERIDAL)datasets are presented.The results show that the YOLOv5-based approach is the most successful human detection model for SAR missions.展开更多
地质断层作为储层油气聚集和运移的重要通道,是评价储层特征和圈闭性的重要指标,也是储气库构造样式选择的先决条件。然而,从地震图像资料中识别断层存在依赖专家知识、时效性差和多解性强等问题。近年来,以深度学习和大模型技术为代表...地质断层作为储层油气聚集和运移的重要通道,是评价储层特征和圈闭性的重要指标,也是储气库构造样式选择的先决条件。然而,从地震图像资料中识别断层存在依赖专家知识、时效性差和多解性强等问题。近年来,以深度学习和大模型技术为代表的人工智能方法,凭借其高效的非线性数据分析能力极大地改变了传统工业任务范式。鉴于此,提出一种基于增强域数据微调Yolo(You Only Look Once)模型的断层智能识别方法。首先,针对现场数据稀疏问题,使用基于强化学习的图像自增强算法,通过下游任务需求定向训练优化算法,实现地震体图像最优增强组合方案;然后,根据地质领域专家知识,在三维地震图像中确定能有效表征断块的高阶特征;通过进一步搭建基于预训练Yolo模型的断层识别模型,输入实测-增强图像数据进行领域数据微调训练,从而建立断层智能识别模型;最后,将现场三维地震数据输入到训练好的断层智能识别模型中,提取被分割、识别、标注和计算的断层特征。以中国中部地区某储气库建设运营地块为例,该方法能在不过多依赖人工介入的情况下高效识别储层断层。本研究适用于地震勘探断层识别任务,能为储气库合理选址提供智能化解决方案。展开更多
为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从...为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。展开更多
为了实现机器人焊接的免示教路径规划,结合深度学习与点云处理技术,开发了一种高效、稳定的焊缝智能识别算法.首先,采用ETH(Eye-to-hand)构型的工业级3D相机获取焊件周围的二维图像和3D点云模型,利用预先训练的YOLOv8目标检测模型识别...为了实现机器人焊接的免示教路径规划,结合深度学习与点云处理技术,开发了一种高效、稳定的焊缝智能识别算法.首先,采用ETH(Eye-to-hand)构型的工业级3D相机获取焊件周围的二维图像和3D点云模型,利用预先训练的YOLOv8目标检测模型识别焊件所在的ROI区域(region of interest,ROI),模型识别精度为99.5%,从而实现快速剔除背景点云,并基于RANSAC平面拟合、欧式聚类等点云处理算法,对ROI区域的三维点云进行焊缝空间位置的精细识别;最后根据手眼标定结果转化为机器人用户坐标系下的焊接轨迹.结果表明,文中所开发的算法可实现随机摆放的焊缝自动识别和焊接机器人路径规划,生成的轨迹与人工示教轨迹效果相当,偏差在0.5 mm以内.展开更多
文摘Drone or unmanned aerial vehicle(UAV)technology has undergone significant changes.The technology allows UAV to carry out a wide range of tasks with an increasing level of sophistication,since drones can cover a large area with cameras.Meanwhile,the increasing number of computer vision applications utilizing deep learning provides a unique insight into such applications.The primary target in UAV-based detection applications is humans,yet aerial recordings are not included in the massive datasets used to train object detectors,which makes it necessary to gather the model data from such platforms.You only look once(YOLO)version 4,RetinaNet,faster region-based convolutional neural network(R-CNN),and cascade R-CNN are several well-known detectors that have been studied in the past using a variety of datasets to replicate rescue scenes.Here,we used the search and rescue(SAR)dataset to train the you only look once version 5(YOLOv5)algorithm to validate its speed,accuracy,and low false detection rate.In comparison to YOLOv4 and R-CNN,the highest mean average accuracy of 96.9%is obtained by YOLOv5.For comparison,experimental findings utilizing the SAR and the human rescue imaging database on land(HERIDAL)datasets are presented.The results show that the YOLOv5-based approach is the most successful human detection model for SAR missions.
文摘地质断层作为储层油气聚集和运移的重要通道,是评价储层特征和圈闭性的重要指标,也是储气库构造样式选择的先决条件。然而,从地震图像资料中识别断层存在依赖专家知识、时效性差和多解性强等问题。近年来,以深度学习和大模型技术为代表的人工智能方法,凭借其高效的非线性数据分析能力极大地改变了传统工业任务范式。鉴于此,提出一种基于增强域数据微调Yolo(You Only Look Once)模型的断层智能识别方法。首先,针对现场数据稀疏问题,使用基于强化学习的图像自增强算法,通过下游任务需求定向训练优化算法,实现地震体图像最优增强组合方案;然后,根据地质领域专家知识,在三维地震图像中确定能有效表征断块的高阶特征;通过进一步搭建基于预训练Yolo模型的断层识别模型,输入实测-增强图像数据进行领域数据微调训练,从而建立断层智能识别模型;最后,将现场三维地震数据输入到训练好的断层智能识别模型中,提取被分割、识别、标注和计算的断层特征。以中国中部地区某储气库建设运营地块为例,该方法能在不过多依赖人工介入的情况下高效识别储层断层。本研究适用于地震勘探断层识别任务,能为储气库合理选址提供智能化解决方案。
文摘为了研究你只看一次(you only look once, YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。
文摘为了实现机器人焊接的免示教路径规划,结合深度学习与点云处理技术,开发了一种高效、稳定的焊缝智能识别算法.首先,采用ETH(Eye-to-hand)构型的工业级3D相机获取焊件周围的二维图像和3D点云模型,利用预先训练的YOLOv8目标检测模型识别焊件所在的ROI区域(region of interest,ROI),模型识别精度为99.5%,从而实现快速剔除背景点云,并基于RANSAC平面拟合、欧式聚类等点云处理算法,对ROI区域的三维点云进行焊缝空间位置的精细识别;最后根据手眼标定结果转化为机器人用户坐标系下的焊接轨迹.结果表明,文中所开发的算法可实现随机摆放的焊缝自动识别和焊接机器人路径规划,生成的轨迹与人工示教轨迹效果相当,偏差在0.5 mm以内.
