关键词： 复杂环境   轻量化YOLOv8算法   目标检测   二维码导航  

摘要： 针对传统二维码辅助导航的检测方法在复杂工业、物流运输场景中存在识别失败的情况，本研究通过使用成熟且可以提供相对位姿信息的AR码，提出了一种改进的轻量化YOLOv8-AR模型来进一步增强识别效率。在网络模型方面，主干引入超强轻量级StarNet网络来降低目标检测的算法计算量；在颈部网络中优化并构建C2f-EMSC模块，以增强复杂环境下AR码特征的提取，同时降低了计算负载；此外，本文提出了轻量级细节增强共享卷积检测头LSDECD-H，以提高细节特征表达能力，从而提升小目标和多目标的检测精度。实验结果表明，该模型的参数量和计算量分别为1.46M和4.7GFLOPs，仅为基线的51%和42%，在帧率满足实时检测情况下，mAP高达0.962，具有较高的鲁棒性。在解码之前快速确定其位置，从而提升识别效果来达到精确定位，适合于二维码路标导航等应用场景。

关键词： 故障识别   目标检测   算法改进   地面测试  

摘要： 近年来，随着科技的迅猛发展，深度学习技术在航天领域应用日益增多。液体火箭发动机地面测试成本高、子样少，故障的发生和发展速度快、破坏性大，需要迅速、有效地捕捉故障发生位置并及时进行处理。本研究通过对某次出现故障的测试进行分析后发现，利用高速摄像机拍摄的视频图像中故障出现时间点比数据波动报警阈值时间点要早。因此，探索采用YOLOv5目标检测技术，并依据训练精度、检测速度等指标对模型进行改进，结合深度学习技术对液体火箭发动机地面测试全过程进行监测并识别，既有助于现场指挥员对故障及时处理、准确定位故障发生时间及部位，又助于故障发生后对故障原因进行分析。

关键词： 对比学习   引导增强   引导特征映射   对比损失   自监督学习  

摘要： 在自动驾驶的实际场景中，3D点云数据的采集会面临多种复杂因素，例如物体遮挡、传感器信号的中断以及目标物体的旋转变化等，这些都增加了数据的复杂度，给目标检测带来了巨大的挑战。为了解决3D点云在复杂场景下目标检测的效果，本文在融合点-体素特征融合的基础上提出了对比学习的3D目标检测新框架，以自监督的方式获取一种更具有鲁棒性的特征表达方法，有助于特征空间上相似的点更加接近，以应对数据多样性的挑战。该方法通过引入引导增强、引导特征映射和对比损失等自监督学习方法，提升模型特征表达的能力，从而提升在复杂场景下的3D点云目标检测的鲁棒性与泛化能力。基于PV-RCNN的主干网络，本文方法将点云和体素特征深度融合，并通过对比学习增强特征一致性，显著提高了模型在KITTI数据集上的检测性能，尤其在高难度任务中表现出色。实验结果表明，与现有方法相比，本文提出的框架在3D目标检测任务中具有更高的检测精度与效率，具备广泛的应用潜力。

关键词： 围堤排水沟   渗流量监测   非接触式   无人机   图像处理  

摘要： 针对现有围堤排水沟大于300 L/s的流量监测方法存在费时耗力或成本高的弊端，基于无人机图像识别提出了一种适用于长距离围堤排水沟大渗流量监测方法。该方法通过复核排水沟监测断面的几何参数，标定曼宁公式糙率，结合无人机采集监测断面水尺图像及图像处理技术，快速识别各监测断面的水深，进而获得监测断面的渗流量，实现对围堤排水沟渗流量的高效监测。工程实例分析表明，该方法通过对监测断面尺寸进行复核以及对曼宁公式系数进行标定，即能基于无人机采集的排水沟水尺图像快速获得监测断面渗流量；监测的渗流量与常规流速仪法测量的渗流量之间的误差在5%～7%。

关键词： 异常侵限障碍物   三维目标检测   激光雷达   随机采样一致性算法   障碍物检测  

摘要： 障碍物侵限具有随机性、突发性、不可预料性等特点，对轨道交通运输安全运营有着严重危害。现有检测算法对远距离小目标障碍物的识别精度不足，难以满足实际应用需求。为及时检测出障碍物侵限以避免造成安全事故，利用激光雷达作为视觉传感器，提出了一种基于三维目标检测的轨道侵限障碍物检测算法，以实现高效、精准的铁路侵限障碍物检测。为避免铁路沿线噪声点云对检测算法精度及速率的影响，采用了直通滤波和基于RANSAC算法的钢轨拟合等点云预处理操作得到铁路限界内点云数据，随后利用改进PointPillars三维目标检测算法对铁路限界内区域进行侵限障碍物检测。为进一步提高算法检测精度并优化PointPillars算法对小目标物体检测性能较差的问题，引入残差MLP模块增强了算法对特征信息的聚合能力及算法对点云局部特征的提取与利用能力，从而有效提高了算法对侵限障碍物的检测精度；同时在PointPillars下采样处理中加入了SCConv模块，增强了算法对特征空间及通道冗余的整合与利用，减少了中间特征映射的冗余计算并促进了局部特征的学习，使得算法对远距离小目标障碍物的检测能力显著提升的同时检测速率进一步提高。实验数据集采用自用铁路障碍物点云数据集，目标类别包括人（People）、箱子（Box）和骑自行车的人（Cycist）。实验结果最终表明，该算法对铁路常见障碍物行人（People）的检测准确率为91.83%，箱子（Box）的检测准确率为89.74%，骑自行车的人（Cyclist）的检测准确率为89.74%，相较于原算法平均检测精度在BEV视角上提高了2.55%，在3D视角上提高了2.81%；同时检测速率达到了55.56Fps，满足铁路现场的应用需求。

关键词： 铁轨缺陷检测   小样本学习   深度学习   图像处理   机器视觉  

摘要： 铁轨缺陷检测对铁路安全和降低维护成本非常重要。面对铁路网络扩张和缺陷样本稀缺带来的挑战，尤其是小样本条件下的过拟合问题，提出了一种基于多尺度WideResNet的小样本铁轨表面缺陷检测算法，通过数据增强等图像处理技术扩大有限的训练集，提高模型的泛化能力。利用迁移学习策略，将预训练的WideResNet模型提取多尺度特征应用于铁轨缺陷检测任务，减少对大量标注数据的依赖，加快小样本模型训练快速收敛。设计小样本深度学习模型策略，构建度量学习模块，从有限的标注数据中快速学习并进行有效的泛化。结果表明，该算法在10-shot小样本条件下能够有效地检测铁轨表面缺陷，模型精度mAP达到83.6%，召回率高达93.8%。本研究为铁轨表面缺陷自动化检测提供了新技术，对于提升铁路运输安全和经济性具有重大意义。

关键词： 伪装目标检测   上下文信息   区域先验   多尺度特征  

摘要： 基于区域先验的伪装目标检测模型通常在早期阶段提取目标在图像中的位置信息，通过将目标的位置信息与图像特征相结合，网络能够更加有效地聚焦于目标区域，从而提高检测精度。而在许多具有挑战性的场景中，当前伪装目标检测算法对目标位置信息的提取能力有限，从而导致区域先验不准确甚至目标缺失。为此，提出了一种融合定位图与上下文感知的伪装目标检测网络FLMCA-Net。首先，构建定位模块融合来自主干网络的多尺度特征并从全局、局部两个维度上提取目标的位置信息；其次，设计了感受野增强模块细化不同尺度的特征表示；最后，引入上下文感知融合模块将多尺度特征和目标区域先验充分交互融合并挖掘目标的全局上下文特征。在3个公开数据集上的实验表明，FLMCA-Net相较于其他20种代表性模型均取得了最优表现，比RISNet在Sα、E?和Fβω方面的性能平均提升了2.5%、1.8%和3.6%。

关键词： 数控机床   自动校准   视觉测试   图像处理   分辨率  

摘要： 视觉检测技术已成为数控机床自动校准的一项重要方法，具备动态调控、快速适应与良好实时性。分析了光纤棒沉积机床运行状态测试时需占用大量处理时间并且存在精度不足缺陷，设计了一种利用视觉成像模式对机床同轴检测新技术，建立能够对光纤棒机床完成自主定位功能的机械控制结构。为获取复杂工况的精确特征，利用动态阈值分割技术来克服光源产生的影响。测试研究结果表明：当相机分辨能力达到500万像素时，以弧分段圆形算法处理时获得0.043mm的均值误差，能够满足实时显示要求。本文算法处理时响应时间共255ms，完成卡盘偏移的实时调节，误差均值为0.037mm，最大接近0.08mm，可以达到精度状态下大幅缩短机床的对准时间。

关键词： 目标检测   YOLOv5s   注意力机制   解耦头  

摘要： 交通场景目标检测是智慧交通与自动驾驶系统的关键技术。针对YOLOv5s算法在复杂交通场景下存在的多尺度目标漏检、误检及检测精度不足等问题，文章提出一种改进的CRD- YOLOv5s模型。首先，在主干网络引入卷积注意力模块（CBAM），通过通道与空间注意力增强小目标特征提取能力；其次，将空间金字塔池化翻转（SPPF）模块替换为感受野（RFB）模块，利用空洞卷积扩大感受野以捕获全局特征；同时采用SIOU损失函数优化训练收敛过程，并引入解耦头结构分离分类与回归任务。实验结果表明，改进后的模型在单目标检测任务中，mAP提升了0.7%，在多目标检测任务中，mAP提升了1.2%，不仅显著提升了目标检测的精度，还有效减少了漏检与误检现象。

关键词： 少样本目标检测   3阶段微调   首项偏差削减   逆首项偏差削减   跨模块知识蒸馏  

摘要： 少样本学习是少样本目标检测的主流方法，但其存在以下问题：1）新类样本的极度缺乏导致新类特征分布存在偏差；2）由于微调过程中的鲁棒性假设不一定适用于新类样本，因此，特征提取网络无法提取未失真的新类样本特征.为解决上述2个问题，提出基于跨模块知识蒸馏的3阶段少样本目标检测方法.首先，利用特征分布校准策略，校准2步微调过程中新类样本的特征分布；其次，利用提出的首项偏差削减策略，有效缓解线性探测阶段（微调过程的第1阶段）中权重参数的偏差估计问题；然后，利用提出的基于逆首项偏差削减的整体微调策略，有效缓解整体微调过程（微调过程的第2阶段）中特征提取网络的过拟合问题；最后，利用提出的跨模块知识蒸馏策略，引导模型的浅层模块学习深层特征，以便捕获更具辨别力的新类样本特征.大量实验结果表明，所提的3阶段微调的少样本目标检测方法有效提高了少样本目标检测的准确性和鲁棒性.