关键词： FDA-MIMO雷达   稳健运动目标检测   鲁棒性   恒虚警率   检测器设计   信号失配  

摘要： 本文针对FDA-MIMO雷达在检测常速目标信号失配可能导致检测器性能下降的问题，提出了一种增加检测器鲁棒性的方法。具体来说，在有效假设中将接收的雷达信号引入一个随机变量，并假设这个随机变量是高斯的且与噪声具有相同的协方差结构，但是存在一个未知的鲁棒性因子。进一步，本文根据一步法广义极大似然检测器(One Step Generalized Likelihood Ratio Test， OGLRT)，两步法GLRT（Two step GLRT， TGLRT），Wald以及杜宾（Durbin）准则设计了四种对应的检测器。通过仿真实验首先证明了本文所提的四种检测器在无效假设下都具有恒虚警率（Constant False Alarm Rate， CFAR）特性。实验结果进一步显示，OGLRT和Wald检测器在无信号失配情况下性能优越，而所有检测器在信号失配下的鲁棒性有所不同，从而为雷达系统的实际应用提供了重要的理论支持和技术参考。本研究的成果对于改善和优化FDA-MIMO雷达系统的设计和实际运行具有重要意义。

关键词： 深度学习   文本视觉大模型   足式机器人   地形感知   计算机视觉  

摘要： 为提升机器人在动态复杂环境下对地形的智能感知能力，提出了一种基于多模态文本视觉大模型信息融合地形分割算法，集成了SLIC图像数据预处理、CLIP和SAM掩码生成模块、Dice系数后处理。首先，对原始输入图像进行SLIC预处理，得到图像分割子块，通过增加提示点提高后续掩码质量，可显著提高地形分类准确度。然后，通过文本-图像预训练大模型CLIP，将输入视觉图像和预设地形文本信息进行匹配，并借助其可解释性和零次学习，生成各地形提示点集合。由SAM大模型接受上述集合生成带有语义标签的掩码数据，并通过Dice系数后处理筛选可用掩码。以Cityscapes数据集为地形分割样本，验证了该算法相较于监督和无监督学习框架下主流分割算法的优越性，在无需标记数据的情况下，实现了76.58%的有效掩码生成率，IoU达到90.14%。针对四足机器人地形感知任务，添加U-net编/解码器网络量化验证模块。以生成掩码作为数据集，构建轻量化地形分割模型，部署在四足机器人的边缘计算设备，并在真实环境中开展地形分割实验。实验结果表明，2种掩码优化方法分别使模型MIo U提升了2.36%和2.56%，最终轻量化模型MIoU达到96.34%，地形分割精度可靠，该算法有效指导了机器人快速地从起点安全行进到目标地，并有效避开草地等非几何障碍物。

关键词： RGB-T跟踪   多模态   热红外   特征融合   Transformer  

摘要： 可见光-热红外（RGB-T）目标跟踪旨在结合可见光与热红外成像的双重优势，以达到稳定的跟踪性能。目前普遍的方法是为每个模态分配权重，但是这样无法充分利用它们的互补性。我们提出了一种用于RGB-T目标跟踪任务的多阶段多模态融合方法。首先，使用两个独立的特征提取网络单独提取各自模态特征，以便将单模态跟踪器TransT扩展到RGB-T任务上。其次，设计了模态内多尺度特征聚合和模态间特征调制融合，前者挖掘单一模态内的多尺度信息的特征互补性，提升单模态特征判别能力。后者旨在利用多模态信息的特征互补性，实现多模态特征的交互。本文方法在GTOT数据集上实现了57.3%的成功率和71.2%的精确度，在LasHeR数据集上实现了44.6%的成功率和56.8%的精确度，实验结果表明，所提出的跟踪算法能够有效提高目标跟踪的性能。

关键词： 職業安全   人工智慧（AI）   驗證與驗收（V&V）   計算機視覺   物聯網（IoT）  

摘要： 本文介绍工厂在职业安全管理中应用AI系统的验证与验收过程，涵盖可信赖AI的要素如准确性、稳定性及反应时间。主要步骤包括验证与验收标准定义、系统性能评估、缺陷管理及最终验收，并强调使用计算机视觉、物联网和交叉验证等技术来实现危险行为识别和环境监测。本文强调全面测试、修正与再验证的重要性，确保AI系统在多样化场景中稳定运行并满足安全需求。

关键词： 目标检测   焊缝缺陷识别   YOLOv8算法   上采样   损失函数  

摘要： 针对目前石化储罐表面焊缝缺陷检测效率低、小目标易出现漏检、误检等问题，提出一种改进YOLOv8n的焊缝缺陷检测方法：YOLOv8-SDB。首先，在主干网络中引入空间深度转换卷积(symmetric positive definite convolution，SPDConv)模块，减少浅层特征提取过程中细节信息的丢失，捕获更加丰富的空间和通道信息；其次，利用加权双向特征金字塔网络（bi-directional feature pyramid network，BiFPN）融合多层次特征，提高特征表达能力；再次，采用轻量化且高效的上采样算子DySample（dynamic sampling），提高模型特征重建能力并减少计算复杂度；最后，使用WIoU(weighted intersection over union)损失函数加快边界回归损失收敛速度，提高回归精度。将改进后的算法在焊缝缺陷数据集上进行实验，实验结果表明，YOLOv8-SDB算法的检测准确率为86.2%，召回率为79.4%，平均精度为84%。较YOLOv8n算法分别提高了3.4%、2.8%和3.9%。

关键词： 图像处理   显著性检测   深度学习   特征增强   渐进式解码  

摘要： 针对现有的大多数RGB-D显著性检测方法在特征提取过程中难以有效提取多尺度特征以及在解码过程中模态特征信息交互不充分导致信息丢失的问题，提出了一种特征增强和渐进式解码的RGB-D显著性检测方法。首先，针对多尺度特征提取困难，导致算法对多目标、小目标物体检测精度低的问题，构建了多尺度自注意力特征增强模块；其次，为了充分发挥两种模态特征的优势，构建了跨模态特征融合模块，以增强不同模态分支之间的信息交互；为了解决解码过程中信息易丢失的问题，提出了渐进式加权融合解码器，充分整合细化不同模态的特征信息；最后，通过对逐层解码的结果采用混合损失函数监督训练，实现初始显著图优化。通过在5个公开基准数据集上与10种先进主流方法进行的对比实验表明，该方法在5个指标上均有较优表现。实验结果表明，该方法在多种复杂情况下都能获得相对精确的显著图，达到了较为先进的性能。

关键词： 无人机   电力巡检   架空输电线路   YOLOv7   边缘端   小目标检测   多尺度识别   局部遮挡  

摘要： 在无人机电力巡检的航拍视角下，考虑到电力设备图像特征的特殊性，针对普遍存在的小目标检测、目标点遮挡和航拍图像尺度多变引起模型漏检率上升，以及稠密检测带来计算量增加的问题，本文提出一种适用于无人机边缘端的视觉检测模型EDR-YOLOv7。首先，在颈部网络中引入显示视觉中心模块捕捉像素的隐性关系，解决小目标特征遗漏的问题。其次，用动态采样模块替换转置卷积实现特征点的灵活采样，降低模型计算的复杂度。最后，针对无人机视角尺度多变的问题及因局部遮挡而导致的预测框误删和偏离的问题，先后在损失函数中先后添加Inner-SIoU（Inner-Scylla Intersection over Union）损失项和斥力因子损失项，不断缩小训练迭代时的预测误差。经试验验证，EDR-YOLOv7相较于原模型mAP@0.5提升3.89%的同时检测帧率提升了5.2 frames/s，最终将模型部署于Jetson XAVIER NX边缘计算机上并采用TenssorRT推理加速，在视频流检测任务中表现出色。

关键词： 无人船   目标跟踪   模型预测控制   最佳跟踪点  

摘要： 针对海上无人船舶的目标跟踪任务，传统的跟踪策略存在无法跟随目标实时变化、跟踪过程发生振荡、控制性能不佳等问题。针对以上问题，提出了一种基于模型预测控制的目标跟踪策略。根据跟踪任务要求，以最佳跟踪点的预测位置序列作为参考值，将跟踪问题转化为带约束的最优化求解问题，得到下一时刻能实现最佳跟踪效果的控制输入，实现目标的持续稳定跟踪。设计多个不同的目标跟踪场景进行仿真实验，将该策略与基于LOS引导律和基于区域人工势场的跟踪策略进行对比，相较于另两种策略，基于模型预测控制的跟踪策略在不同的场景中均具有更好的跟踪效果，能够始终控制无人船在最佳跟踪点位置对目标进行跟踪。

关键词： YOLOv8n   注意力机制   小目标检测   铆钉损伤   蒙皮损伤检测  

摘要： 针对飞机蒙皮损伤检测小目标检测精度低、参数量大等问题，以飞机蒙皮铆钉损伤为研究对象，基于YOLOv8n算法提出了一种融合注意力机制的LHN-YOLO算法。为了增强模型对于小目标的检测能力，在骨干部分引入优化后的EMA注意力机制，通过轻量化卷积LightConv对EMA机制进行优化，形成了Light-EMA模块，既提高了检测精度又降低了计算复杂度；同时，引入Haar小波降采样模块和归一化高斯Wasserstein距离替换原模型的下采样操作和CIoU损失函数以提升预测性能。实验结果表明：LHN-YOLO算法的准确率、召回率、平均精度均值分别为92.7%、87.0%和91.7%，相较于改进前的原模型提升了2.2%、3.5%和2.8%，参数量减少了10%，有效提升飞机蒙皮小目标损伤检测的效果。

关键词： 人工智能   水下目标检测   深度学习   YOLOv8   注意力机制   特征金字塔  

摘要： 针对水下目标检测任务中小目标特征信息少和受水下环境影响导致检测精度低的问题，提出一种基于自注意力机制和改进金字塔的水下小目标检测算法，记为SF-Bi-YOLOv8．以YOLOv8为框架，设计一种加强全局特征提取能力的Swin-Fa模块对YOLOv8的骨干网络最后一个C2f层进行改进，提高了模型的小目标检测能力；将特征融合网络的特征金字塔结构替换为简化型加权双向特征金字塔结构（bidirectional feature pyramid network, BiFPN）以更好地学习多尺度特征；采用线性区间映射Focaler-IoU的方式重构检测头的损失函数，从而关注难易样本加速边界框回归．实验结果表明，在水下目标检测（detection underwater objects, DUO）数据集上，改进后的算法mAP50达到0.862，相较原YOLOv8提高了0.023,mAP50:95提高了0.036，具有更高的检测精度，可为水下目标检测任务提供一定参考．