关键词： 激光雷达   目标分类   语义分割   目标检测   对抗攻击   后门攻击  

摘要： 自动驾驶技术的迅猛发展，推动了激光雷达的应用.激光雷达以其卓越的环境感知、导航和避障能力，在自动驾驶领域扮演着关键角色.随着人工智能和深度学习技术的不断进步，三维数据处理技术取得了显著成果，并在多个场景中得到应用.然而，随着技术的应用深入，其安全性问题日益凸显，例如行驶中的车辆可能会错误识别出不存在的物体.而现有研究多聚焦于单一任务，缺乏对安全性问题的综合性论述，尤其是对后门攻击的研究相对匮乏.因此，本文首次全面评估和分析了基于激光雷达在自动驾驶中的安全性问题，特别是对抗攻击和后门攻击的挑战.文章首先阐述了激光雷达的工作原理及其在自动驾驶任务中的应用，包括目标分类、目标检测和语义分割三大类.具体而言，本综述深入探讨了55篇相关论文，系统地介绍了不同任务下的攻击方法和防御策略.进一步，本文提供了11个公共数据集、7个评估指标、7个常用模型和4个仿真平台，为研究者提供了宝贵的资源和工具.最后，文章结合当前面临的挑战与未来机遇，对激光雷达在自动驾驶安全应用的研究方向进行了前瞻性展望，旨在为激光雷达技术的安全可靠应用提供指导和参考.

关键词： 计算机视觉   注意力机制   深度学习   YOLOv5s   RK3399  

摘要： 目前钢轨运输列车上普遍由随车人员监测钢轨轨端来判断钢轨是否挣脱紧固装置，但在应用中难以及时监测所有的钢轨轨端；因此针对该问题，提出一种基于改进YOLOv5s的钢轨轨端检测算法来实现对钢轨轨端的实时监测并计数。首先采用轻量化的GhostNet主干网络替换原有的CSPNet网络结构，降低模型对于硬件资源的较高要求；之后添加BiFomer与RFAConv注意力机制，在弱化不相关背景区域的同时提高对钢轨轨端的定位能力；然后使用损失函数SIoU替换原本的CIoU，使模型更快的收敛。实验结果表明：改进后的检测算法对钢轨轨端检测的平均检测精度达到了91.7%，平均检测时间为24毫秒，对能够在不同环境中实现对钢轨轨端的精准检测。改进后算法每秒浮点运算次数较低，可部署在嵌入式设备RK3399中，能够更好地满足对钢轨轨端实时检测的需求。

关键词： 目标检测   目标追踪   YOLOv8n   联合对齐解耦头   DeepSort   料车计数  

摘要： 针对矿井下作业环境复杂、光照不足、煤尘干扰等因素导致的传统目标检测算法在检测矿下料车超挂时表现不佳问题，提出了一种料车超挂轻量化实时检测算法RIC-YOLOv8n。首先，使用轻量化模块C2f＿RegNetY替换YOLOv8n中主干和颈部网络中的C2f模块，减少了模型参数量并加快了模型推理速度；其次，为了提高检测头的特征提取性能，采用联合信息对齐学习方法增强分类和回归任务的对齐能力；最后，通过DeepSort进行矿下料车的目标追踪，设计了Residual＿IBN模块替换DeepSort特征提取网络中的残差网络，提高了目标追踪的性能。通过自制的矿下料车检测与跟踪数据集进行算法验证，实验结果显示：RIC-YOLOv8n在矿下料车识别平均精度达到91.4%，基于RIC-YOLOv8n和改进的DeepSort目标追踪算法在多目标追踪准确率达到89.13%，检测速度达到61FPS。提出的RIC-YOLOv8n和改进的DeepSort算法能较好的平衡检测速度与精度，适用于矿井下料车检测实时性作业的需要。

关键词： 小目标检测   YOLOv8   损失函数   空间深度转换卷积   感受野注意力卷积   轻量化  

摘要： 针对小目标检测任务中存在的精度低、漏检和误检等问题，提出一种基于YOLOv8n的小目标检测算法AFL-YOLO。首先，引入Shape-IoU损失函数，其动态特征适应机制能够更好聚焦于边框的形状与尺度，实现更准确的边框回归。其次，在骨干网络中融入空间深度转换卷积(Space-to-Depth Convolution， SPD-Conv)，改善细粒度信息丢失的问题。然后，引入感受野注意力卷积(Receptive-Field Attention Convolution， RFAConv)，构建C2F＿RFAConv模块，增强模型对全局上下文信息特征的学习能力。最后，优化检测层，提高检测精度，降低模型参数量。经实验表明，AFL-YOLO在VisDrone2019数据集上相比YOLOv8n，mAP@0.5、mAP@0.5:0.95、精度和召回率分别提升了5.3%、3.6%、4.4%、4%，同时参数量减少了20.5%，此外，还在TinyPerson数据集上进行了泛化对比实验。证明提出的AFL-YOLO算法在保证模型轻量化的同时，显著提高了对小目标物体的检测精度。

关键词： 振动测量   频率辨识   欠采样   计算机视觉   视频插帧  

摘要： 近年来基于视觉的振动测量技术得到了较大发展，但其对高频成分进行测量时往往处于欠采样条件，难以正确地对振动频率进行辨识。为此，提出了一种融合视觉测量与插帧技术的振动频率辨识方法。该方法通过引入基于实时中间流估计的插帧技术对原始采样视频进行帧率补足，并基于光流算法对补帧后的视频进行运动跟踪与振动测量，从而提升视觉测量方法在有限帧率下的振动频率测试能力。基于三维球体振动模型开展了方法的数值验证，在相同插帧倍率下，采样帧率越高，振动频率辨识效果越好；而在相同采样帧率下，插帧倍率越高，振动频率辨识效果呈现先提升后下降的趋势，4-6倍率插帧时效果最为理想。开展了简谐激励下的薄板振动测试试验和脉冲激励下的悬臂梁振动测试试验，利用本文方法辨识得到的振动频率相对误差不超过3%。结果表明，本文方法在欠采样条件下仍能对振动频率进行正确辨识，为帧率受限条件下的机械装备高频振动视觉测量提供了思路和技术手段。

关键词： 伪装目标检测   频域感知   深度学习   边缘引导   纹理增强   上下文特征聚合  

摘要： 伪装目标检测的目的是精确且高效地检测出隐藏在周围环境中的伪装目标.然而现在的多数伪装目标检测方法在遇到高度相似的背景干扰时，仅通过目标的局部RGB特征无法准确识别伪装目标.从动物借助频域信息识别伪装物体得到启发，本文提出了一种充分利用RGB和频域两方面的优势进行伪装目标检测的频域引导网络（FGNet).该网络设计了频域感知模块，利用主干网络提取到的多层次特征自动学习高频和低频特征.接着设计了双策略协同特征提取方法，针对高层特征设计了边缘引导特征模块，通过高频特征的引导实现伪装目标的边缘特征提取，针对低层特征设计了纹理信息增强模块，通过低频特征的引导实现伪装目标纹理的增强，通过双策略协同实现了快速初定位以及细节的保留和补充.最后设计了上下文特征聚合模块，通过跨层特征融合和先验引导校正来增强伪装目标的特征表示.与最新方法相比，本文提出的方法在CHAMELEON、CAMO-Test和COD10K-Test这3种常用的基准数据集上都体现出优越性.

关键词： 无人机   多目标跟踪   集群信息共识   协同决策   自组织  

摘要： 分布式无人集群通过自主决策与信息交互，可实现协同跟踪与动态任务分配，在复杂多变的动态目标跟踪控制场景中展现出较大的应用潜力。针对单一无人集群难以对多个分散运动的目标进行有效跟踪的挑战，提出了一种基于信息共识的集群无人机（Unmanned Aerial Vehicle, UAV）自组织动态决策方法。首先，考虑到无人机间的通信距离约束与通信时延，设计了基于最新时戳转发原则的集群信息共识算法，实现集群无人机的信息共识。其次，提出了基于求助应答的集群协同决策算法，实现了成员调配决策与自组织分组。最后，设计了基于自协调机制的目标跟踪控制算法，实现控制分量权重的自适应调整以及自组织的目标跟踪。与现有关于多目标跟踪的研究相比，本文方法可在目标跟踪过程中实现动态目标分配决策，可根据各目标的逃逸风险大小确定为各目标分配的无人机数目。仿真结果表明，所述方法可在目标分散运动时实现集群的自组织分组，分组的无差率在0.9以上。

关键词： 无人机   目标跟踪   轨迹规划   可视区域   视点优化  

摘要： 在无人机目标跟踪任务中,实时规划一条安全、有效且具有高度目标可见性的轨迹,是实现目标稳定跟踪的关键.为保证无人机在复杂未知环境下实现目标稳定跟踪,提出了一种无人机主动观测轨迹规划方法.首先,使用预测模型获得一系列离散的未来目标轨迹点;其次,根据当前环境地图信息,在每个目标轨迹点周围生成可视区域和初始视点,并设计一系列代价函数对视点进行优化;最后,结合每个目标轨迹点的最优视点位置约束对无人机跟踪轨迹进行优化.仿真结果表明,所提出方法能够在各种复杂环境中完成目标实时稳定跟踪任务,较好地解决了现有方法存在的目标被遮挡问题.

关键词： 深度学习   钢板表面缺陷   目标检测   表面缺陷   评估指标  

摘要： 钢板作为现代制造业的基石，其表面质量对产品的性能和可靠性具有决定性作用。因此，钢板表面缺陷检测具有重要的研究意义和应用价值。钢板表面缺陷检测研究面临的主要挑战包括钢板表面缺陷类型多样、特征不明显以及实时性要求高。采用深度学习技术对钢板表面缺陷检测进行研究，系统总结了钢板表面缺陷常用的数据集及目标检测算法在表面缺陷中的应用，同时全面整理并分析了这些算法的优缺点。探讨了有监督学习、无监督学习和半监督学习等检测方法在钢板表面缺陷检测中的应用，评估了当前算法性能的关键指标，讨论了未来钢板表面缺陷检测面临的挑战，并对未来的研究趋势进行了展望。

关键词： 算术平均融合   多扩展目标跟踪   Log-Cholesky距离   PMBM滤波器  

摘要： 在多传感器多扩展目标跟踪过程中，邻近目标由于质心距离过近导致难以准确分辨，直接采用扩展目标泊松多伯努利混合滤波算法去跟踪容易出现目标漏检情况。针对此问题，提出了一种改进算法。在多传感器信息融合阶段，基于对数-珂拉斯奇（Log-Cholesky，LC）距离提出了改进的椭圆外形度量方法，该方法不仅能够提供稳定的质心距离度量，还能够捕捉不同扩展目标外形矩阵的微小差异，实现了对不同传感器下同一扩展目标后验密度的有效关联。此外在局部传感器滤波阶段，对邻近区域内丢失目标对应的伯努利分量进行补偿，有效解决了因量测分布紧密被划分到同一子集导致的目标漏检问题。仿真结果表明，改进的算法具有良好的跟踪性能。