关键词： 机器人   目标检测   YOLOv11   粒子滤波   全局定位  

摘要： 针对类人足球机器人在图像模糊、小目标检测与资源受限条件下的交叉点检测与全局定位问题，提出了一种融合深度学习与粒子滤波的定位方法。在YOLOv11中引入空间与通道协同注意力（spatial and channel synergetic attention,SCSA）和多尺度卷积模块（multi-scale convolutional block,MSCB），提升场地线交叉点检测精度与鲁棒性。结合机器人坐标系下的交叉点定位模型构建观测输入，并在粒子滤波算法中引入观测置信约束、自适应采样与遗传优化重采样策略，提升粒子多样性与状态估计精度。实验结果表明，改进YOLOv11模型的mAP50达97.3%，计算量降至19.8 GFLOPs；实机定位误差最大为45.9 mm，算法在不同区域均保持稳定性能，整体精度满足机器人世界杯（robot world cup,RoboCup）类人组比赛对全局定位的需求。

关键词： 目标检测   无人驾驶   复杂道路场景   部分卷积   大内核深度卷积层  

摘要： 为解决复杂路况下因目标遮挡及小目标信息缺失导致现有无人驾驶目标检测算法准确率低的问题，提出了基于改进YOLOv8的无人驾驶障碍检测算法(YOLOv8 effectual accurate, YOLOv8-EA)。该算法首先引入快速神经网络作为主干网络，利用部分卷积提取空间特征，保证特征的完整性；其次，利用大内核深度卷积层重构快速金字塔池化层，采用并行多尺度连接的方式融合不同分辨率的自注意力特征，增强模型在复杂环境中的特征提取能力；然后，采用多分支结构和重参数化抑制信息干扰，并通过不断堆叠梯度流的方式提升特征融合能力；最后，基于部分卷积设计小目标检测头以处理小目标像素级特征信息。对比实验结果表明，相较于原模型，上述改进后，模型在性能上均有明显提升，并在检测精度上显著优于其他改进方式。消融实验结果表明，YOLOv8-EA在障碍检测精度方面取得显著提升，在KITTI数据集下，mAP50和mAP50-95分别提升了2.4%和4.7%;采用SODA10M数据集进行二次验证，mAP50和mAP50-95分别提升了1.4%和1.1%,证明YOLOv8-EA算法具有很好的泛化能力。所提算法在处理遮挡目标及小目标时，展现了出色的性能，为无人驾驶系统中的后续决策任务提供了更加可靠的支持。

关键词： 仔猪计数   目标检测   YOLO v8n   轻量化   重度遮挡  

摘要： 哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠，人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求，增加了漏检和误检风险。为此，本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数，优化边界框回归以降低误检和漏检率；并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design, CA),增强了目标区域的特征表达能力，有效解决长程依赖问题。为实现嵌入式设备的高效部署，模型引入GhostNet模块优化特征提取和融合，减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect＿DG,在模型体积缩减18.48%的同时，进一步提升了检测精度。与YOLO v8n相比，GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点，参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明，该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优，且模型内存占有量较小，仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端，为实际应用中的仔猪检测提供了有效的技术支撑。

关键词： 铁路   货运场站   多源融合定位   目标检测   冲突防护逻辑  

摘要： 智能化安全冲突防护方法对于确保铁路货运场站作业安全具有至关重要的作用。基于对铁路货运场站安全管理面临的问题及原因分析，提出安全冲突防护需求和解决思路。构建包括数据采集、信息传输和安全报警单元的物理架构，提出4种位置数据采集方案，设计多源融合定位、视频定位算法流程，分别给出人员与设备之间冲突、设备之间冲突和范围冲突的安全冲突防护逻辑。提出的铁路货运场站安全冲突防护方法可在一定程度上防护人员与设备之间冲突、设备之间冲突和范围冲突，能够促进铁路货运场站安全管理水平提升。

关键词： 目标检测   YOLOv8   6D位姿估计   Densefusion  

摘要： 物体抓取作为机器人领域中的一项核心任务,在自动化生产、仓储物流、智能家居等多个领域具有重要应用前景。随着机器人技术的不断发展,物体抓取系统在面临复杂多变的环境时,仍存在许多挑战。传统的目标检测和6D物体位姿估计方法在实际应用中,经常受到遮挡、物体形态变化、背景复杂度、以及动态环境等因素的影响,导致算法的精度和鲁棒性不足。这些问题限制了机器人在复杂场景中的自主操作能力,尤其是在多物体交互和遮挡环境中,现有技术难以保证高精度的物体定位与抓取。 为了适应复杂场景下的机械臂抓取任务,在目标检测方面,针对目标检测中面临的信息丢失和忽视困难样本的问题,本文提出了一种轻量化的YOLOv8-DES算法;在物体位姿估计方面,针对位姿估计面临的物体遮挡的挑战,本文提出了一种基于残差连接的全局特征融合6D位姿估计;最后,为了满足检测可视化的需求,本文基于PyQt5设计了一个物体检测平台。本文的主要研究内容如下: 1.本文提出的YOLOv8-DES算法,首先通过在骨干网络采用Dual Conv结构,增强了网络对多尺度特征的学习能力,使得网络能够在复杂环境中更好地提取物体特征。同时,在颈部网络引入EMA模块提升了对空间信息的学习能力,减少了背景噪声对检测精度的干扰。接着,考虑到现实环境中物体类别不均衡的挑战,本文引入了Slide loss函数,根据类别分布动态调整损失函数中的权重,从而提高了困难样本的检测精度。实验结果表明,YOLOv8-DES算法在公开数据集Pascal VOC 2012上取得了显著的检测精度提升,尤其在复杂背景和物体重叠的情况下,展现出了较强的鲁棒性。 2.本文提出的基于残差连接的全局特征融合算法,首先通过在颜色特征提取网络中引入SE block,自适应地调整特征的权重,使得网络能够更加关注关键特征,同时抑制噪声和无效特征的影响,从而提升特征表达能力。为了进一步增强特征融合的效果,本文采用了Realformer模型,该模型能够有效融合来自不同视角和不同传感器的全局信息。这种全局特征融合策略显著提高了物体位姿估计的精度,特别是在遮挡和形态变化较大的情况下,展现出了优越的适应性和鲁棒性。在公开数据集Linemod和Occlusion Linemod上的实验结果验证了该算法的有效性,并在多个标准数据集上超过了传统方法的性能,特别是在处理复杂场景中的物体定位和抓取时,表现出了更高的精度和更强的鲁棒性。 3.本文基于PyQt5设计的物体检测平台。该平台支持加载不同的权重文件,能够对图像和视频进行实时检测,并保存检测结果,以满足检测可视化的需求。该平台提供了友好的用户交互界面,使用户能够方便地选择待检测的图像或视频,并直观地查看检测结果。

关键词： 北极   北极气旋识别   ERA5   深度学习   YOLOv5s模型  

摘要： 北极气旋是影响北极环境的主要天气系统之一,对其准确识别对北极航海保障具有至关重要的意义。本文基于欧洲中期天气预报中心推出的第五代大气再分析产品（ERA5）平均海平面气压数据,构建北极气旋目标检测的数据集,训练北极气旋识别的深度学习目标检测You Only Look Once version5（YOLOv5s）模型,并与其他深度学习目标检测模型Single Shot Multibox Detector（SSD）、Faster R-CNN、YOLOv4进行性能的验证与比较。试验结果表明,YOLOv5s的检测精确率、平均准确率和刷新频率分别为95.26%、98.09%和64.85 s-1,刷新频率较其余4种模型中效果最好的SSD模型提高了15.65 s-1。YOLOv5s模型检测速度快、精度高且具有更好的识别能力,能够有效识别北极气旋目标,对北极气旋的识别具有较好的应用前景。因此,本文选取2021年冬季、夏季的北极气旋进行个例分析。结果显示,冬季3月8日12时产生的北极气旋生命周期为48 h,平均强度为54.62,夏季9月21日6时的气旋生命周期为84 h,平均强度为42.82,符合北极气旋生命周期夏长冬短,气旋强度冬强夏弱的特点。YOLOv5s模型为北极气旋的检测识别提供了新方法和新思路。

关键词： YOLOv5   CA注意力   BotNet   SIoU   目标检测  

摘要： 针对当前交通摄像头视角下车辆密集等问题提出一种基于改进YOLOv5s的交通摄像头视角下的车辆检测算法。首先为了增强网络的特征提取能力，引进CA注意力机制和BotNet网络，提高车辆的识别率；然后为了让网络在训练阶段的目标框回归损失可以更快地收敛，提高其定位能力和推理性能，用SIoU替换原来的边框回归损失函数CIoU；最后为了提高小目标检测能力，在检测头部增加一层更浅的特征层，由三尺度检测变为四尺度检测，以此来检测更小的目标。实验结果表明，改进的YOLOv5s相比原始算法均值精度提高2.9%，检测速度达到51 FPS，具有一定的精度和实时性。

关键词： 道路工程   数字图像处理   沥青路面均匀性   评价方法   图像分割  

摘要： 沥青路面均匀性是影响其路用性能和使用寿命的重要因素。为快速、准确和高效地评价沥青路面的均匀性，阐述了数字图像处理技术原理、系统组成以及图像采集的影响因素；分析了国内外基于数字图像处理技术的沥青路面均匀性评价方法；展望了未来的发展方向，包括图像处理算法优化、数据处理效率提升和深度学习技术的更广泛应用。研究结果表明：数字图像处理过程重点在于图像增强和图像分割，其精确性和适用范围需进一步提高；数字图像的采集受采集高度、光照强度、拍摄角度等因素的影响；已有的路面均匀性评价指标主要从集料分布状态和路面纹理构造2个角度建立对应的评价方法，但尚未形成统一标准。综合运用数字图像处理技术，可为沥青路面均匀性评价提供新的视角和解决方案，为道路工程质量的实时监控与施工指导提供有力支持。

关键词： 3D目标检测   多尺度特征   自适应非极大值抑制  

摘要： 3D目标检测是自动驾驶感知系统的关键技术之一,能准确检测驾驶环境的状态从而保证行车安全。针对自动驾驶场景中行人和骑行者等小目标的3D检测精度较低的问题,提出一种基于多尺度特征和自适应非极大值抑制的3D目标检测算法。首先,设计多尺度特征提取器,以获取大、中、小尺度的特征。其次,设计多尺度检测头以生成不同尺寸目标的候选框,从而补充小目标候选框。为了平衡多尺度候选框的数量,设计一种基于ANMS的候选框筛选算法,提高了对不同尺寸目标的检测精度。在KITTI数据集上的结果表明,改进算法在确保汽车类目标检测精度的同时,对行人和骑行者的检测精度达到62.57%和73.30%,比基线算法高2.04%和1.33%,验证了改进算法在小目标检测方面具有较好的3D检测性能。

关键词： 小波变换   频域分解   背景感知对比度   注意力引导增强  

摘要： 红外弱小目标检测技术在诸如制导、预警、机载、雷达和监控等领域都发挥着重要的作用。红外弱小目标通常具有信号强度低、目标尺寸小和受噪声影响大等特点。特别是在复杂背景下,红外弱小目标检测时存在对背景和噪声抑制不足以及虚警率高的问题。为了克服现有红外弱小目标检测方法存在的局限性,本文具体研究内容如下: (1)提出了结合新型形态学Tophat算子与小波变换的红外弱小目标检测方法。利用改进形态学滤波对红外图像的复杂背景进行初步抑制,减少背景干扰。然后对其进行小波变换获得低频和高频分量。低频分量中含有少部分目标信息和大部分的背景信息,采用局部梯度和局部强度算法强化目标点并抑制背景噪声。红外弱小目标具有各向同性的特点,目标点在三个高频子带均可显著呈现,将三个高频子带进行累加,以增强目标。通过特征融合机制整合高、低频目标信息。最后,通过自适应门限阈值分割方法提取出红外弱小目标。 (2)提出了联合频域和多尺度信息的红外弱小目标检测方法。针对在空域上红外弱小目标检测易受噪声干扰的问题,通过傅里叶变换将图像转换至频域,利用低通滤波器提取低频背景分量,结合对数幅度谱平滑与残差差分运算,以有效抑制背景冗余,并增强弱小目标的高频特征表达。构建多尺度高斯金字塔,采用多尺度集合对显著性图进行层次化处理,增强算法对不同尺寸目标的适应性。针对复杂背景下虚警率高的问题,设计了背景感知对比度计算策略,以实现目标特征的精准提取。引入了注意力引导增强机制,通过局部方差与全局方差的显著性权重动态调节图像的对比度,以抑制背景虚警。 实验仿真结果表明,与现有的检测算法相比,所提方法能够在不同复杂场景下有效抑制背景和噪声,准确检测目标,具有很好的鲁棒性。