关键词： 全息凝视雷达   目标检测   目标跟踪   机器视觉  

摘要： 随着民用航空业和低空经济的发展,航行器的安全问题愈发突出,而鸟类及无人机等低慢小目标是飞机起降期间的最大威胁。此类目标飞行高度低、飞行速度慢、雷达散射截面积小,且鸟类通常成群分布,现有雷达目标检测方法和检测性能受限。全息凝视雷达具备相参积累时间长、高带宽及高时宽的特点,同时具备高距离、高多普勒分辨力,目前国内尚无基于全息凝视雷达体制开展鸟类及鸟群目标检测及跟踪的相关研究。本文基于国内首套S波段全数字全息凝视雷达,首先针对长相参积累下目标走动及模糊问题,提出弱小目标检测方法和跟踪方法。随后基于深度学习架构和距离多普勒(Range-Doppler,RD)图像,从图像域的角度针对群目标的检测和跟踪难题开展研究。本文主要研究内容如下: (1)针对凝视雷达长相参、高带宽带来的RD图失真特征,提出恒虚警率(Constant False Alarm Rate,CFAR)检测方法结合Keystone变换进行补偿和聚焦。在最近邻关联中引入马氏距离替代欧式距离,采用逻辑法进行航迹起始,优化目标轨迹关联与状态估计,并通过无人机及鸟类实测数据进行验证。 (2)利用全息凝视雷达RD图像双高分辨率特性,通过分析雷达距离维速度维图像的特点以及与传统视觉图像的差异,提出一种定制化的专家系统对深度学习网络进行补偿,提升鸟群目标检测准确率。有效克服了单一传感器的局限性。通过自建凝视雷达鸟群目标数据集验证本文所提方法的有效性。 (3)针对鸟群目标的跟踪,全息凝视雷达具有相参时间长、量测数据不连贯的问题。本文首先提出滑窗处理思路,利用算力提升帧率;随后提出凸包拟合方法,拟合RD图中群目标质心,通过质心及二阶矩的序贯估计实现鸟群目标的跟踪;最后通过球机与雷达的随动验证了该方法的可行性。 本文基于全息凝视雷达提出的一系列目标分辨技术方法,提升了雷达在复杂环境下目标检测与跟踪性能。通过实测数据验证了方法的有效性。本文的研究为雷达目标分辨领域及雷达视觉融合开阔了新的技术途径与思路。并开发了一套凝视雷达目标检测与跟踪系统,展现了全息凝视雷达及本文方法在实际应用中的巨大潜力。

关键词： 无人驾驶方程式   视觉感知系统   目标检测   YOLOv8   MONODETR  

摘要： 随着智能汽车技术的飞速发展,无人驾驶方程式比赛(FSAC)已成为检验与展示前沿感知、决策及控制技术的重要平台。针对FSAC赛事中赛道边界由“近距离、小尺寸锥桶”构成的特定场景,在深入调研各类感知方案后,考虑到激光雷达(LiDAR)点云稀疏、难以稳定识别的局限性,本文研究并实现了一套完全基于视觉的无人驾驶方程式赛车感知系统。 首先,本文分析了FSAC赛道环境对感知系统的挑战,论证了以视觉传感器为主导的技术路线的优越性。在硬件层面,系统选用了NVIDIA Jetson AGX Orin作为高性能计算平台,并搭载了双GMSL鱼眼摄像头作为主要的视觉信息来源,同时完成了相机系统的精确标定。 其次,在算法层面,本文设计并实现了一个融合2D与3D检测的纯视觉感知框架。对于2D目标检测任务,本文对YOLOv8模型进行了深度优化,通过引入不同分支块(DBB)模型、双向特征金字塔网络等改进策略,显著提升了模型对赛道锥桶的检测精度与鲁棒性。对于3D感知任务,本文采用了基于Transformer的MONODETR模型,并构建了符合KITTI格式的自制锥桶数据集进行训练与优化,实现了从单目图像中对锥桶进行精确的三维定位。最后,为满足赛车实时性的严苛要求,利用Tensor RT对整个算法流程进行了加速。 实车道路验证结果表明,改进后的2D检测模型在赛道锥桶数据集上的平均精度均值(mAP@0.5)达到了98.5%,优化后的3D感知模型在自制数据集上的3D平均精度(3D AP@0.5)可达76.9%,LE定位误差统计量为0.28米。最终,将整套系统部署于无人方程式赛车进行实地测试,结果显示系统在长直道、急弯和光线变化等多种复杂工况下运行稳定,对锥桶的定位误差绝大多数(85%)小于0.3米,证明了该纯视觉感知系统在无人驾驶方程式赛车应用中的有效性和可靠性。

关键词： 目标检测   抓取检测   视觉语言模型   抓取策略   机械臂  

摘要： 机械臂抓取作为智能机器人与自动化系统实现复杂操作任务的核心技术,在工业制造及实验室自动化等多个领域中具有重要应用价值。传统基于规则的抓取方法在面对多目标遮挡和非结构化环境时,常表现出适应性差、规划稳定性不足等问题,难以满足复杂场景下的实际应用需求。为此,本文围绕机械臂抓取任务,研究基于深度学习目标感知与视觉语言模型任务规划的抓取策略,并在搭建的化学机器人平台上进行实验验证。主要研究内容如下: 1、针对传统检测网络在面对物体种类多样、目标密集、遮挡频繁等复杂环境中识别精度下降的问题,研究基于特征融合的多任务检测网络。该网络采用共享主干结构,结合多尺度特征融合模块和坐标注意力机制,在单次推理中完成多目标场景下目标检测与抓取位姿检测。为了减少目标边界框和抓取框匹配的误差,提出了一种优化Io U匹配方法,通过加权匹配和局部最优策略提升了匹配精度。在公开数据集与自制化学器具数据集进行的实验验证了该网络的高效轻量化与检测准确率优势。 2、针对多目标场景中同类物体难以区分、遮挡分布以及任务指令语义不明确导致抓取路径不稳定的问题,引入视觉语言模型(Vision-Language Model,VLM)作为高层推理核心,研究基于VLM的多模态对象消歧和多目标任务抓取策略。采用VLM综合视觉感知信息与自然语言指令,对场景中的目标匹配、遮挡关系及任务需求进行推理,实现动态生成无碰撞的抓取子任务序列。经过实验验证,该方法提升了机械臂在复杂场景下面向多任务的规划智能性和灵活性。 3、为验证所提方法在真实环境下的有效性,搭建了融合机械臂、夹爪与移动底盘的化学机器人平台,并在抓取、搬运、倾倒等典型化学实验任务中进行了多轮测试。实验结果表明,所提出的自主识别与抓取系统能够精准感知目标物体并规划合理的抓取策略,实现了在复杂实验环境下自主执行抓取任务。

关键词： 多星共视   时差定位   数据融合   目标跟踪   交互多模型  

摘要： 随着全球导航卫星系统(Global Navigation Satellite System,GNSS)的快速发展与低轨卫星的大规模部署,多星共视目标定位与跟踪技术已成为卫星导航、军事侦察、灾害监测和交通管理等领域的重要研究方向。然而,传统定位技术通常需要较多卫星资源支持,且难以有效应对卫星数量受限、信号传播误差和复杂运动场景下的目标跟踪需求,存在定位精度低、跟踪稳定性差的难题。本文针对上述挑战,以多星共视融合定位与跟踪为主线,基于多星共视系统的数据集融合和点迹集融合,围绕时差定位算法优化、数据融合算法研究和目标跟踪算法改进等方面开展了深入研究。主要的研究工作包括以下几方面: (1)针对传统时差定位(Time Difference of Arrival,TDOA)算法卫星数量需求大的问题,构建了多星共视TDOA信号模型,提出一种优化的两阶段TDOA算法,利用更少的卫星数达到高精度定位效果,并严格推导其克拉美罗界;通过仿真实验验证了所提算法有效降低了卫星资源依赖,提升了目标定位性能。结合地面等效试验,系统验证了本文所提算法的性能优势与工程适用性。 (2)针对多星观测数据融合技术展开研究,建立了星间时间配准和星间坐标系转换的空间配准方案,对比分析了最近邻(Nearest Neighbor,NN)数据关联、概率数据关联(Probabilistic Data Association,PDA)及联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法的优势与不足,设计对比了序贯融合和分布式融合两种数据融合方案,有效解决了多星量测异步与数据冗余问题,通过仿真实验对上述过程进行了仿真验证。 (3)针对存在盲区的机动目标跟踪算法,详细研究了扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和交互多模型(Interacting Multiple Model,IMM)滤波方法,提出了一种融合三次样条插值的IMM-UKF算法,在盲区时利用历史轨迹的三次样条插值函数外推构造虚拟量测,以有效处理量测盲区情形下的跟踪发散问题,提升了目标跟踪的连续性与稳定性,通过仿真实验系统验证了所提算法的性能优势。

关键词： YOLOv8   动态卷积   注意机制   尺度内特征交互   多尺度目标检测  

摘要： 针对无人机数据集图像中目标尺度小、特征弱、背景干扰多等不利因素造成的目标检测算法总体精度不高，漏检误检严重的问题，提出了一种用于复杂场景下无人机图像多尺度目标检测的新算法。该算法通过DConv、AIFI和Dyhead等模块的引入，改进了原网络在多尺度目标检测能力上的不足；同时，通过采用DIoU损失函数，提高了模型的收敛能力。在公开数据集VisDrone-DET2019上对多尺度目标进行检测识别，与原网络相比，精确率提升了3.7%;召回率提升了1.2%;平均精度提升了2.3%。同时，通过大量的实验验证，结果显示本文算法具有较强的鲁棒性，综合性能优秀，具有一定的工业应用价值。

关键词： 服装分类   目标检测   YOLOv5   YOLOv8   特征融合   骨干网络  

摘要： 随着互联网和电子商务的快速发展,服装在线销售激增,消费者需求不断增长,服装分类技术的重要性日益凸显。该技术不仅为电商平台提供智能推荐和个性化服务,还为社交媒体图像内容提供自动标签,提升信息管理效率。然而,传统方法依赖人工特征提取,难以应对服装图像的复杂多变性。尽管目标检测算法取得进展,但在服装分类中仍面临精度和实时性挑战。因此,开发高效、精准的服装分类方法成为行业迫切需求。本文基于深度学习目标检测技术,深入研究服装分类算法,主要内容如下: (1)针对服装分类检测模型结构复杂、计算资源利用率低和精度不足的问题,提出了一种基于改进YOLOv5的轻量化方法。首先,将YOLOv5模型的骨干网络替换为Mobile Net V3以减少参数量和计算复杂度;其次,引入Squeeze-and-Excita tion模块和硬化Sigmoid激活函数增强表达能力。此外,采用跨尺度特征融合机制改进Neck部分,通过多层次特征对齐提升多尺度目标检测能力。最后,嵌入AD own模块减少特征损失,提高准确性和鲁棒性。实验表明,改进后的YOLOv5在Deep Fashion2数据集上推理时间为2.9ms,性能优于对比模型,适用于资源受限的实时场景。 (2)针对服装检测模型精度较低的问题,本文提出了一种基于YOLOv8的改进模型FCD-YOLO,通过优化特征提取、信息融合和检测框架提升分类性能。首先,设计特征聚焦扩散金字塔网络FDPN以增强多尺度特征表现;其次,引入基于通道引导的特征融合模块CAFMFusion,通过通道指导机制优化特征融合,提升信息传递效率;最后,采用高效目标检测解码器RTDETRDecoder提高检测精度与推理速度。实验表明,FCD-YOLO在Deep Fashion2数据集上达到78.8%的m AP,在Fashion-MNIST数据集上达到97.6%的准确率,证明了其在服装分类任务中的精度优势。 (3)针对服装分类领域中的目标检测技术算法落地问题,采用FCD-YOLO算法作为核心检测模型,并将其部署于Jetson Orin Nano嵌入式平台。为实现人机交互功能,本文基于Py QT5框架开发了专用的图形用户界面系统。在系统架构设计方面,研究构建了多源数据采集模块,支持摄像头实时捕获、视频流处理及静态图像分析等多种输入模式。系统通过FCD-YOLO算法对输入数据进行特征提取与目标检测,实现了服装目标的精准识别与定位。实验结果表明,该系统能够实时输出检测结果,并通过可视化界面直观呈现。经系统化测试与评估,系统各项性能指标均符合预期设计标准,验证了其功能完备性与运行可靠性,充分证明了其在服装分类检测领域具有显著的应用价值与推广潜力。

关键词： 龙葵果   真空冷冻干燥   数值模拟   正交实验   计算机视觉  

摘要： 龙葵果具有丰富的营养价值并且完全成熟后可直接食用,果实富含高质量的蛋白质、碳水化合物、微量元素以及多种维生素。特别值得一提的是,龙葵果含有丰富的龙葵多糖和生物碱,这些成分被认为具有调节机体免疫力和抗肿瘤的作用。经过科学研究,这些天然的活性成分显示出潜在的健康益处,为人们的健康提供了有益的支持。目前对于龙葵果的加工常见方法为热风干燥或自然晾干,未见真空冷冻干燥方面的研究,因此对龙葵果进行真空冷冻干燥工艺研究,探究过程中不同变量的影响很有必要。计算机视觉系统是目前非常先进的技术,建立一套评价体系对龙葵果进行品质分级能极大促进龙葵果行业发展。 本文在宏观视角采用单因素实验及正交实验法对龙葵果真空冷冻干燥工艺进行研究,以不同的理化指标进行评价。采用ANASYS对龙葵果的预冻过程进行分析模拟,建立模型,同时使用MATLAB对龙葵果分级系统进行开发。主要研究内容如下: （1）研究龙葵果冻干的相关理论知识并对其冻结曲线进行了过程剖析。同时采用各种仪器分别对龙葵果的含水率、密度、共晶点温度、共熔点温度、冰点温度、相变潜热、比热容及导热系数进行了测量,保证后续数值模拟的正确性。 （2）对龙葵果预冻过程进行数值模拟。首先建立了冻干仓内的物理模型并从数学角度对传热过程进行分析,之后进行网格划分和无关性验证,最后导入模型进行求解运算和结果分析。通过实验验证了模型的准确性并得出了模拟的降温曲线。 （3）建立了龙葵果真空冷冻干燥工艺单因素及最佳工艺实验方案。在单因素实验中,自变量为预冻温度、预冻时间、干燥时间及搁板温度。同时罗列了单因素的六个评估标准,分别为干基含水率、复水比、可溶固形物含量、硬度、色差及感官评价,并确定其检测设备和方法。采用正交实验法建立四因素三水平的L9（3～4）实验,评价指标定为感官评价,采用极差分析的方法确定最佳工艺。 （4）分析了单因素实验中各个因素对龙葵果真空冷冻干燥样品的影响,通过不同的检测指标进行多维度理化评估。采用正交实验的方式,利用极差分析方法检测感官评价,确定了搁板温度对龙葵果真空冷冻干燥的影响最大,预冻时间次之,之后为干燥时间,预冻温度影响最小。最佳工艺条件为预冻温度-50℃,预冻时间4h,干燥时间30h,搁板温度45℃。 （5）搭建计算机视觉技术试验台,采用MATLAB软件,利用图像处理的方式,建立一套以直径衡量冻干龙葵果品质的系统,并利用GUI设计人机交互,形成完整的操作界面。通过实验验证,整套系统的识别准确率达到95%。

关键词： 煤泥浮选   泡沫图像   深度卷积神经网络   灰分分类预测   泡沫特征  

摘要： 煤泥浮选是煤炭加工与利用中应用最广泛的一种方法。通过提取浮选泡沫图像的各种特征信息,如气泡形态、纹理、动态等特征参数来分析浮选过程的优劣,能够实时反映浮选工况的波动,为生产操作调整提供参考依据。然而,浮选作业现场条件复杂,由于粉尘弥漫、光线分布不均以及水汽干扰等因素,实时获取的泡沫图像往往存在显著的噪声干扰和清晰度不足的问题。并且煤泥泡沫图像前后背景不明显,这对于泡沫图像的特征提取与基于泡沫特征的浮选工况识别带来了困难与挑战。 以内蒙古某大型选煤厂的煤泥浮选过程为研究对象,本文针对上述泡沫浮选存在的问题,系统探究了煤泥浮选过程中泡沫图像由于多种模糊和噪声引起质量退化的原因,设计了基于深度学习的泡沫图像清晰化和亮度增强算法,并对增强后的泡沫图像进行分割,提取泡沫图像的形态特征,将其用于浮选精煤灰分的分类预测。论文的主要研究内容、采用的方法和结论如下: (1)由于受到浮选生产环境、泡沫流速、图像采集和传输过程的干扰,泡沫图像受到不同程度的损失,存在着模糊的现象。针对工业现场采集的煤泥泡沫图像存在的不同模糊问题,本文深入解析了煤泥浮选泡沫图像的清晰特征和模糊特征,设计了一种基于解耦特征表示的双编码器网络架构来实现泡沫图像的去模糊。研究结果显示,在NIQE(提升21.9%)、BRISQUE(35.2927)等关键指标上显著优于对比方法。该方法能够对煤泥泡沫图像进行有效的去模糊处理,恢复煤泥泡沫图像的纹理特征,为后续煤泥泡沫的视觉特征提取提供了高质量的图像。 (2)受光照、水汽等因素的影响,现场获取的泡沫图像具有亮度、对比度较低以及图像灰度不均的问题。因此,在对采集的泡沫图像进行去模糊处理后,本文提出了一种基于多尺度卷积神经网络的泡沫图像亮度增强算法。该算法通过设计具有两层卷积网络及求和连接组成的跳跃连接结构的网络,结合创新的对数变换损失函数,有效提升了图像质量。在煤泥浮选泡沫图像数据集上的实验表明,在关键指标上显著优于对比算法,标准差达到0.258,对比度提升48.9%至142.58,熵值保持5.19的较高水平。该算法能够对对比度低的泡沫图像具有良好的图像增强效果,为煤泥浮选泡沫图像的特征提取和品位分析提供了清晰的图像数据。 (3)针对泡沫图像泡沫形状不规则且粘连、背景复杂的特点,且传统分割算法难以取得良好分割效果的问题,在对泡沫图像进行去模糊和亮度增强处理后,本文提出了一种采用多尺度残差网络的方法来实现煤泥泡沫图像的分割。通过多尺度残差架构和混合注意力机制,结合本文提出的三种关键模块,分割网络能够有效捕获全局和局部特征信息来提高分割网络的性能。在煤泥泡沫图像数据集的分割实验中,本文模型的m Io U达到94.44%,DSC达到97.14%,Acc达到94.98%,均优于对比模型,表明该算法能完成对煤泥浮选泡沫图像的精确分割,从而为浮选工况智能监测提供了可靠的技术手段。 (4)针对煤泥浮选泡沫图像提出一种基于双分支卷积神经网络的浮选精煤灰分分类预测方法。该方法创新性地结合了Res Net101和VGG16两种深度卷积神经网络的特征提取能力。区别与传统意义上的灰分建模方法,本文提出的预测方法在各个灰分区间的分类正确率均超过90%,这表明所提出的预测模型在煤泥浮选精煤灰分分类任务中展现了出色的分类精度和良好的泛化性能。 (5)本文将泡沫图像清晰化、亮度增强、泡沫分割以及灰分分类预测等关键技术整合为一个煤泥浮选泡沫图像处理与分析系统。这一系统利用深度学习和机器视觉技术,能够对采集的图像数据进行处理与分析,提取泡沫的关键特征信息,实时反馈浮选工况状态,为浮选过程的智能化提供了坚实的技术支撑。