关键词： 小麦病害   BiCS-WDNet模型   WDIR数据库   目标检测  

摘要： 小麦作为全球重要粮食作物,其病害防控关乎粮食安全与农业可持续发展。统计表明,全球年均因病害减产12.7%,并伴随毒素污染等次生危害。当前小麦病害检测技术存在传统人工检测效率低下、现有深度学习模型检测精度不足以及检测流程复杂导致应用困难等问题。针对上述问题,本文对小麦病害检测进行深入研究,具体研究内容如下: (1)构建小麦病害数据集(Wheat DiseaseImage Repository,WDIR),为模型训练提供高质量数据基础。WDIR包含湖南益阳、湖北襄阳等冬麦产区田间采集数据,以及 Kaggle、Mendeley、Zenodo、Global Wheat Datasets 开放平台公开数据,覆盖条锈病、叶锈病、秆锈病、白粉病、赤霉病、黑穗病、纹枯病、麦瘟病共八类病害,包含植株的不同生长期及各类环境条件下的形态特征。通过迭代式半自动标注完成12857张图像的精细标注,并通过数据增强技术将数据量扩展至20566张。 (2)针对现有小麦病害检测算法精度不足的问题,提出双向跨尺度注意力网络模型(Bidirectional Cross-Scale Simple-Attention Network for Wheat Disease Detection,BiCS-WDNet)。BiCS-WDNet 模型基于 YOLO11 框架改进,首先在主干网络上设计CNX2跨尺度模块,通过全卷积掩码自编码器与全局响应归一化增强病斑定位能力,其次在特征融合层构建C2BRA双向路由模块,采用动态注意力筛选机制抑制土壤背景噪声,然后在检测头引入基于能量函数的无参注意力机制SimAM,重标定叶片重叠区域特征以提升判别能力,最后训练策略上采用Lion优化器,在保证收敛稳定性的同时降低训练资源消耗。实验表明,改进后模型参数量为12.8M,计算复杂度为28.7 GFLOPs,在WDIR数据集上平均精度(mAP)达90.4%,较基准模型提升4.5个百分点,验证了模型的鲁棒性。 (3)为简化小麦病害检测流程,开发基于BiCS-WDNet的小麦病害检测系统。系统采用前后端分离架构实现算法与业务逻辑解耦,支持图像、视频流多模态输入检测,提供低延迟、高鲁棒性的在线检测服务,为农业生产者在田间环境下的实时决策提供支持,提升植保作业效率。

关键词： 豆荚识别   计算机视觉   RT-DETR   轻量化   深度学习  

摘要： 针对大豆豆荚植株大小不一、重叠以及茎秆遮挡等特点，同时为解决基于Transformer架构的豆荚目标检测模型检测中参数量大导致其在边缘设备部署困难的问题，提出一种改进RT-DETR的豆荚检测模型POD-DETR。首先，引入RepNCSPELAN特征提取模块和Adown降采样模块改进主干网络；其次，提出一种轻量级自适应编码器LWA-Encoder,在内部引入基于小波操作的池化方法替代最近邻插值上采样和卷积下采样操作，设计一种融合无参注意力机制SimAM的自适应细节融合模块DI-SAM改进编码器中原有的特征融合方式，提高模型对不同尺度豆荚的适应能力；最后，使用DIoU作为边界框损失函数，用于提升模型检测准确率。POD-DETR在自建数据集上准确率、召回率和平均精度均值分别达到94.7%、92.9%和97.2%,综合指标优于当前主流的一阶段、二阶段检测模型，在保持高精度的情况下，较基线模型在参数量和浮点运算量上分别降低59.9%和60.9%,实现了模型轻量化。在开源豆荚数据集上的试验结果中POD-DETR也有一定程度的性能提升，表明其具有良好的鲁棒性和泛化能力，可为豆荚检测与产量估计提供技术落地参考。

关键词： 大口黑鲈   表型数据   品质预测   Deeplabv3   计算机视觉   语义分割  

摘要： 大口黑鲈的肥满度、体质量及尺寸等是评估其品质的重要指标，针对上述数据手工测量操作繁琐、效率低下及关键点表型数据测量方法面积要素缺失等问题，本文提出一种语义分割模型结合最小外接轴对齐矩形的表型数据测量方法，并基于表型数据测量与计算结果完成大口黑鲈品质预测。首先通过使用CBAM（Convolutional block attention module）和SENet （Squeeze-and-excitation network）对Deeplabv3+模型进行改进，实现对大口黑鲈头部、躯干、尾部、鱼鳍等部位的高精度分割，然后使用最小外接轴对齐矩形完成大口黑鲈各部位长、高测量，通过各部位像素与矩形像素的比例完成面积测量；最后，基于测量结果完成体质量回归预测与肥满度计算，以实现大口黑鲈品质预测。结果表明，语义分割模型整体mIoU （Mean intersection over union）达到90.15%,在忽略鱼鳍影响后，mIoU达到94.02%,测量所得全长、体长、体高平均相对误差低于2.5%,头长、头高平均相对误差低于3.5%,面积测量误差低于4.5%。多项式体质量回归预测模型对体质量预测值与实际值的决定系数为0.97,平均相对误差低于4%,基于测量值的3种肥满度状态指数计算结果均接近实际值。该方法可以高效、准确地获取大口黑鲈的表型数据，并为进一步衡量鱼类生长状况与健康状况研究提供参考。

关键词： 深度学习   多模态图像融合   实时检测   目标跟踪  

摘要： 随着智能安防、自动驾驶和遥感监测需求的不断增长,传统单模态检测算法在极端光照波动、雨雪雾霭干扰以及小目标密集分布等复杂场景中常常面临特征表征歧义和检测鲁棒性下降的问题。尽管多源信息融合已被广泛应用以增强目标检测性能,但在跨模态特征交互阶段,仍存在语义对齐困难、冗余信息干扰及动态场景下目标轨迹中断等问题。为此,本文提出了一种基于红外与可见光双模态协同感知的检测与跟踪算法,以缓解上述问题。主要研究成果如下: 针对当前红外-可见光双模态目标检测算法在环境适应性、跨模态特征融合效率及小目标漏检率等方面存在的不足,本文提出了一种红外-可见光协同的端到端检测架构IV-YOLO。该方法首先构建了双分支特征提取架构,利用神经网络分别捕获红外分支中的热辐射轮廓与可见光分支中的纹理细节;其次,设计了双向特征金字塔融合结构(Bi-Fusion),通过跨尺度双向交互机制实现层次化语义对齐,并采用自适应权重确保融合效果的平衡;同时,设计了混洗注意力空间金字塔池化模块(Shuffle-SPP),通过通道混洗策略打破模态特征的固化分布,并结合空间金字塔感知域以增强对目标区域的聚焦能力。进一步地,在网络颈部增设了微小目标检测层,通过高分辨率浅层特征保留微小目标的空间信息,并引入方位感知PIoU v2损失函数,以优化长尾分布下的梯度分配。实验结果表明,IV-YOLO在Drone Vehicle、FLIR及KAIST数据集上的平均精度分别达到了74.6%、85.6%和75.4%,验证了该方法在复杂场景下的鲁棒性与泛化能力。 在目标跟踪方面,本文主要针对多模态检测结果在跟踪任务中容易出现的遮挡与运动模糊导致轨迹中断等问题,本文提出了一种基于检测的跟踪算法——CMLSTrack。该方法充分融合了LSTM与卡尔曼滤波器的优势,构建了LSTM-KF框架,实现了对目标运动时序依赖性的建模,并利用卡尔曼滤波器对运动噪声进行实时校正,从而有效解决了遮挡和运动模糊引起的轨迹断裂问题。同时,本文设计了级联匹配结合运动先验的匈牙利算法,通过对目标置信度进行分级和引入运动轨迹相似性约束,进一步优化了目标关联过程,显著降低了复杂场景下的误匹配率。实验结果显示,该方法在RGB-T234与LasHeR数据集上的跟踪精度分别达到了83.2%和58.6%,充分验证了其在动态和遮挡环境中的优越性能。

关键词： 光学遥感图像   深度学习   目标检测   无锚框   轻量化网络  

摘要： 光学遥感图像目标检测在灾害监测、作物估产、基础设施规划以及国防安全等领域中发挥着不可替代的作用。随着遥感卫星和无人机平台的广泛应用,海量遥感数据的实时智能解译需求呈指数增长,这对遥感目标检测技术的精度与效率提出了更高的要求。然而与通用目标检测不同,遥感图像中存在目标尺度差异巨大、不同类型目标的形态差异明显以及目标背景复杂等问题,这些因素使得遥感图像目标检测变得尤为困难;此外,由于遥感平台或其它无人机平台的功耗、内存和算力限制,现有基于深度神经网络的高精度遥感目标检测模型难以满足实时处理的需求,以及实现高效的边缘部署。因此,针对上述问题,本文致力于在无需预设锚框的前提下,构建兼具高精度与低复杂度的目标检测框架,论文的主要工作内容如下: (1)针对遥感图像中小目标较多、目标尺度差异较大以及目标背景复杂等问题,本文提出了一种无锚且高效的单阶段目标检测模型。首先,提出了轻量化的自注意力上下文感知模块,通过自上而下和自下而上的两条路径,将特征提取网络的上下文信息注入到特征融合网络,以增强多尺度特征之间的信息交互。其次,提出了优化的残差收缩网络来消除多尺度特征融合中的背景噪声和冲突信息。最后,通过使用细粒度卷积增强解耦头的信息表达,以进一步提高小目标对象的检测准确性。实验结果表明,本文的遥感目标检测算法能够较大程度改善多个场景下目标尺度差异较大、小目标较多和背景信息复杂导致的检测问题,同时网络可以保持较好的实时性能。 (2)针对遥感目标检测中现有模型对目标形状与位置感知能力不足,以及复杂网络结构导致计算效率低下、实时性差的问题,本文提出了具有形状和位置信息感知能力的高效遥感图像目标检测网络。首先,构建基于可变形操作与Transformer相结合的特征提取架构,在提升遥感图像中复杂目标信息表征能力的同时加速模型训练收敛。其次,设计了格拉姆(Gram)采样,以防止网络采样过程中遥感目标位置和形状信息的丢失。最后,提出了具有空间重建机制的解耦头,通过引入组归一化和门控制机制来调整输入特征的信息流,使模型可以在预测过程中准确提取目标形状和位置信息。在三个公共遥感数据集上的实验结果表明,该模型在性能上优于许多现有的方法。 (3)针对遥感应用场景中边缘部署对模型实时性的要求,本文提出了高效的轻量化遥感目标检测模型。该模型结合了局部和全局信息处理机制,通过设计轻量化的特征提取网络和高效路径聚合网络(LWPAN),结合全局信息感知增强模块,显著提升模型在遥感场景中的特征提取效率。同时,应用动态阈值策略优化正样本选择过程,提升模型的检测效率。实验结果表明,本文提出的方法在检测精度和实时性方面取得了很好的平衡,并且在算力有限的嵌入式设备上也表现出了良好的性能。 综上所述,本文提出的算法模型改善了遥感图像目标检测中存在的目标尺度差异大、小目标多、背景信息复杂以及模型复杂度高的等问题。通过在公开光学遥感图像数据集上的实验结果表明,所提模型在保持较高检测精度的同时显著提高了模型效率,更有利于在边缘设备上的部署。本论文的研究内容有助于推动遥感图像目标检测技术的普及,具有重要的实际应用价值。

关键词： 水导激光   碳纤维增强复合材料   图像处理   切槽形貌   影响机理  

摘要： 随着大厚度碳纤维增强复合材料（CFRP）在航空航天领域中的广泛应用，厚板CFRP的高质量高效加工已成为亟待解决的关键性问题。水导激光技术因其切割深度大、加工精度高、热损伤小等优势，被认为是加工CFRP的理想方式之一。然而，在水导激光切割CFRP的过程中，加工效率会随着切割深度的增加而非线性降低。针对这一问题，开展了水导激光切割CFRP厚板的试验研究。创新性地采用图像处理方法，监测并分析了加工过程中切槽形貌的动态演化规律，并揭示了其对加工效率的影响机制。研究结果表明，在使用水导激光技术切割10 mm厚的CFRP时，切槽形貌会依次经历平整期、波动期和凹陷期三个阶段，且最终是从切缝的中部率先切穿。进一步分析发现，加工效率的降低主要由以下三个因素共同作用导致：一是耦合能束在切割深度方向上的衰减；二是切槽形貌在不同阶段对能量吸收的差异；三是射流飞溅现象对加工过程的干扰。

关键词： 多目标跟踪   抗遮挡   DETR   目标检测  

摘要： 随着无人机在遥感领域核心地位的日益凸显,其目标识别与跟踪算法在复杂动态环境下的鲁棒性实现成为关键研究难点。针对光照变化、尺度变换、位姿偏移等场景中存在的微小目标难识别、位姿偏移漏识别、密集遮挡难跟踪三大挑战,本文基于无人机高机动性特点,通过空间特征增强与运动状态联合建模方法,显著提升了复杂场景下的鲁棒目标检测与跟踪性能。主要工作如下: (1)针对微小目标难识别与相似目标误识别的问题,提出轻量化检测模型UAV-DETR。相较于主流算法YOLOv8,在模型参数量减少40%、计算复杂度降低10%的条件下,检测准确率提升16.6%。首先,设计基于倒残差结构的特征提取模块以保留低维图像的细粒度信息,并提出级联线性注意力机制显著降低计算冗余;其次,采用可变形交叉注意力机制抑制编码器特征扩散,在聚焦关键信息的同时有效拓展模型感受野;最后,引入边界框不敏感的Wasserstein距离重构损失函数,显著提升模型收敛速度。大量实验表明,该模型结构简洁高效,无需数据增强和后处理操作,即可实现更高的检测精度与召回率。 (2)针对位姿偏移漏识别的问题,提出了抗抖动多目标跟踪算法,较主流算法Byte Track取得有效提升:跟踪关联精度指标(HOTA)、检测准确率指标(MOTA)以及身份连续性指标(IDF1)分别实现13.6%,1.75%以及18.6%的性能优势。其能有效的捕捉目标帧间运动特征,增强无人机在快速移动时的感知能力。首先,通过系统分析位姿偏移真实案例,明确检测框偏移结论。其次,基于结论构建检测框补偿算法,引入级联线性注意力机制设计检测框配准模块,实现帧间精确配准。最后,结合配准模块设计仿射变化补偿策略,同步构建检测框定位度量模块作为配准失效保护机制,大量实验验证了其在位姿偏移场景下的有效性。 (3)针对密集遮挡场景的目标丢失、身份切换及噪声累积等问题,提出抗遮挡多目标跟踪算法。相较于现有方法Strong SORT,在目标跟踪精度(HOTA)上提升9.7%,身份识别准确率(IDF1)上提升7%,并将身份切换次数(ID Switch)降低79%。首先,通过解耦3D多目标跟踪中处理遮挡的思想,为2D跟踪算法构建了一种先验深度度量准则,以有效区分目标遮挡次序。其次,设计了一种网格式渐进划分跟踪算法,并结合研究一中的UAV-DETR消除冗余检测框,通过分治策略有效降低遮挡导致的身份切换。最后,进一步提出虚拟轨迹降噪模块,通过虚拟轨迹生成来实现丢失目标的追回与运动噪声抑制。对比试验与案例测试,均验证了该算法在遮挡场景中的有效性。