关键词： 玉米表型   无人机   无人车   机器学习   图像分割   目标检测  

摘要： 玉米是我国重要的粮食与饲料作物,其产量和品质直接关系到粮食安全。密植栽培技术通过提高种植密度（Plant Density,PD）显著提升单位面积产量,但是高密度环境下玉米植株对光照、水分等资源的竞争加剧,导致茎秆高度（Stem Height,SH）增加、茎秆周长（Stem Circumference,SC）减少,进而增加倒伏风险。准确提取PD、SH和SC对及时监测玉米生长发育动态、评估产量潜力和抗逆性具有重要的科学价值。然而,传统人工测量效率低、成本高,难以满足现代农业需求。近年来,由于无人机（Unmanned Aerial Vehicle,UAV）能够快速获取大面积作物冠层影像而被广泛应用于作物表型监测,但其主要针对作物冠层表面信息,难以获取田间内部茎秆信息,从而限制了SC的提取。为了解决这一问题,本研究提出一种将UAV与无人车（Unmanned Ground Vehicle,UGV）结合的多平台、多角度的解决方案,并针对玉米PD、SH和SC的提取展开研究。结果表明,该方法具有良好的适用性和较高的精度,具体研究内容及成果如下: （1）基于UAV的玉米PD提取。本研究提出了两种基于UAV遥感数据的PD提取方法:（a）高清影像与目标检测结合（Ultrahigh-definition Imagery Combined with Object Detection,UHDI-OD）的玉米PD提取方法;（b）多光谱遥感与机器学习结合（Multispectral Remote Sensing combined with Machine Learning,Multi-ML）的方法。结果表明,UHDI-OD方法对高分辨率UAV影像进行玉米植株检测,可以提供较高的提取精度。其中,决定系数（Coefficient of Determination,R2）和均方根误差（Root Mean Square Error,RMSE）分别为0.99和0.09个/m2。然而,该方法对影像分辨率高度敏感,适用于无人机低空小范围的玉米PD监测。而本文提出的Multi-ML方法结合了遥感植被指数（Vegetation Indices,VIs）和灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）纹理特征。该方法在低分辨率影像下也能保持较好的提取精度,R2和RMSE分别为0.76和0.67个/m2。Multi-ML方法虽然提取精度低于UHDI-OD,但是对影像分辨率不敏感,更适用于大范围的玉米PD提取。通过这两种方法的实现和对比,本研究提供了高效、准确的玉米PD提取方法,并探讨了不同数据和方法的适用性与局限性。 （2）基于UGV和UAV的玉米SC和SH提取。本研究提出用于计算玉米茎秆直径和周长的分割网络模型（Maize Stem Segmentation Network for Calculating Stem Diameter and Circumference,MSSDCNet）用于分割玉米茎秆,并基于分割结果提取SC。本研究通过UAV影像生成数字表面模型,并结合地面控制点插值构建数字地形模型。通过计算两者差值生成冠层高度模型,从而实现玉米SH提取。结果表明,MSSDCNet能够从UGV平台获取的玉米茎秆图像中精确提取茎秆特征,实现茎秆的准确分割。基于分割结果可以实现玉米SC的准确提取,R2和RMSE分别为0.759和0.414 cm。SH提取同样取得了较高的精度,R2和RMSE分别为0.941和0.151 m。通过对多个时期玉米SC和SH的提取,本研究发现玉米SC在生殖生长阶段逐渐减少。这可能是光合作用产物向玉米果穗的转移以及茎秆水分流失所导致的。在生殖生长阶段,SH的提取结果存在低估的趋势,这可能是点云数据对玉米穗等尖锐结构的过度敏感有关。通过这些方法,本研究成功实现玉米SC、SH的提取,为玉米的生长发育监测提供支持。

关键词： 深度学习   数字伪装   目标检测   数据增强   图案生成  

摘要： 传统数字伪装技术通常仅针对背景颜色特征分布进行设计，缺乏对目标边缘特征的精准感知，导致伪装目标与背景环境的轮廓明显，融合效果不佳。为解决上述问题，提出一种基于深度学习的自适应数字伪装生成方法。该方法结合YOLOv8(You Only Look Once version 8)目标检测算法与傅里叶卷积驱动的图像修复算法，构建了从目标感知到数字伪装生成的闭环流程。针对小样本场景下目标检测精度受限的问题，所提方法在YOLOv8模型训练中引入多层次数据增强策略，通过颜色变换、遮盖变换和裁剪拼接等方法来有效扩展样本的多样性，显著提升目标检测的精度。在数字伪装生成阶段，采用基于傅里叶卷积的特征提取网络，通过频域-空间域联合分析方法捕获伪装目标周边环境的色彩分布、纹理特征及语义信息，同时对网络中的掩模尺寸进行改进，提升边缘感知能力，从而生成与背景环境融合度较高的伪装图像。实验结果表明，与传统伪装方法相比，所提方法在生成的伪装图像上表现出更优的客观评价指标。具体而言，结构相似性指数平均提高了0.028，峰值信噪比提高了0.14 dB，均方误差降低了1.14，充分验证了所提出方法在自适应数字伪装图像生成任务中的有效性。

关键词： 深度学习   海上复杂环境检测   SAN-YOLO   SPD-Coord   C2f-AK   NS Loss  

摘要： 针对海上复杂环境搜救检测中存在的小尺寸搜救目标检测效果不佳等问题，提出了基于SAN-YOLO的海上搜救目标检测算法。首先，将SeaDronesSee和自采数据集混合制成海上复杂环境搜救检测数据集，使该数据集具备丰富的图像样本和多样化的检测场景。然后，提出了基于SAN-YOLO的海上复杂环境搜救目标检测算法，设计了基于SPD-Coord的主干网络，通过无损空间降维和坐标卷积避免了特征提取过程中的细节信息损失并增强了对空间位置信息的获取能力；设计了基于C2f-AK注意力的特征融合网络，将C2f和可变核卷积融合，使得模块具有任意参数和形状的卷积核，增强了模型的特征融合能力；设计了基于NS Loss的损失函数，将NWD Loss和Slide Loss加权求和，降低了损失函数对于小目标位置差距的敏感度并增强了对复杂样本的权重，使得模型对于小目标有更好的检测效果。最后，在海上复杂环境搜救检测数据集上验证了算法性能。结果表明，SAN-YOLO的平均精度均值为77.6%,比基准模型提升了8.9%,且优于其他常见的开源算法。该算法在海上复杂环境搜救目标检测任务中有较好的综合检测性能。

关键词： 深度学习   目标检测   图像分割   医疗诊断系统   YOLOv7   U-Net  

摘要： 结直肠癌是胃肠道癌症中的常见类型之一,通常由结直肠息肉经过长期演变和恶化逐步发展而来。通过内窥镜检查,可以获取结直肠息肉的大小、位置及其轮廓特征,为医生提供重要的诊断依据,辅助制定治疗方案,有助于早期预防结直肠癌的发生。由于结直肠道内光线昏暗且息肉颜色和纹理与正常肠壁相似,人工检查错误率和漏检率较高。深度学习对于复杂环境的目标检测和图像分割具有良好的适用性,相比于传统方法表现出明显的优势。因此,为了提高结直肠息肉病灶检测和分割性能,便于辅助医生进行诊断,本文基于深度学习开展了以下主要工作: (1)为有效识别结直肠道息肉的位置和病变情况,本文提出了PSM-YOLO模型。该模型以YOLOv7为基础架构,首先引入图像增强特征金字塔(Pyramid Enhanced Network,PENet)模块,使用拉普拉斯金字塔将图像拆分成不同分辨率的层次,利用细节处理模块和低频增强滤波器来强化每个尺度的特征;其次,在颈部网络引入混洗注意力机制(Shuffle Attention,SA),增强特征图的通道和空间关注能力,提升特征的表达效果;最后,将包含交并比损失函数(Complete Intersection over Union,CIo U)替换为相似比较测度损失函数(Minimum Points Distance Intersection over Union,MPDIo U)优化分类损失函数,改善了类别分类不均衡问题,并且简化了计算过程。经过实验验证,本文改进的模型展示出显著优势,检测模型在本文应用数据集的评估中各种指标都优于当前主流的目标检测算法,适用于结直肠息肉的病灶检测。 (2)为准确判断结直肠息肉的边界特征信息,本文提出了GEACU-Net模型。该模型以U-Net模型作为基础架构,首先引入一种新的特征提取方法“全局注意力跳跃连接融合”(Global Attention Skip Connection Fusion,GASCF),在特征提取模块中引入全局注意力机制(Global Attention Mechanism,GAM)处理每一层的跳跃连接信息,改变原始网络结构进行跳跃连接处的信息融合,增强对特征区域的关注;其次,在最后一个编码器后使用有效金字塔挤压注意力(Efficient Pyramid Squeeze Attention,EPSA)模块进行特征滤波,有效融合多尺度上下文特征;紧接着引入空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块以获取全局上下文信息,增强了模型对多尺度特征的捕捉能力,提高了语义分割的准确性;最后,解码过程中采用紧凑的分散注意(Compact Split Attention,CSA)模块,增强全局和局部的信息获取能力。本文模型在四个公开数据集上的实验结果表明,其在提升息肉分割精度的同时,能够更精确地刻画息肉的边缘细节,展现出模型较强的适用性和稳定性。 (3)针对上述研究内容的实际应用问题,本文基于Py Qt5框架开发了一款结直肠息肉病灶检测与分割的软件。该软件提供了直观且用户友好的交互界面,包括用户注册登录、息肉病灶检测和息肉病灶分割模型权重的导入以及初始化、计算息肉个数以及息肉大小、数据保存导出等功能。此系统将PSM-YOLO与GEACU-Net两大模型进行结合,通过先检测后分割的流程,以辅助医院医生进行更加准确的诊断。

关键词： 自动驾驶   激光雷达   多模态融合   三维目标检测  

摘要： 随着自动驾驶技术的快速发展,实时三维目标检测成为提升道路安全和驾驶效率的重要技术。激光雷达和相机是主要的传感器,各有自己的优势和不足。激光雷达能提供精确的深度信息,但点云数据稀疏,难以捕捉细节。相机能获取丰富的纹理和颜色信息,但在深度感知上较弱。本文提出了一种基于激光雷达和相机融合的实时三维目标检测方法,结合两者的优点,弥补单模态检测的不足,提高检测的精度和鲁棒性。针对现有方法在点云体素化、等变性检测、多模态融合方式及实时性方面的不足,本文开展多模态融合实时3D目标检测方法的研究,并验证所提方法的有效性。主要研究贡献如下: 针对纯激光雷达检测方法存在体素化难以适应多尺度物体和检测缺乏考虑等变性的问题,本文设计了一种基于多尺度体柱化的等变检测模型。通过构建双网格系统实现局部细节与全局语义的协同表征,增强提取不同尺寸目标点云特征的能力。设计包含旋转变换与对折变换的等变池化模块,利用双线性插值与最大池化实现特征空间对齐,使模型在目标姿态变化时保持检测稳定性。实验表明,该方法在KITTI数据集车辆检测任务中较基准模型3D m AP平均提升1.98%。开发基于TensorRT的轻量化部署框架,通过算子融合与混合精度量化技术,该单模态方法在Jetson AGX Orin平台达到71 FPS实时推理。 基于上述优化的点云处理技术,针对多模态融合检测方法中点云数据增强适用性差和端侧推理体柱化耗时高的问题,本文设计了基于深度补全和CUDA加速的融合框架。采用深度补全网络生成稠密伪点云,构建统一坐标系下的多模态数据增强策略,突破传统方法无法应用点云增强的技术瓶颈,提升困难场景下3D目标的检测精度。设计并行化CUDA内核优化体柱计算流程,使预处理耗时降低98.3%。在KITTI测试集上行人和骑行者困难场景检测中,精度较单模态方法分别提升7.09%和6.41%。 搭建实车验证平台并设计无人车感知系统,对相关传感器联合标定后采集并标注实车数据集,将本文的多模态方法集成至机载计算单元中。通过CUDA加速和TensorRT优化,最终本文的多模态方法在边缘端达到22.7 FPS实时检测性能,在自制实车数据集上保持85.36%m AP的同时满足推理时间小于50ms时效约束。

关键词： 角度方差   异常检测   基于特征的检测   小目标检测   海杂波  

摘要： 随着目标的隐身化和小型化发展,海面小目标检测已成为雷达遥感的一大挑战。由于雷达截面(RCS)小、速度低,小目标的雷达回波很弱,容易淹没在海杂波中。在低掠射角下,海尖峰的雷达回波与小目标的回波相似,导致误报率(FAR)急剧增加,使海面目标检测的难度明显增大。为提升海面小目标检测能力,可在现有检测过程中引入更多包含其他领域和角度信息的雷达回波。为了能够更加充分的利用雷达的四种极化信号信息,本课题设计了极化特征来提高计算效率,并将改进的ABOD算法融入到特征驱动的检测机制中,以克服高维空间对计算性能的约束,从而提升在不同检测环境下对海面弱目标的检测性能。 本文的主要研究内如下: (1)对海杂波背景下目标检测的方法进行分析。首先,分析了各种海面目标检测的方法,给出了各种基于分布的检测方法和基于特征检测的检测方法。然后,对海杂波的特性进行了分析,分别从幅度分布和频谱特性方面对海杂波特性进行分析,为后续的研究建立理论基础。 (2)提出基于特征构建的海面小目标检测方法。首先,从极化域、相域、时域、频域和时频域等多个维度提取多维特征,利用随机森林算法对多维特征的重要性进行量化评估。为了充分利用极化域信息,将相同特征在不同极化方式下的归一化重要性作为极化域特征的线性加权系数构建基于极化域的特征,从而将高维极化特征有效地压缩。由于凸包算法的维数限制,利用上述得到的重要性量化评估结果,选择重要性最高的三个特征,并利用凸包算法对选择的3维特征进行异常检测得到相应结果。根据实测数据库上的实验结果表明,所提出的特征检测器比现有的三特征检测器准确率平均值提高2.5%以上。 (3)提出基于改进角度方差的海面小目标检测方法。首先,由于传统异常检测算法存在维数限制,不适合结合多个特征进行检测的问题,因此将基于角度方差的异常检测算法引入到漂浮小目标检测中,解决“维数灾难”问题。提出了一种基于K个边界点的改进算法,开发了一种可用于海面小目标检测的新型虚警可控检测器。在公开和公认的数据库上对该检测器的检测能力进行了评估。实验结果表明,基于多特征角度方差的检测器性能比基于多特征距离或密度的检测器准确率平均值提升3.1%以上。

关键词： 毫米波雷达   雷达点云增强   目标检测   决策级融合  

摘要： 应急救援场景中,浓烟、高温、低能见度等极端环境威胁着搜救人员的安全也影响着搜救效率,因此利用智能无人设备协助救援人员高效地完成任务具有重要的应用价值,这就要求智能无人设备具备在复杂环境中精确的环境感知与目标检测能力。然而,常见的光学传感器在这些环境中会受到一定的限制,如视觉传感器会因光线不足或烟雾遮挡影响其性能,激光雷达会因烟雾限制探测范围并且产生严重的信号干扰。因此,本文利用毫米波雷达在恶劣环境中具有鲁棒性的特点,将其与视觉传感器、激光雷达等光学传感器进行优势互补,针对救援场景(主要考虑烟雾场景)中的人员目标检测问题展开研究。本文的具体工作总结如下: 1、针对毫米波雷达在较为复杂的室内环境中信噪比较低和伪影较多的问题,本文提出了一种数据预处理方法对原始数据进行去噪。该方法在雷达数据处理链上加入了抑制频谱泄露、阈值过滤和功率谱归一化三个部分,首先通过加入布莱克曼窗来抑制由于采样或FFT变换而产生的频谱泄露问题;然后利用阈值过滤来减少目标信号周围的噪声干扰;最后将雷达距离-方位角的功率谱进行归一化处理,来提高距离-方位角热图中目标信号与环境背景信号的对比度。 2、毫米波雷达本身点云稀疏且分辨率低,为了在目标检测任务中获得更准确的检测结果,本文设计了一种点云增强算法,并结合毫米波雷达环境鲁棒性优势,为该任务提供更加可靠的环境信息。该算法在U-Net架构上引入了稀疏边缘感知像素选择器模块,并且通过雷达数据在时间上的关联性来增强模型表现。以激光雷达点云为监督标签,从毫米波雷达距离-方位热图中提取特征,在边缘增强的基础上学习激光雷达点云的分布和其结构特点,生成高质量的雷达点云数据。 3、由于目标的形状或轮廓受到烟雾的遮挡,基于视觉传感器的目标检测算法出现漏检和误检的情况增多,对此本文设计了一种毫米波雷达与视觉融合的目标检测框架。首先分别使用“空间注意力-自回归模型”检测算法和YOLOv8检测算法,计算多个人员目标在毫米波雷达与RGB单目相机坐标系下的位置信息,并实现两类数据的时空同步;然后根据目标距离关系建立毫米波雷达与相机对应数据的二分图模型,利用匈牙利算法实现数据匹配;最后,通过基于距离偏差的权重分配函数,根据场景实时调整权重,对目标位置进行决策级加权融合,实现了此场景中更精确的人员目标检测。