关键词： 智能红外相机   野生动物跟踪   深度学习   目标检测  

摘要： 随着全球野生动物保护意识的不断提高,野生动物监测已经成为生态保护和研究的重要手段。传统的野生动物跟踪方法依赖于动物佩戴无线传感器或者GPS设备,但此类方法存在对动物的干扰、跟踪设备的丢失和难以适应复杂环境等问题。基于红外相机的野生动物跟踪系统作为一种对于野生动物干扰较小的监测和跟踪手段一直以来都有广泛应用。 传统红外相机在野生动物监测和跟踪中面临着以下问题:(1)在复杂野外环境中进行野生动物目标检测时,对目标形态变化剧烈、复杂背景干扰严重以及在遮挡和低光照条件下检测精度不足;(2)传统轨迹跟踪方法在处理动物运动的非线性特征时跟踪预测准确性不足;(3)缺乏适用于智能红外相机网络的定制化野生动物活动跟踪系统。针对以上问题,本文设计了一种基于智能红外相机的野生动物跟踪系统。主要研究内容如下: (1)基于A-L Net的野生动物目标检测算法研究:提出一种基于A-L Net的野生动物目标检测算法,用于智能红外相机目标识别模块。通过引入AKS-Conv模块有效增强了对多尺度、多形态野生动物目标的适应能力,以解决传统卷积方式对目标形态变化适应性较差的问题;通过引入LFP-Attention优化了特征融合过程,提高了算法在低光照、遮挡等条件下的目标检测稳定性;通过设计PAIo U-Loss损失函数,动态调整预测框权重,有效提高了在复杂背景环境下目标检测精度。 (2)基于TF-KF的野生动物跟踪算法研究:提出一种融合Track Former和Kalman Filter的野生动物跟踪算法,应用于智能红外相机目标跟踪模块,以解决非线性轨迹预测时跟踪预测准确性不足。Track Former通过轨迹编码器与单向遮掩机制对历史运动信息进行深入建模,精确捕获动物运动轨迹中的复杂时序特征;利用Kalman Filter对预测轨迹进行实时动态修正,降低传感器噪声及环境干扰对跟踪结果的影响,提升了轨迹跟踪的精确性与鲁棒性。 (3)基于智能红外相机的野生动物跟踪系统设计:设计了一套包括智能红外相机终端、数据传输网络、基于A-L Net的野生动物目标检测软件以及基于TF-KF的野生动物跟踪软件的完整系统。通过设计硬件终端解决在野外复杂环境下的供电安全、功耗控制、数据采集与传输以及多功能扩展等问题;并配合目标检测软件、跟踪软件与数据传输网络搭建了一整套定制化的野生动物跟踪系统。最后通过实验验证了整套系统在野生动物的监测跟踪任务中的有效性和实际应用价值。

摘要： 冰是水的固体形态,当气温降到0℃以下时,便可以见到状如玻璃或水晶的结晶了。拍摄冰,既是一种乐趣,也是一种技能的历练。有时候需要掌握透射光的特点与运用技巧;有时候又必须考虑镜面反射的光影效果;而更多的时候需要把握和表现冰的造型与它的特殊质感;同时还要通过后期加以修缮和补正。

关键词： 小样本目标检测   多尺度特征融合   可形变卷积   注意力机制  

摘要： 传统目标检测算法通常依赖海量标注数据以实现高精度,但在军事侦查、濒危物种监测和罕见病诊断等领域,图像数据极其稀缺,且标注成本高,导致传统方法在这些场景下表现不佳。因此,研究者们开始探索小样本目标检测技术,降低对大规模数据的依赖并减少标注成本。在小样本目标检测任务中,面临两个关键问题:一方面,由于目标尺度变化大、外观差异明显,特征提取往往不足,难以捕捉目标的细微信息,另一方面,新类别训练样本极为有限,导致模型在新类特征识别、全局特征表达和特征对齐方面表现不佳,进而严重影响检测性能。本文围绕上述问题提出两种改进算法。 (1)针对目标尺度变化大、外观差异明显问题,提出基于可形变卷积与多尺度平衡特征融合的小样本目标检测算法(Deformable Convolution and Multi-scale Balanced Feature Fusion-based Few-Shot Object Detection,DMB-FSOD),该方法基于迁移学习框架。首先采用基于分组卷积架构的Res Ne Xt-101作为特征提取网络,以提升对复杂图像特征的表达能力,其次,通过引入可形变卷积核,增强模型对目标形态变化的适应力,然后,设计BDFPN多尺度特征融合网络,在FPN中利用Drop Block正则化结合BFP模块实现各尺度特征的均衡融合,最后,采用主要样本注意机制(PISA)对样本进行加权排序,重点优化对检测性能贡献较大的样本,从而提高模型的泛化能力和检测精度。实验结果表明,在PASCAL VOC与MS COCO数据集上,相较于经典的小样本目标检测模型FSCE,DMB-FSOD在Novel Set 1–3条件下精度提升达到2.5%–11.9%,且在10-shot和30-shot场景下,m AP分别提高了1.2%和2.4%。 (2)针对新类特征识别和特征对齐方面表现不佳问题,提出融合全局注意力机制与可变形ROI池化的小样本目标检测算法(Global Attention and Deformable Ro I Pooling-based Few-Shot Object Detection,GAD-FSOD),该方法基于元学习框架Meta-RCNN。首先将全局注意力模块嵌入到Res Net-101骨干网络与RPN中,通过动态建模全局特征,增强模型对关键信息的提取并优化候选框生成质量,同时抑制背景干扰。此外,通过可变形ROI池化模块动态调整采样位置,实现更精细的特征对齐与提取,从而进一步提高目标定位的准确性和稳定性。实验结果显示,在PASCAL VOC数据集上,对比模型FSCE,GAD-FSOD在Novel Set 1中的检测精度提升介于1.7%–14.4%,在Set 2中多数情况下获得显著改进,最高提升达到11.8%,而在Set 3中表现稳定,提升最高为2.9%。

关键词： 病害识别   目标检测   深度学习   YOLOv5s   注意力机制  

摘要： 马铃薯是全球农业系统中的粮食作物,中国是重要的马铃薯种植大国。作为重要农作物,马铃薯病害问题相对突出,不仅影响农业经济效益,还带来生态和食品安全风险,引发广泛关注。然而,当前基层病虫害防控体系存在专业人才短缺、诊断技术相对落后等问题,亟待开发高效、精准的病害识别与防控技术。在计算机视觉与人工智能技术快速发展的背景下,本研究基于YOLOv5s目标检测模型,针对马铃薯病害图像的自动识别问题开展了一系列研究,主要工作如下: (1)本研究设计了一种双向特征选择病害识别算法,通过嵌入Biformer注意力模块构建多尺度特征自适应选择机制。该模块采用双向编码结构建立空间-通道双域特征交互路径,使模型具备动态增强病灶区域响应强度的能力。相较于基线模型,该架构通过建立特征重要性分层评估机制,有效降低背景噪声干扰下的特征混淆概率,在复杂纹理背景下展现出更强的病斑边界保持能力与误检抑制特性。改进后的模型在测试集上的平均精度均值从0.951提高到0.972,病斑边界的定位误差减少了18%,误检率从基线模型的4.2%降至2.1%。 (2)本研究提出了高效轻量特征融合架构,通过协同优化梯度更新策略与损失函数机制提升模型性能。采用Sophia优化器来加速收敛过程;设计自适应WIo U损失函数依据样本难度分配梯度增益,抑制离群样本干扰。该架构在降低冗余信息处理负荷的同时,实现特征学习效率与精度的协同提升。改进后的模型在保持高精度的同时,模型大小从基准模型的13.7MB缩减至12.4MB,检测速度达到了58FPS,满足实时检测需求。 (3)本研究开发了马铃薯叶片病害识别的多场景应用系统,包括移动端和桌面端两类应用软件。移动端采用微信小程序框架开发,集成图像采集、上传及检测可视化流程,支持农户田间实时拍摄叶片图像并获取即时诊断结果;桌面端系统基于Tkinter架构实现,提供批量图像导入及病害类型告知功能,满足专业农业人员对病害类型识别的精细化需求。

关键词： 计算机视觉   深度学习   猪只识别   YOLOv5  

摘要： 当前的猪只识别技术在复杂环境下识别时间长、误识率高，为了提升猪只识别与行为监控的效率与精度，本文进行了猪只识别技术研究。研究利用改进的YOLOv5模型，结合数据采集、预处理与特征提取方法，以达到猪只身份与特定行为识别的目的。分析结果表明，该方法在复杂环境中具备较高的识别精度与适应性，为智能化养殖管理提供了重要技术支持，对养殖业数字化转型具有实践参考价值。

关键词： 多源信息融合   空中集群目标   目标检测   多目标跟踪  

摘要： 随着空中集群目标在军事、安防等领域的广泛应用,对其实时且高精度地进行检测与跟踪已成为一项关键而具有挑战性的任务。传统方法在面对远距离观测、复杂背景干扰以及多目标交互等场景时,难以有效保证检测与跟踪的精度与稳定性。为此,本文提出融合红外图像、可见光图像和激光雷达测距信息的方法,以提升空中集群目标的检测精度与跟踪能力。 1)针对多源数据难以时空同步与有效融合的问题,提出一种多源信息融合算法。通过多传感器时空同步、图像配准和特征级融合等技术,本研究有效应对了不同传感器数据之间的融合难题。本文探讨了时间同步和空间同步技术,研究了一种基于多尺度变换的自适应图像融合方法,并利用非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)实现了图像的多尺度、多方向分解。针对低频和高频分量,采用差异化的权重分配策略,进而通过逆变换重构出融合图像,并进一步融合激光雷达测距信息以实现三维目标定位。最终构建了一个高效的多源信息融合框架,有效解决了空中集群目标检测和跟踪中存在的多源数据同步与融合难题,提升了检测与跟踪的准确性。 2)针对弱小空中目标在复杂背景中易被遮掩的问题,提出一种融合灰度与梯度信息的多尺度联合增强目标检测算法。开展了基于融合图像的检测算法研究,构建以局部均值为基础的对比度响应模型,引入基于图像梯度的响应图,对前述对比度响应进行加权,有效压制边缘与纹理干扰,突出弱小目标响应。本文自建多模态仿真平台,设计了典型的集群目标飞行场景,并开展了多组检测实验。实验结果表明,所提出方法具有较强的鲁棒性与实用性:在目标聚集与交叉场景中,融合图像的检测精度和召回率较单源红外图像分别提高了4.1%和3.9%;在协同编队场景中,检测精度和召回率分别提高了4.1%和3.8%,结果表明,融合图像提升了检测性能,验证了其在弱小目标检测任务中的有效性与适用性。 3)针对传统二维跟踪方法缺乏深度信息,目标身份一致性差的问题,提出一种基于多模态数据融合的三维目标跟踪算法,命名为FusionTrack3D。构建了融合多源传感信息的三维状态估计模型,并引入卡尔曼滤波器对目标的空间位置与运动状态进行动态估计与优化建模。在此基础上,提出结合JPDA的分阶段数据关联方法,以增强多目标跟踪中的身份一致性保持能力。实验结果表明,FusionTrack3D在目标聚集与交叉、协同编队两类场景下,较二维跟踪方法Deep SORT在Precision、Recall和MOTA指标上均取得更高跟踪性能,最大提升幅度分别为3.7%、3.5%和4.8%,表明三维状态估计与多模态融合方法在空中集群目标跟踪中具有一定优势。

关键词： 目标检测   路径规划   YOLOv8   A   DWA  

摘要： 针对纺织工厂中人工检测空纱筒存在劳动强度大、效率低等问题,本研究提出一种融合视觉检测与路径规划的纱筒巡检机器人系统,实现空纱筒的自动化检测与搬运任务。整个系统核心算法创新包括纱筒检测算法优化与路径规划改进两个维度。 在视觉检测算法方面,对于传统YOLOv8n算法检测空纱筒存在精度低、推理时间长等问题进行算法改进。架构层面引入Swin Transformer模块,通过将输入图像分割成固定大小的特征图而不是整幅图像传入网络,加快模型推理速度;运算单元优化使用DWConv代替传统卷积模块,降低模型的计算复杂度和内存占用;引入一种超轻量的动态上采样算子Dysample,采用基于点采样的方式进行上采样,充分利用纱筒特征图的语义信息,有助于模型更好的提取纱筒特征;注意力机制改进方面,在C2f模块引入级联群体注意力（CGA）机制,通过多组件级联架构优化特征融合层。经实验验证,相比于原始YOLOv8n算法,改进后算法的精准率达96.9%（+1.8%）、召回率达98.0%（+7.3%）、m AP达99.3%（+4.3%）。为进一步满足嵌入式部署需求,采用结构化剪枝压缩模型参数43%,结合知识蒸馏技术保持模型精度,最终通过8位整数量化实现检测速度158FPS（+108%）,模型体积缩减至1.6MB（-87%）,满足工业场景实时检测需求。 在路径规划方面,针对传统A*算法搜索效率慢、拐角多等问题,在A*算法的启发函数中添加动态权重系数和拐角优化算法,减少搜索时间,避免不必要的拐弯。提出一种改进的动态窗口法解决DWA算法容易陷入局部最优解的问题,将全局路径算法和局部路径规划算法融合的轨迹曲线进行二阶贝塞尔曲线优化,提高运动轨迹的舒适性和稳定性。 最终对部署后的纱筒检测模型进行了后处理算法优化解决模型检测纱筒存在的定位误差和类别错误问题,并搭建了一套纱筒巡检平台人机交互界面用于服务工厂生产。