关键词： 目标跟踪   任务调度   Kubernetes   分布式协同  

摘要： 搭载视觉传感器的无人设备通过目标跟踪算法可以实现实时视频分析,在灾害救援、智能监控等场景中具有重要应用价值。目标跟踪任务涉及多模块分布式协同,传统部署方式资源分配不均、任务调度不灵活,因此可以结合容器化技术和Kubernetes编排工具,高效整合计算资源,通过调度策略实现任务部署。但现有的调度策略对多类型资源的分配策略单一、任务之间缺乏协同调度,且任务执行不同阶段存在着需求差异。针对上述问题,本文提出了基于分布式协同的目标跟踪策略,具体工作如下: 1.改进消去与选择转换法的多类型任务调度算法:为了满足目标跟踪任务对多种类型资源的需求,本文首先定义了计算密集型和数据密集型任务对资源的不同需求,结合最优最劣赋权法对资源指标赋权,综合考虑CPU、内存、磁盘、网络使用情况,使用改进的消去与选择转换法选择最优节点。通过实验证明了该算法提高了资源匹配精度,有效地降低了节点资源竞争引发的性能瓶颈。 2.提出基于任务依赖关系的协同调度算法:针对目标跟踪的多任务部署没有考虑任务之间关系的问题,本文提出了一种创新的协同调度策略,通过上传任务的依赖关系DAG图,结合列表调度计算出任务执行的关键路径和关键任务,确定任务调度的顺序,通过算术优化算法确定调度节点,同时考虑了系统的负载均衡和关键任务的执行效率。通过实验证明了该策略可以引导整体任务更快启动执行。 3.提出基于分布式协同调度的目标跟踪策略:针对多板卡异构无人设备执行目标跟踪任务背景下任务协同问题,本文构建了云边端协同架构,明确视频采集与处理的层级分工,设计了由四足机器人、无人车和无人机组成的异构设备集群,并根据设备特性搭载计算资源。通过基于分布式协同调度的目标跟踪策略,将目标跟踪任务分解为目标检测、目标关联和目标重识别等模块,在任务执行前后分别应用本文提出的协同调度与多类型任务调度算法,实现目标跟踪任务的分发与执行。通过实验证明了该策略在真实的场景中快速部署和执行目标跟踪任务的能力。 4.实现目标跟踪任务协同调度与可视化监控的系统:为了方便使用本文算法对目标跟踪任务进行调度,本文设计并实现了分布式协同调度系统,展示任务执行情况以及与节点之间的关联关系。

关键词： 图像处理   同态加密   TenSEAL   密文运算   SFTP  

摘要： 随着数字化进程的加速推进,数据安全与隐私保护已成为全球关注的焦点。图像数据因其高敏感性和广泛的应用场景,在传输与计算过程中面临窃取、篡改和泄露等风险。传统加密技术虽能保障传输安全,但需在解密后方可处理明文数据,存在隐私暴露隐患。同态加密技术因其“密文计算”特性,允许在不解密的前提下直接对加密数据进行处理,为隐私保护提供了新思路。然而,现有同态加密方案在图像处理领域仍面临效率瓶颈与复杂运算支持不足的挑战,例如大规模矩阵运算的高耗时问题、密文传输中的安全性保障不足等。如何设计高效且安全的图像密文处理与传输方案,成为亟待解决的关键问题。 本文以同态加密技术为核心,结合图像处理需求,提出了一套完整的图像数据安全传输与计算方案。首先,基于TenSEAL库,设计了图像矩阵密文运算方案,涵盖矩阵加减法、哈达玛积卷积运算等,通过将多维矩阵分解为单维向量并优化编码方式,实现了密文状态下的高效计算。其次,提出图像密文传输计算方案,利用TenSEAL的序列化功能将密文与密钥转换为字节流,结合SFTP协议构建安全传输通道,确保密文在传输过程中免受篡改。最后,基于上述方案开发了可视化图像保护系统,系统分为用户端与第三方端,用户端负责数据加密与解密,第三方端仅处理密文计算,两端通过SFTP协议交互,有效隔离了原始数据与第三方接触,实现了端到端的隐私保护。方案通过降低多项式模度优化计算效率,并采用零填充、矩阵分块等技术适配不同规模的图像处理需求,解决了传统同态加密在图像场景中的局限性。 实验结果表明,本文方案在保证数据安全性的同时,具备较高的可行性。根据测试显示,密文处理后的图像与明文处理结果的峰值信噪比(PSNR)完全一致,验证了算法的正确性;与近期同类研究对比,系统支持加减法、乘法、哈达玛积及卷积等操作,运算速度达4.3 MB/s,密文膨胀率控制在12倍左右,优于FHE方案,适合中小等规模密态图像处理,且PSNR达50 d B,适用于医学影像等高保真场景。此外,基于SFTP协议的可视化系统成功实现了密文传输与处理的全流程闭环,有效抵御中间人攻击与数据篡改。未来研究可进一步探索矩阵分块并行计算,优化库底层逻辑以提升大规模图像处理效率,推动同态加密技术在医疗影像、遥感数据分析等领域的实际应用。

关键词： 中药饮片   YOLOv8   深度学习   图像识别   目标检测  

摘要： 目的 解决中药饮片种类繁多、形态相似，人工识别耗时费力且易出错的问题。方法 构建了包含201类中药饮片的数据集，并提出了一种轻量化改进的YOLOv8算法，具体改进包括在YOLOv8n网络中引入GhostC2f模块以降低模型参数量，采用DySnakeC2f模块以增强对纤细结构的灵敏度，替换主干网络的池化层为SimSPPF模块以加快推理速度，并加入坐标注意力（coordinate attention,CA）机制以增强对小尺寸目标的特征提取。结果 改进后的算法跨阈值平均精度（50%～95%）达到84.16%，较之前提高了4.39%，同时模型参数量减少了约15%。改进的模型成功部署在电脑客户端和手机APP中，构建了中药饮片自动化识别标注系统。结论 改进后的模型能够有效识别中药饮片，同时系统支持自动数据扩充和升级，从而为中药饮片的快速、准确识别提供了一种新方法。

关键词： 松材线虫病   目标检测   定位技术   YOLOv8   无人机巡检  

摘要： 松树作为我国森林生态系统中的重要组成树种,占据人工林面积的七成以上。松材线虫会使寄生树木全株迅速枯萎死亡,传播速度非常快,并且发病周期比较短,被称为松树的“癌症”,防治难度极大,严重影响了当地的生态安全。传统的人工巡检方式已经不能适应松材线虫病疫木的巡检需求,采用无人机进行病疫木巡检成为提高巡检效率和准确性的关键途径。然而在复杂的林地环境中,如何实现高效且精确的识别和定位成为了当前面临的难题。本文针对松材线虫病疫木检测及定位问题进行研究,主要研究内容如下: 针对检测算法,提出基于DALYOLO的松材线虫病疫木检测算法。在该算法中,首先提出了一种深度残差瓶颈模块（Deep Residual Bottleneck Module,DRBM）,来解决C2F模块在处理更复杂特征提取或需要高度动态性的任务中,梯度优化不足,深层网络训练困难的问题;然后结合空间注意力和标准卷积的优势,设计出一种全新的自适应权重的下采样卷积（Adaptive-weight Downsampling Conv,AWDConv）,解决了卷积核参数共享的问题,从而提高了网络的特征提取能力和性能;最后提出了 Inner-WIoU损失函数,来控制高IoU和低IoU样本在回归中的不同重要性,尤其是对于低IoU样本的回归效果进行强化,解决了现有IoU损失在不同检测任务中面临的弱泛化性和收敛速度慢的问题。经实验验证,DALYOLO模型的mAP@0.5达93.5,准确率达90.4,FPS达179.3,在综合性能上遥遥领先于Faster R-CNN,其推理速度也表现出了出色的实时性,更加适合实时检测任务,并且整体性能优于 SSD、EfficientDet、YOLOv5 和 YOLOv8。 针对定位问题,研究了基于坐标转换的无人机图像定位方法。通过DALYOLO目标检测算法对采集的图像进行目标检测和识别后,得到待定位目标。然后再通过IMU获取无人机的姿态角信息,再通过计算由无人机地理坐标系转换为相机坐标系。之后将相机坐标系中的三维坐标转换为世界坐标系中的三维坐标,最终便可以通过WGS-84坐标计算出目标的经纬度坐标。经实验验证检测结果的平均误差为4.9米,最大误差为6.95米,最小误差为3.2米,满足设计需求。 最后设计了松材线虫病疫木检测系统,该系统分为硬件系统和软件系统,硬件系统包括无人机平台、边缘计算设备、通信模块等。软件系统包括:设计了一款可视化界面,用于检测松材线虫病疫木,并且可以输出病疫木的经纬度坐标。开发了一款松材线虫病疫木检测系统APP,包含病疫木信息上传、病疫木位置导航、除治结果上传与查看等功能。 经过上述研究与改进,本研究显著提高了松材线虫病疫木检测的准确性和效率,为松材线虫病疫木检测提供了更加高效、智能的技术支持。DALYOLO模型的优化和高精度的无人机图像定位方法,使得病疫木的检测与定位精度达到了实用标准,并且包含可视化界面和APP的病疫木检测系统可有效提升病疫木监测与治理的智能化水平。

关键词： 目标检测   神经网络   无人机检测   小目标   轻量化  

摘要： 由于无人机体积小、空域背景复杂且容易与鸟类等天空目标混淆，已有的目标检测模型精度不足。虽然增加模型规模可以在一定程度上提升检测精度，但也会降低模型推理速度、增大参数量与计算量。此外，目前可用于小目标无人机检测的数据集缺乏，难以有效支持无人机检测方法设计。针对以上问题，首先根据现有的开源无人机与鸟类检测数据集，采用基于目标面积压缩的小目标样本增强方法，构建一个可用于小目标无人机与鸟类分类任务的数据集。然后，对YOLOv8模型进行改造，通过使用轻量级自适应下采样卷积结构(LADC),建立了轻量级模型YOLO-LADC,可以在降低模型参数量和计算量的同时提升检测精度。更进一步，在YOLO-LADC的颈部网络增加分支结构得到YOLO-LADCS模型，以更好地适应小目标无人机检测任务。对比实验表明，YOLO-LADCS能够在参数量相比YOLOv8的轻量级衍生版本YOLOv8n减少14%的情况下，将小目标检测的平均准确率提升约1.1%。

关键词： YOLOv8算法   目标检测   PyQt5图形界面框架  

摘要： 工地工作环境相对危险，穿戴安全帽和反光背心等工地基础防护用具的安全防范意识非常重要，如果疏忽，工人的人身安全将存在巨大隐患。针对以上问题，设计一个以工地为背景的基础防护用具检测系统。该系统基于YOLOv8目标检测网络模型和PyQt5图形界面框架，具有检测图片文件、视频文件、摄像头实时检测及检测结果统计等功能。经实验测试，系统最终的平均检测精度达到89.7%。

关键词： 暗光目标检测   Retinex理论   机器视觉   暗光图像增强  

摘要： 随着深度学习的发展,自动驾驶、安防监控、人脸识别等技术已经再日常生活中广泛应用,而暗光环境下的目标检测问题逐渐成为计算机视觉领域中的重要研究方向。传统的目标检测算法通常在光照良好的环境中训练和测试,而在暗光条件下,这些算法的性能显著下降,主要表现在图像对比度的降低、细节丢失以及背景噪声的增加等问题。暗光图像增强网络能够提升如目标检测等下游任务的检测性能,然而大多数方法都忽略了两个问题:(1)面向人类视觉的暗光图像增强算法不一定适用于暗光场景下的目标检测任务,存在增强过程耗时久、检测结果精度低的问题;(2)对暗光图像进行全图增强是非必要的,背景中的噪声会在增强时被放大而误导目标检测器。 针对第一个问题,本文提出基于高效语义引导的机器视觉暗光增强网络EMV。EMV基于Retinex理论图像分解机制与深度学习特征增强技术,通过与目标检测模型YOLOv3进行端到端连接,构建出EMV-YOLO联合优化框架。区别于传统级联式处理方法,本框架通过端到端的联合学习范式,实现了图像增强与目标检测任务的协同优化。具体而言,该模型包含两个核心模块:1)基于物理先验的Retinex分解网络,通过可学习的图像分解模型将输入图像分解为反射分量与光照分量;2)语义引导的潜在空间特征增强模块,采用语义注意力机制使网络可以自适应地对图像中有用的语义信息进行增强,从而提升图像的目标特征表现。EMV-YOLO在Ex Dark和Dark Face两个典型暗光数据集上的实验分别取得79.7%和57.4%的m AP50检测精度,较基线YOLOv3模型(76.4%/48.3%)实现3.3%和9.1%的显著提升,验证了EMV-YOLO的有效性。 针对第二个问题,本文提出了面向目标区域增强的机器视觉暗光增强网络TGE-Net。TGE-Net突破传统全图增强范式,建立基于目标导向的差异化增强机制,通过与YOLOv3构建TGE-YOLO联合检测框架,实现了前景特征强化与背景噪声抑制的协同优化,从而避免了背景特征的变化和噪声的放大。在训练过程中结合了知识蒸馏技术,利用预训练的语义分割模型SAM对TGE-Net进行指导,学习前景和背景的语义信息。通过对分割得到的背景添加过滤掩码,尽可能使得增强仅发生在目标区域,从而提升了目标检测的准确性。通过在Ex Dark和Dark Face数据集上的实验表明,TGE-YOLO分别达到80.0%和57.6%的m AP50检测精度,较EMV-YOLO(79.7%/57.4%)提升0.3%和0.2%,验证了TGE-YOLO的有效性。 综上所述,本文提出的算法能够有效解决暗光环境下目标检测中的关键问题,为此类问题提供了新的解决方案,并在实际应用中具有重要的价值和意义。

关键词： 自动驾驶   多模态   目标检测   自适应   注意力机制   深度学习  

摘要： 近年来,人工智能技术的发展推动了自动驾驶方案的落地。在自动驾驶系统中,感知系统是保障车辆安全运行的重要一环,其中3D目标检测任务是其重要组成部分。目前主流3D目标检测任务普遍会使用激光雷达和可见光相机两种传感器进行多模态检测任务。多模态目标检测任务有着高鲁棒性的特点,但是其对每种模态数据的质量要求较为严格,若其中任意一种模态的数据质量有问题,则会影响最终检测精度。本文针对目前多模态目标检测算法中存在的问题展开研究,本课题主要工作如下: (1)提出了伪点云生成及稠密补全算法。由于点云近密远疏的性质,导致远处的点较为稀疏,难以有效表征远处目标。因此本课题使用可见光图像生成伪点云对点云进行补全。首先使用PENet算法进行深度估计获得图像的深度图;然后再使用内外参矩阵将2D深度图转换为稠密的伪点云;最后提出基于原始点云的分阶段引导滤波算法对伪点云进行滤波,将滤波后的点云添加到原始点云文件中,完成对点云的稠密补全,解决由于点云过于稀疏导致的检测效果不佳的问题。 (2)设计了自适应特征增强融合结构。由于激光雷达和可见光相机获取数据的方式不同,在不同工作环境下,点云文件和图片文件包含的信息量不相同,从而影响融合特征的质量,因此本课题提出自适应特征增强融合结构。首先将从图像中提取到的语义特征映射到点云中,统一两者的格式;然后使用语义特征增强空间特征,让形状特征学习到重点语义的位置,变为富语义空间特征;最后使用自适应加权的方式融合富语义空间特征和形状特征,使其在不同工作环境下可以自适应调节不同模态的重要性,从而提高检测算法的精度。 (3)提出了基于3D注意力机制的双阶段多模态目标检测算法。多模态目标检测算法相比于单模态检测算法多了一种模态的输入,存在更多冗余信息,因此可能会影响算法精度。故本课题通过引导网络关注重要信息的策略来提高检测精度。首先本课题选择使用平移窗口的多层视觉Transformer骨干网络,增强图像特征的提取能力;然后添加基于三维空间的注意力模块,在不增加网络参数的情况下,为特征提供注意力权重,使其更加关注有用信息;最后在检测头部分使用了双阶段3D检测头,提取出感兴趣区域后引用体素池化操作的方法提取感兴趣区域特征进行重点检测,解决冗余信息过多的问题。