关键词： YOLOv8   目标检测   区块链   属性基加密   道路损害  

摘要： 随着城市化建设的快速推进,道路交通基础设施的维护与管理变得日益重要。道路损害检测与审批不仅关系到交通安全,还直接影响城市基础设施的运行效率、公共出行体验以及政府资源的合理配置。然而,传统的道路巡检方式依赖人工检测,不仅检测效率低,易受主观因素影响,导致误报或漏报,而且审批流程复杂,容易造成审批延误、数据不透明、管理混乱等情况。此外,传统系统往往采用中心化数据存储方式,存在数据篡改、信息泄露、存储成本高等隐患。因此,如何提高检测准确率、优化审批流程、确保数据安全性和可追溯性,是当前道路处置面临的重要挑战。 针对上述问题,本文提出并实现了一种基于深度学习、区块链、去中心化存储及密码学技术的道路损害检测与审批系统,旨在构建高效、智能、安全、透明的道路损害管理方案。本文的具体研究工作如下: (1)在道路损害检测方面,本文对YOLOv8(You Only Look Once Version 8)目标检测算法进行了优化,提出了RDD-YOLO(Road Damage Detection Algorithm Based on Improved You Only Look Once Version 8),该算法通过优化特征提取网络、引入注意力机制等方法,提高了模型的精度,减少了模型中的冗余信息。在RDD2022数据集上进行的实验结果显示,本文提出的RDD-YOLO模型在验证集上的mAP50和mAP50-95分别达到了62.5%和36.4%,相较YOLOv8x提高了2.5%和5.2%,在测试集上的F1分数达到了69.6%,相较YOLOv8x提高了2.8%。所提出的方法可以对道路损害进行准确定位和检测,节省人力和物力,为道路损伤评估和养护提供参考。 (2)在数据存储与安全性方面,本文结合区块链及星际文件系统(Inter Planetary File System,简称IFPS),实现了高效、分布式的数据管理方案。具体而言,系统采用IPFS存储大规模道路图像、修复报告和验收报告文件,极大降低了中心化存储的成本和数据丢失风险。同时,所有存储在IPFS上的数据均生成唯一的哈希索引,与存储在MySQL中的道路信息相关联。此外,系统采用密文策略属性基加密(Ciphertext-Policy Attribute-Based Encryption,简称CP-ABE)对用户身份信息、检测数据中的字段进行了加密存储,仅授权用户可解密访问,进一步提升了系统的数据安全性和隐私保护能力。 (3)在审批流程优化方面,本文基于区块链智能合约设计了一套自动化、透明的审批流程,包括巡检人员上报、检测算法识别、政府工作人员审核、养护公司修复、监查公司验收等关键环节。所有审批事件均通过智能合约执行,并存入区块链,确保流程透明,避免人为篡改和延误。此外,在审批出现异常(如操作违规、审批超时)的情况下,系统可以利用区块链存证信息进行溯源,精准定位问题来源,并迅速采取相应措施进行处理。

关键词： 光谱特性分析   低空飞行障碍物   目标检测   高光谱   深度学习  

摘要： 低空经济涵盖通用航空、无人机物流、精准农业等多个领域,其发展依赖于对低空空域的有效管理和资源优化。然而,低空飞行环境中,直升机驾驶员人眼观测能力有限且传统传感器技术难以有效检测复杂环境中的静态与动态障碍物,导致安全风险较高。针对以上问题,本文通过分析不同障碍物材料在可见光、近红外等多个光谱波段下的反射和吸收特性,获取障碍物目标与背景的差异特征,进而创新研究目标检测与识别算法,实现对复杂背景中障碍物目标的精准识别,具体研究工作如下: (1)低空飞行障碍物目标与背景统计及目标材料光谱特性研究 针对实际低空飞行场景的复杂性和障碍物分布特点,本文主要研究分析了电线、飞行器(无人机)、树木、建筑物等四类障碍物目标的材料光谱特性。采用傅里叶红外光谱仪和高光谱分析技术分别对四类目标进行成分鉴定与光谱特征提取。实验结果表明,由于不同材料所含的化学基团和化学键各不相同,它们在光谱上的表现也具有显著差异,这为障碍物目标与背景环境的区分与提取提供了理论依据。 (2)低空飞行障碍物目标可见光识别算法研究 本文采集并制作了低空飞行障碍物目标的可见光波段图像数据集。通过对现有主流可见光目标识别算法的性能特征进行综合分析,选择在实时性与计算效率方面表现突出的YOLO系列算法作为识别框架。针对细长形状的障碍物目标易被误判为背景的问题,引入特征注意力机制,以增强对边缘轮廓与形状特征的关注,从而提高识别的准确性。实验结果表明,引入注意力机制后总体精度较现有YOLOv10算法提升了0.6%。 (3)基于自适应双边滤波的高光谱目标检测算法研究 本文采集并制作了低空飞行障碍物目标的高光谱图像数据集。首先,采用SG平滑滤波和乘法散射校正对高光谱图像数据进行预处理。之后,对高光谱数据进行波段选择以减少计算复杂度。最后,针对匹配滤波算法在高光谱目标检测中存在的噪声敏感、边缘模糊和阈值选择困难等问题,提出了基于自适应双边滤波的高光谱目标检测算法(BO-MF),通过开运算、双边滤波和自适应阈值处理提升检测准确性和鲁棒性。在6组数据集上进行实验,结果表明BO-MF算法在复杂背景条件下具有更优的目标识别性能。 (4)基于深度学习的低空飞行障碍物目标高光谱识别算法研究 为解决传统方法无法捕获长程依赖问题,本章提出一种基于状态空间建模与多尺度特征融合网络(ESMFF-Net)。该模型通过基于线性状态空间模型的建模方法,有效解决了传统方法无法捕获长程依赖的问题。同时设计多尺度卷积模块以增强不同尺度目标的识别能力。结合通道注意力机制(SE模块),模型能够自适应调整特征通道的权重,更加聚焦于高光谱图像中的关键区域。 此外,针对高光谱图像空间信息和光谱信息丢失问题,提出一种基于多尺度注意力空谱信息重构网络(MARCN)。该模型引入多尺度注意力机制以强化特征表达能力,并通过光谱信息和空间信息重构模块重建关键特征,有效缓解信息丢失问题。最后,结合交叉熵损失、Center loss与特征空间约束损失函数,提升模型的判别性和泛化能力。此外,重构模块设计成可拆卸模块,可以在训练阶段后移除,降低了测试过程的计算复杂度。实验结果表明,在数据集1-7中,两种方法识别精度分别达到了99.99%和100%、98.51%和99.30%、99.69%和99.99%、99.50%和99.71%、100%和100%、99.68%和99.77%、99.40%和99.90%,其中MARCN模型表现最优。

摘要： 计算机技术是当代社会发展的核心关键技术，对生产生活均产生一定影响，有利于提高生产效率、丰富人类生活。计算机图形设计色彩语言的应用是为了满足摄影作品发展对色彩语言提出的新要求。计算机图像处理是以计算机技术为基础的图像处理新方式，计算机技术的力量促使摄影作品的方法、视觉体验、色彩语言得到创新与升级，使图形设计更符合现代社会的发展要求。现代摄影作品中，更加注重融入色彩语言，不仅是计算机技术给予了技术环境，还是现代社会审美需求的变化。

关键词： 半监督学习   一致性正则化   伪标签学习   图像分类   图像分割  

摘要： 近年来,随着数据规模的快速增长,深度学习在计算机视觉等领域取得了突破性的进展。基于监督学习的深度神经网络已在图像分类、分割等任务中展现出接近人类水平的性能。然而,这种训练方式在实际应用中依旧面临着严峻的挑战:模型性能高度依赖于大规模高质量标注数据,而数据标注过程往往需要耗费巨大的时间和经济成本。这一局限性严重制约了深度学习在现实场景中的推广应用。如何利用少量标注数据或未标注数据有效训练神经网络,已成为当前深度学习领域亟待解决的关键问题。半监督学习通过协同利用少量标注数据和大量未标注数据进行模型训练,显著降低了对标注数据的依赖,因而成为计算机视觉领域的研究热点。为了推动该领域发展,本文聚焦计算机视觉中的图像分类和分割任务,系统性地研究了基于半监督学习的深度神经网络训练方法,重点探索如何通过一致性正则化与伪标签的协同优化来提升模型在有限标注数据下的性能。本文的主要研究内容与贡献如下: (1)针对现有方法存在的未标注数据利用效率低、类别不平衡和分布偏移等问题,本文提出CT-Match半监督学习方法。该方法基于自适应阈值和类别转移校正机制,通过神经网络为每个类别动态估计最优高斯阈值函数。此外,通过引入类别转移矩阵校正伪标签分布,有效地提升了半监督图像分类性能。 (2)针对现有分割方法因严格阈值筛选导致的未标注数据利用率低、边缘区域和少数类别识别困难的问题,本文提出Mask Match半监督分割框架。该框架通过动态区域不确定性估计提高伪标签使用效率,显著促进了模型在边缘过渡区域和少数类别的特征学习能力,并采用物体-背景对比学习策略,加大了物体与背景间的特征空间差距,显著改善了过渡区域的分割效果。 (3)针对单模型训练存在的伪标签质量不稳定、未能充分利用先验知识等问题,本文提出多模型加权一致性伪标签方法Fix Teacher。该方法通过教师-学生协同训练机制,结合阈值筛选和一致性正则化策略,有效提升了模型鲁棒性和准确性。 实验结果表明,本文提出的方法在多个基准数据集上均表现出优越性能,验证了所提半监督框架的有效性和鲁棒性。这些工作为半监督学习领域的发展提供了新的研究思路和技术方案。

关键词： 深度学习   目标检测   茶叶品质   Cascade-RCNN   YOLOv5   系统设计  

摘要： 当前扁形绿茶的炒制主要依赖单机操作,但随着人工成本的上升以及规模化生产过程中单机炒制控制的复杂性,导致大规模茶叶机械化生产的产品质量不稳定。因此,本研究旨在探讨在茶叶机械流水线中引入深度学习的可行性,在提高茶叶产量和品质的同时,实现生产线各环节的自动调节,减少人工干预成本。过去茶叶品质检测的方法,主要有人工感官法和理化检测法。人工感官受限于个人经验差异,难以应用于规模化的茶叶检测。理化检测法虽然能够提供较为客观的检测结果,但其检测速度较慢且有损检测的特点,也难以满足市场化需求。随着信息化的发展,深度学习技术已应用于茶叶研究领域,但现有研究主要集中于嫩芽检测和茶叶病害识别,针对生产线中的茶叶炒制环节的茶叶品质检测研究较少。因此,本研究引入了深度学习方法,对茶叶品质检测任务展开研究,旨在运用有别于传统茶叶品质检测方法,在茶叶炒制流程提高茶叶品质。 为了满足茶叶品质检测中对实时性和准确性的需求,本文构建了一种基于YOLOv5的茶叶品质识别算法YOLOv5-tea,并应用于名优绿茶的品质检测任务以提升在实际环境下的表现。首先,引入了基于膨胀卷积的TDC网络结构,有效提高提高神经网络神经元的感受野,同时减少了在提取茶叶微小特征过程中的信息损失。其次将传统的C3网络结构与Swin Transformer进行融合,提出了全新的C3STR模块,增强了模型对茶叶图像中全局信息的捕捉能力。最后在网络的颈部部分,加入了混合注意力机制,增强模型关注不同等级茶叶的细微差异的能力。结果表明,改进后的YOLOv5在保证检测速度的同时,拥有更强的检测精度。 为了通过引入茶叶品质识别算法到茶叶生产的茶机流水线的控制环节,以提高流水线上的茶叶生产品质。本文提出一种基于深度学习的茶叶机械流水线参数调优方法,并对其整体流程进行描述。首先,将YOLO算法应用于传统茶机流水线,通过图像识别技术,根据茶叶的外形、颜色等特征,构建茶叶品质评级机制。其次,采用前后端协同的方式,实现从摄像头采集图像、服务器进行图像识别到茶机参数自动调节的完整闭环流程。最后,分析各工艺环节的图像识别特征,并评估深度学习引入后对茶机茶叶产出质量的提升比例。 基于测试参数调优方法需求,采用前后端结合的方式开发了茶叶品质参数识别平台。通过系统的需求分析,确定了系统的功能和性能需求的设计指标。前端运用Vue框架开发平台,并且使用Element-UI组件库实现可视化交互界面。后端采用SpringBoot与Flask框架完成数据管理、特征计算及工艺参数优化等功能。经过黑盒测试进行性能和功能验证,系统各项指标均达设计要求,能够满足用户的使用需求,目前已上线供某企业使用,具有良好的实际应用价值。

关键词： 水表读数   图像处理   目标检测   YOLOv8   GMSC   LSKA   ShapeIoU  

摘要： 随着我国老龄化趋势的加剧,智慧居家养老服务需求显著增加。该服务结合了物联网和大数据技术,以实现个性化、便捷和安全的居家养老方案。其中,自动用水监测是智慧居家养老服务中重要的一环,它通过拍摄并识别水表图像,记录老年人的用水情况,从而预防潜在的健康问题或突发情况。但由于水表管道排列杂乱,导致拍摄的水表图像出现倾斜、模糊、半字等问题,加之表盘兼具指针和数字示数,进一步增加了水表图像识别的难度。为此,本文把水表读数识别分为水表字符读数识别和水表指针读数识别。 本文把水表字符读数识别看作目标检测任务,通过目标检测算法输出的预测框信息,提取水表读数,并建立了水表数据集,优化了算法结构。选用YOLOv8n作为基准模型,提出一种基于分组多尺度卷积的目标检测算法:GMS-YOLO。首先,采用分组多尺度卷积(GMSC)替换了Bottleneck模块中的卷积,增强模型特征提取能力。其次,将大核可分离注意力(LSKA)引入SPPF模块,提高对细小特征的感知能力。最后,选用Shape IoU作为边界框损失函数,提高模型定位能力。在水表图像数据集进行测试,GMS-YOLO的m AP@0.5达到了92.4%,精确率达到了93.2%,相较于YOLOv8n提升了2.0%和2.1%。 针对水表指针读数的识别,本文采用了传统图像处理算法进行研究。首先,采用灰度化、滤波去噪、锐化等图像预处理方式增强图像中表盘和子表盘的边缘轮廓。其次,利用Hough圆检测分割出表盘和子表盘,并对倾斜的表盘采用仿射变换进行校正。再结合Canny边缘检测和形态学处理分割出指针形状。最后,通过指针轮廓的坐标集合计算指针重心和指针尖点,确认指针指向和偏移角度,进而获取指针读数。为了验证算法的鲁棒性,进行了一系列的复杂性测试。

关键词： 贝叶斯优化   大津法   图像处理   Canny边缘检测   缺口监测  

摘要： 中国轨道交通迅速发展,旅客、货物运输量急剧增加,由此带来的设备故障增多、运营中断等问题也日益突出。其中,以铁道道岔为代表的轨道交通系统故障占了绝大部分。因此,如何对其进行健康监控,减少其失效率是一个迫切需要解决的问题。其中,尖轨与基础轨的紧密结合与否直接影响着行车的安全性,轨道的位移、道砟的改变都会导致缺口的偏离,如果偏差太大,则会导致检测柱不能进入缺口,从而导致道岔的信号无法传递,严重威胁着行车的安全性。缺口尺寸是衡量机车运行状况的一个重要指标,对缺口进行实时监控显得尤为重要。为解决现有技术缺陷,本研究依托ZYJ7型电液转辙机的实际运行图像数据,对该系统做出以下几点研究: 1)为了提高图像检测的准确性,本文采用Otsu阈值分割方法对转辙机缺口图像进行预处理,并结合贝叶斯优化技术对分割算法的参数进行动态调整,提升了算法在复杂环境下的适应性。同时,针对传统边缘检测算法在噪声干扰下的不足,提出了一种基于贝叶斯优化的Canny边缘检测算法,找到高斯模糊核大小和高低阈值的最优参数组合,显著提高了边缘检测的精度和鲁棒性。实验结果表明,改进后的算法在F1、IOU和AUC-PR指标上均显著优于传统方法。 2)为了进一步提升检测效果,本文在图像预处理的基础上,结合多尺度分割和动态环境实时性分析,改进了Otsu算法,使其在光照变化、噪声干扰和目标对比度不足的情况下仍能保持较高的分割性能。此外,引入了图像预处理策略,如直方图均衡化、噪声滤波和边缘检测,进一步改善了分割效果,并通过实验验证了改进算法在转辙机缺口检测中的有效性。 3)本文还设计并实现了转辙机缺口监测系统的主机软件,具备实时监测、图像记录、数据统计分析等功能。实时监测模块可以对转辙机缺口各个参数进行实时监控,并结合电子地图实现联动报警。影像记录模块支持对历史录像和图片的检索与回放,数据统计分析模块则能够生成历史数据的曲线图,便于铁路电务人员对转辙机状态进行分析与预判。系统测试结果表明,该软件能够有效满足转辙机缺口监测的实际需求,提升了铁路运输的安全性和效率。

关键词： 多目标跟踪   目标检测   板坯库   Transformer   卡尔曼滤波  

摘要： 钢铁工业作为现代工业体系的基础产业,连铸工艺是钢铁制造的核心工艺环节。在冶金流程中,钢水经连铸结晶器成型为板坯后,需赋予唯一标识并经由辊道系统输送至热轧工序或中间仓储。本研究聚焦连铸生产场景中的板坯实时检测与跟踪问题,将深度学习技术引入工业现场,构建智能化板坯跟踪系统。 基于检测框架的多目标跟踪技术是当前研究热点,但在工业场景中面临多重挑战:目标遮挡与外观相似导致特征辨识困难,检测与重识别任务的表征冲突,时空信息利用效率低下,以及目标上下文线索提取不足等问题。为突破这些技术瓶颈,本研究提出两个解决方案:首先构建融合多特征以及动态卡尔曼滤波的跟踪方法,随后提出了基于Transformer双解码器的跟踪方法。本研究的核心创新体现在三个方面:构建融合运动特征的复合度量TIo U,设计减少误差积累的动态卡尔曼滤波器,以及创建轨迹-检测跟踪交互式查询模块。具体研究工作包括: 针对传统方法中目标邻域位置信息丢失、检测-重识别任务冲突及预测误差累积等问题,提出多特征融合以及动态卡尔曼滤波的跟踪算法。技术实现路径包括:(1)通过特征解耦网络架构实现特征提取;(2)引入TIo U度量,融合运动信息与空间邻域信息;(3)设计参数动态调整的卡尔曼滤波器,建立误差消除机制。经实验验证该方法在跟踪精度指标上优于主流跟踪算法。 针对时空关联信息利用不足问题,创新性提出双解码的Transformer跟踪框架。技术方案包含:(1)构建编码-双解码架构实现全局特征建模;(2)通过并行解码实现检测框与轨迹预测框的时空对齐;(3)设计轨迹查询更新机制融合历史轨迹信息;(4)采用动态卡尔曼预测补偿遮挡目标的定位偏差。实验结果表明该方法在轨迹完整度和跟踪准确度指标上提升显著,有效实现了时空信息的协同利用。