关键词： 遥感图像   目标检测   微小目标   深度学习  

摘要： 本文旨在研究和设计能够在保证一定精度的前提下,对微小目标进行快速检测的算法。本文中的微小目标指在800×800像素的图像中尺寸小于16×16个像素的目标,例如遥感卫星图像中的车辆或无人机航拍图像的行人等。对这类目标的检测算法可被应用于交通管制、道路规划、城市建设等多种场景,具有较高的实用价值。 受益于基于深度学习的常规目标检测的发展,面向遥感场景的微小目标检测器同样可以基于通用的检测框架构建。然而,微小目标往往具有信噪比低,特征稀少,排列密集,样本不均衡等特点,对检测器的设计造成了较多困难,如何针对以上难点设计算法成为挑战。本文将从网络结构设计和训练方式改进这两个方面,针对以上问题提出三种模块对现有的目标检测算法进行扩展和完善,以增强现有算法对遥感微小目标的检测性能,其中在网络结构改进方面,提出了组合聚焦式双路降采样模块与伪四重解耦式检测器,而在训练方式改善方面,提出了一种高斯任务对齐式样本分配器。本论文的主要研究工作如下: (1)针对网络结构中的主干网络层,提出了一种基于聚焦结构的组合聚焦式双路降采样模块以提升算法的下采样能力,该模块基于聚焦结构中分离-组合的思想,对所输入的特征图分成四个子图,分别对子图进行不放缩的卷积,之后将四个子图所得到的特征图进行拼接,最后与来自整体图像的特征进行注意力操作并输出最终结果。相比于传统的下采样模块,该方法能够对输入图中的所有特征点进行计算,因此减少了小目标在下采样流程中的特征损失。 (2)针对网络结构的颈部结构与检测器,设计了一个由伪四层颈部网络和解耦式检测头组成的伪四重解耦式检测器。其中伪四层颈部网络在原有的特征金字塔中引入了一个虚拟的4倍降采样结构,通过将高质量的微小目标特征引入到金字塔中,并将其与辅助检测头方法组合,此方法可以允许更多的小目标特征被输入到探测器头中。而解耦式的检测器能够减少在检测头中目标位置信息与类别信息的相互干扰,从而提高特征利用效率,并有助于检测密集的小目标。 (3)针对算法在训练方式上的改善,设计了一种基于高斯建模,瓦瑟斯坦距离,KL散度和任务对齐机制的样本分配器,该分配器以检测框和实际框之间的瓦瑟斯坦距离或KL散度而非Io U及其变种作为样本分配的权重,为图像中密集的小目标提供了更加准确的匹配框,减少了目标被忽略或难以收敛的状况,从而提高了算法的检测精度,并通过此权重改善交叉熵训练损失,以提高算法在长尾类别下的检测能力。 (4)在所构建的xView车辆检测数据集上和开放获取的AI-TOD微小目标检测数据集上对所提出的算法进行实验并在精度和速度两个方面评估算法性能。实验包含两个部分:其一,对所提出的模块进行消融实验以验证每个部分对整体算法的提升情况,该实验证明了所设计的下采样结构、检测头和样本分配器分别提升了算法2.7,6.0和1.2的m AP,均对算法的检测性能有正面作用。其二,对文中所提出的算法和多个取得优秀检测性能的实时化检测器进行对比,实验证明本文的算法在x View车辆检测数据集上取得了48.4的m AP,在AI-TOD数据集上的m AP值为48.9,平均每张图像在RTX3090上的计算时间为2.2ms,在与YOLO11、RT-DETRv2算法在检测精度相近的前提下,计算速度相比YOLO11s-p2快50%,相比RT-DETRv2快100%,与多种快速检测算法相比具有更高的检测速度与性能。 (5)基于Gradio、Ultralytics与Docker框架设计了一套检测算法的可视化交互系统。首先,基于Gradio搭建了一套目标检测算法的网页界面,使得用户与研究人员能够更加方便地使用算法进行可视化实验;其次,基于Ultralytics搭建了目标检测算法的核心功能,并将检测算法与界面进行连接;最后,基于Docker对检测软件进行打包,以便于跨终端的部署。

关键词： 目标检测   无人驾驶   复杂道路场景   部分卷积   大内核深度卷积层  

摘要： 为解决复杂路况下因目标遮挡及小目标信息缺失导致现有无人驾驶目标检测算法准确率低的问题，提出了基于改进YOLOv8的无人驾驶障碍检测算法(YOLOv8 effectual accurate, YOLOv8-EA)。该算法首先引入快速神经网络作为主干网络，利用部分卷积提取空间特征，保证特征的完整性；其次，利用大内核深度卷积层重构快速金字塔池化层，采用并行多尺度连接的方式融合不同分辨率的自注意力特征，增强模型在复杂环境中的特征提取能力；然后，采用多分支结构和重参数化抑制信息干扰，并通过不断堆叠梯度流的方式提升特征融合能力；最后，基于部分卷积设计小目标检测头以处理小目标像素级特征信息。对比实验结果表明，相较于原模型，上述改进后，模型在性能上均有明显提升，并在检测精度上显著优于其他改进方式。消融实验结果表明，YOLOv8-EA在障碍检测精度方面取得显著提升，在KITTI数据集下，mAP50和mAP50-95分别提升了2.4%和4.7%;采用SODA10M数据集进行二次验证，mAP50和mAP50-95分别提升了1.4%和1.1%,证明YOLOv8-EA算法具有很好的泛化能力。所提算法在处理遮挡目标及小目标时，展现了出色的性能，为无人驾驶系统中的后续决策任务提供了更加可靠的支持。

关键词： 分布式协同定位   量测异常值   学生t分布   目标跟踪   多智能体系统   模型不确定性   变分贝叶斯  

摘要： 在多机器人系统中，机器人对群体中各个节点及目标位置的准确认知是高效执行任务的核心基础。现有的协同导航定位与跟踪算法通常假设目标模型精确已知，且对量测野值缺乏鲁棒性。在实际应用中，目标的高机动性和不确定性使得多机器人系统无法对目标运动进行精确建模，目标运动模型存在不确定性。此外，传感器的不稳定性以及外部环境的干扰可能导致传感器测量中包含异常值。针对上述问题，一种基于变分贝叶斯的鲁棒协同定位与目标跟踪（VBCLTT）框架被提出。该框架通过将目标跟踪滤波器中的一步预测和量测似然概率密度建模为学生t分布，从而显著提高了对模型不确定性和测量异常值的鲁棒性。此外，VBCLTT框架通过多机器人之间的信息共享，实现了对目标模型不确定性及测量异常值的协同检测，进一步提升了目标跟踪的精度。仿真结果表明，VBCLTT框架在协同导航定位和跟踪任务中展现了优越的精度、鲁棒性和稳定性，验证了其在实际应用中的潜力和优势。

关键词： 道路交通领域   反光膜   表面缺陷   目标检测  

摘要： 交通安全是社会关注的重点领域,尤其在夜间行车安全方面。反光膜作为道路交通领域的重要产品,其质量直接影响反光性能和使用寿命。反光膜广泛应用于道路交通标志、轮廓标志、交通锥面、交通枢纽及交通安全设施等领域。通过裁剪后附着于底板,其光学性能可引导行人步行、指引车辆行驶,并为交通参与者提供警告信息。然而,反光膜表面质量对其反光效果有着直接的影响,脱层、划痕、杂质等表面缺陷,会干扰光线反射与折射,致使其反光性能显著下降。因此,本研究致力于开发一种高效、精准的反光膜表面缺陷识别系统,以确保反光膜的功能性和使用寿命。主要研究内容及成果包括: (1)分析道路交通反光膜的反光特性和外观特点,设计硬件系统方案。挑选高均匀度的条形光源,运用平行照射模式,针对反光膜检测所涉及的特定膜幅,选用面阵相机作为图像采集的核心传感器,配备可调节速度的平整传送带装置,以此确保反光膜在传送过程中的稳定性与可靠性,进而成功搭建道路交通反光膜表面缺陷图像的采集系统,此外,为提高检测模型的泛化性与鲁棒性,运用图像增强技术对数据集进行扩充处理。 (2)对主流目标检测模型的系统性研究与对比分析,深入探讨当前基于深度学习的表面缺陷检测方法,并与Faster RCNN、SSD、YOLOv5、YOLOv8四种典型目标检测模型进行实验对比,分析不同模型在检测精度和检测速度方面的性能指标及原因,筛选出在道路交通反光膜表面缺陷检测中能达到60 FPS实时检测速度且检测精度超过90%的模型,对选定模型进行改进优化,以实现高效、准确的检测方案。 (3)针对反光膜表面缺陷尺度差异大、背景复杂导致的检测效率低和精度不高的问题,提出了一种改进的YOLOv8n模型。改进方案引入了可变形注意力机制,通过动态调整感受野,聚焦不规则缺陷区域。同时,采用结构重参数化和多分支设计,提升模型对相似特征的区分能力,降低误识别率。为提高小目标检测精度,增加了小目标检测头,并优化了特征提取过程。此外,通过引入WIo U损失函数优化边界框回归,进一步提升定位精度。实验结果表明,改进后的模型在反光膜表面缺陷检测中,m AP@0.5达到93.6%,较原模型提升2.9%,平均检测速度为94FPS,显著提升了检测效率和精度。 (4)基于PyQT5平台,结合机器视觉算法库和深度学习框架,进行了道路交通反光膜表面缺陷检测系统的软件开发。通过分析系统的性能需求,设计并实现了软件的主要功能模块,包括图像采集、缺陷检测、结果显示与记录等核心功能。对所开发的在线检测系统进行了实际应用验证,确保其在道路交通反光膜表面缺陷检测中的可行性和有效性。

关键词： 北极   北极气旋识别   ERA5   深度学习   YOLOv5s模型  

摘要： 北极气旋是影响北极环境的主要天气系统之一,对其准确识别对北极航海保障具有至关重要的意义。本文基于欧洲中期天气预报中心推出的第五代大气再分析产品（ERA5）平均海平面气压数据,构建北极气旋目标检测的数据集,训练北极气旋识别的深度学习目标检测You Only Look Once version5（YOLOv5s）模型,并与其他深度学习目标检测模型Single Shot Multibox Detector（SSD）、Faster R-CNN、YOLOv4进行性能的验证与比较。试验结果表明,YOLOv5s的检测精确率、平均准确率和刷新频率分别为95.26%、98.09%和64.85 s-1,刷新频率较其余4种模型中效果最好的SSD模型提高了15.65 s-1。YOLOv5s模型检测速度快、精度高且具有更好的识别能力,能够有效识别北极气旋目标,对北极气旋的识别具有较好的应用前景。因此,本文选取2021年冬季、夏季的北极气旋进行个例分析。结果显示,冬季3月8日12时产生的北极气旋生命周期为48 h,平均强度为54.62,夏季9月21日6时的气旋生命周期为84 h,平均强度为42.82,符合北极气旋生命周期夏长冬短,气旋强度冬强夏弱的特点。YOLOv5s模型为北极气旋的检测识别提供了新方法和新思路。

关键词： 目标检测   YOLOv8   6D位姿估计   Densefusion  

摘要： 物体抓取作为机器人领域中的一项核心任务,在自动化生产、仓储物流、智能家居等多个领域具有重要应用前景。随着机器人技术的不断发展,物体抓取系统在面临复杂多变的环境时,仍存在许多挑战。传统的目标检测和6D物体位姿估计方法在实际应用中,经常受到遮挡、物体形态变化、背景复杂度、以及动态环境等因素的影响,导致算法的精度和鲁棒性不足。这些问题限制了机器人在复杂场景中的自主操作能力,尤其是在多物体交互和遮挡环境中,现有技术难以保证高精度的物体定位与抓取。 为了适应复杂场景下的机械臂抓取任务,在目标检测方面,针对目标检测中面临的信息丢失和忽视困难样本的问题,本文提出了一种轻量化的YOLOv8-DES算法;在物体位姿估计方面,针对位姿估计面临的物体遮挡的挑战,本文提出了一种基于残差连接的全局特征融合6D位姿估计;最后,为了满足检测可视化的需求,本文基于PyQt5设计了一个物体检测平台。本文的主要研究内容如下: 1.本文提出的YOLOv8-DES算法,首先通过在骨干网络采用Dual Conv结构,增强了网络对多尺度特征的学习能力,使得网络能够在复杂环境中更好地提取物体特征。同时,在颈部网络引入EMA模块提升了对空间信息的学习能力,减少了背景噪声对检测精度的干扰。接着,考虑到现实环境中物体类别不均衡的挑战,本文引入了Slide loss函数,根据类别分布动态调整损失函数中的权重,从而提高了困难样本的检测精度。实验结果表明,YOLOv8-DES算法在公开数据集Pascal VOC 2012上取得了显著的检测精度提升,尤其在复杂背景和物体重叠的情况下,展现出了较强的鲁棒性。 2.本文提出的基于残差连接的全局特征融合算法,首先通过在颜色特征提取网络中引入SE block,自适应地调整特征的权重,使得网络能够更加关注关键特征,同时抑制噪声和无效特征的影响,从而提升特征表达能力。为了进一步增强特征融合的效果,本文采用了Realformer模型,该模型能够有效融合来自不同视角和不同传感器的全局信息。这种全局特征融合策略显著提高了物体位姿估计的精度,特别是在遮挡和形态变化较大的情况下,展现出了优越的适应性和鲁棒性。在公开数据集Linemod和Occlusion Linemod上的实验结果验证了该算法的有效性,并在多个标准数据集上超过了传统方法的性能,特别是在处理复杂场景中的物体定位和抓取时,表现出了更高的精度和更强的鲁棒性。 3.本文基于PyQt5设计的物体检测平台。该平台支持加载不同的权重文件,能够对图像和视频进行实时检测,并保存检测结果,以满足检测可视化的需求。该平台提供了友好的用户交互界面,使用户能够方便地选择待检测的图像或视频,并直观地查看检测结果。