关键词： 多传感器数据融合   机动目标跟踪   交互多模型算法   麻雀搜索算法   协方差交叉融合  

摘要： 随着信息技术的飞速发展和传感器技术的日益成熟,多传感器网络在现代信息系统中得到了广泛应用。多传感器数据融合技术作为有效提高系统感知能力、决策精度和态势评估能力的关键技术,已成为当前学术界和工业界的研究热点。本文以机动目标跟踪中的多传感器数据融合为研究对象,重点研究了在各个局部传感器的滤波算法,以及在融合中心的数据融合算法,并提出了一种系统性的融合框架,有效解决了传统算法对先验知识的依赖性强、优化过程复杂以及融合精度不足等关键问题。 第一部分是针对局部传感器的滤波算法进行研究。鉴于目标运动系统通常呈现非线性特性且常有多个运动模型切换,本文采用交互多模型容积卡尔曼滤波(Interacting Multiple Model Cubature Kalman Filter,IMM-CKF)算法。在该算法框架下,首先针对各个子模型滤波器状态方程协方差矩阵和测量方程协方差矩阵通常依赖先验知识的问题,提出了基于麻雀搜索算法(Sparrow Search Algorithm,SSA)的动态优化方法,动态优化子模型滤波器协方差矩阵参数,实现子模型滤波器协方差矩阵参数的自适应调整,从而提高子模型滤波器的性能,并且对于优化算法的适应度函数的设计也进行了深入研究,阐述了其设计的合理性。此外,针对交互多模型算法中概率转移矩阵需要先验给定的问题,提出了自适应概率转移矩阵调整算法,实现了概率转移矩阵的自适应调整。通过最后的仿真实验表明,本文提出的两个角度的改进以及它们结合而成的改进算法,在目标跟踪的精度上相较于基准算法均有显著的提升。 第二部分是针对融合中心的多传感器数据融合方法进行研究。针对传统协方差交叉(Covariance Intersection,CI)融合算法中优化过程繁琐且无法考虑局部估计各分量影响的问题,本文提出了一种基于深度学习的注意力机制协方差交叉融合算法。该算法不仅能够评估状态向量内部不同分量的重要程度,还能考虑不同传感器提供信息的可信度,有效简化了优化过程。仿真实验结果表明,所提算法在融合精度上较传统方法有显著提升。

摘要： 信息技术的快速发展与普及，促使人工智能（AI）技术在计算机视觉和网络系统领域的应用日益受到关注。全社会数字化转型开始正式迈入算力时代，无论是计算、存储，还是网络型基础设施的核心组成部分，都融入了更多的AI元素。其中，计算机视觉作为AI技术中的重要分支，不仅强化了计算机系统在理解和处理图像、视频等视觉信息的能力，亦从多维度实现了对图像视觉数据的自动分析与智能识别。

关键词： 目标跟踪   Vision Transformer   动态筛选   跨模态补偿   飞机数据集  

摘要： 随着计算机视觉技术的快速发展,目标跟踪在复杂场景下面临背景干扰、光照变化、目标形变等多重挑战。本文针对可见光单模态跟踪中的计算冗余与背景干扰问题,以及可见光-红外双模态跟踪中的信息互补需求,提出了一种基于动态筛选与跨模态补偿的双模态跟踪方法,为复杂场景下的目标跟踪提供了高效鲁棒的解决方案。 本文构建了多模态飞机跟踪数据集MATD（Multi-modal Aircraft Tracking Dataset）,包含17个视频序列、19580帧可见-红外配准数据,涵盖起飞、滑行、高空飞行等典型场景。基于该数据集,提出了设备行为模拟评估模型,通过定义轨迹预测帧数、误检恢复阈值等指标,量化跟踪算法在实际光电经纬仪系统中的适用性。 在单模态跟踪研究中,本文设计了搜索令牌的空间过滤模块（Token Spatial Filtering,TSF）。该模块通过动态筛选机制,在Vision Transformer（ViT）的注意力计算过程中,优先保留与目标相似度高的搜索区域令牌,逐步剔除冗余背景信息。TSF采用多阶段筛选策略:首先基于模板中心令牌与搜索区域令牌的相似度排序,保留Top-K候选;其次通过空间一致性重排序优化筛选后的令牌分布。实验表明,TSF模块在GOT-10k数据集上平均重叠率（AOR）达0.84,推理速度提升13%,MACs降低26%,有效解决了ViT架构计算冗余问题。在自建飞机数据集MATD中,TSF模块在低光照场景下SR0.75指标提升15%,验证了其对复杂背景的强鲁棒性。 针对双模态跟踪需求,本文提出跨模态补偿模块（Cross-Modal Compensation,CMC）。该模块基于交叉注意力机制,构建可见光与红外模态间的双向特征交互通道:通过模态间特征对齐与权重自适应,实现光照变化下的可见光特征补偿与热交叉场景下的红外特征增强。在RGBT234数据集上,CMC模块使平均成功率（MSR）达到0.71,平均精确率（MPR）达到0.78。在MATD数据集的多模态验证中,融合TSF与CMC的跟踪框架在低光照-热交叉复合挑战下的MPR达0.92,较单模态基线提升33%,在相对坐标偏移比例指标上为1.12%,较基准方法减少64%,成功解决了飞机跟踪中的目标丢失与误检问题。 理论研究与实验验证表明,TSF模块通过动态令牌筛选实现了精度与效率的平衡,CMC模块通过跨模态特征补偿增强了复杂环境适应性。二者协同工作的双模态跟踪框架,为军事侦察、智能交通等领域提供了重要的技术支撑。未来研究将探索多模态特征解耦机制与在线自适应筛选策略,进一步提升算法在开放环境中的泛化能力。

关键词： 钢轨   垂直位移   图像处理   非接触测量  

摘要： 为保证轨道平顺性，消除传统钢轨位移测量装置存在的不易安装、难以实时监测等弊端，基于图像处理技术开发一种可以快速、非接触测量钢轨动位移的技术，对于分析掌握轨道状态具有重要意义。该技术基于图像处理技术对标志物、标志物特征点提取算法进行改进，分析结构形变、目标分辨率计算方法对测量精度的影响，并进行现场试验验证了该技术的工程适用性。结果表明：2×2黑色圆形阵标志物、灰度重心法与最小二乘结合算法在测量过程中将测量精度提高近51.4%；结构倾角对位移测量精度产生影响，而目标分辨率修正公式可以消除倾角产生的测量误差；位移标定法计算的目标分辨率所得位移曲线与实际位移曲线的R2更接近1，测量精度提高25%。随列车轴重增加，钢轨垂直位移增大，最大位移达到4.452 mm。因此，该技术实现对钢轨竖向动位移非接触、远距离测量，为监测轨道位移提供了技术手段。

关键词： 多规格化纤丝饼   目标检测   缺陷检测   工业设计  

摘要： 随着化纤行业智能制造水平的不断提升,丝饼作为化学纤维产品的主要成品形态,其外观质量检测环节已成为制约产线自动化水平进一步升级的瓶颈。特别是在多种规格丝饼(包括不同颜色、直径和厚度)混合生产的流水线工况下,现有的单一规格外观缺陷检测系统在适应性方面存在明显不足。 针对这一问题,本文围绕“多规格丝饼外观缺陷检测系统设计”开展了系统性研究,提出了一套具有丝饼规格自适应能力、模块化结构布局和两阶段丝饼检测算法的高可靠性系统,以应对复杂工况下的多规格丝饼缺陷识别与品质评估任务。具体研究工作如下: (1)基于机器视觉技术与称重传感器,开发了具备颜色、尺寸与重量识别能力的多规格丝饼参数识别系统,实现了丝饼规格特征的准确提取与识别,为后续采集与检测流程提供了关键前置信息。 (2)针对多规格丝饼在颜色和厚度方面的变化,设计了一套自适应的机器视觉采集系统。其包含错位布置的采集阵列、可变颜色背景板及可控相机位移机构,能够根据前序识别结果动态调整采集参数,从而保障不同规格丝饼图像的清晰度与一致性。 (3)在检测算法方面,本文提出了一种解耦式的两阶段检测框架。第一阶段基于RT-DETR模型,构建了增强特征交互能力的EFFI-DETR目标检测网络,在平均检测精度上相比原模型提升了3.6%。第二阶段针对丝饼品质等级分类任务,提出了基于缺陷框从二维像素空间映射至三维归一化空间的特征编码方法,并结合多层感知机(MLP)实现了高精度的丝饼等级分类,分类准确率达到95%以上。 (4)最后本研究完成了系统样机的制作,并搭建了系统集成验证平台,对关键单元如称重模块、自适应视觉采集系统进行了功能测试。测试结果表明,各模块均具备良好的性能表现,系统整体运行稳定可靠,验证了本研究方案的工程实用性与可推广性,为后续在实际化纤产线中的应用奠定了良好基础。

关键词： 数字图像比色法   深度学习   图像处理   pH   游离氯  

摘要： 在工业生产过程中,pH和游离氯对保障生产稳定、设备安全和产品质量至关重要。传统的化学分析法主要以人工现场检测为主,由于人眼对颜色的感知能力不同,导致检测结果缺乏准确性和客观性,同时也无法满足现场快速检测的需求。随着科技的进步和检测需求的多元化,水质检测已经逐步由传统的实验室化学分析向自动化、智能化的分析方向转型。本文旨在针对工业生产中锅炉水质检测所面临的问题,开发一款多参数水质检测装置,用于检测水体的pH值及游离氯浓度,实现对水质指标的精准测定。本文的主要研究工作如下: （1）装置的检测原理 根据国内外水质检测技术的发展现状及实际检测需求,对装置的检测原理进行了系统地分析。详细介绍了pH和游离氯的显色原理、数字图像比色法的检测原理及色彩空间,为装置的开发提供了理论依据。 （2）多参数水质检测装置硬件部分设计 根据设计需求,针对装置的使用场景、光照对采集图像的影响等问题,进行了硬件部分的设计。该装置的硬件部分主要包括主要控制模块、图像采集模块、旋转控制模块、人机交互模块和电源模块。该装置能够利用图像采集模块获取水质样品的图像信息,并通过旋转装置对试管的不同位置进行多角度拍摄,最后将各水质参数通过人机交互模块直观地呈现给操作人员。同时,该装置可由220 V交流电或24 V锂电池供电,能够满足在多种场景下应用,具有一定的灵活性和适应性。 （3）多参数水质检测装置软件系统设计 采用Android Studio搭建了Android应用开发环境,基于Java语言开发了多参数水质检测APP。通过OpenCV库对采集到的图像进行了预处理,构建了SolventCNN模型,为了验证模型的性能,构建了多种对比模型（LeNet、AlexNet、MobileNet和SE-SolventCNN）,并完成了模型部署。同时完成了电机的旋转控制、数据存储、历史数据查询等功能的开发。该软件能够完成水质样品图像的获取、水质样品分析、电机旋转、数据存储和历史记录查询等一系列操作,能够满足现场快速检测的需求。 （4）装置测试与验证分析 对该装置进行了测试与验证分析,验证了该装置的实用性。对色彩空间进行了分析,结果表明pH值和游离氯浓度与RGB、HSV色彩空间虽然具有相关性,但均呈非线性关系,论证了采用深度学习模型的必要性。通过模型对比,选择了最佳的pH（MAE=0.066、MAPE=0.871、RMSE=0.0882、R2=0.9898）和游离氯（MAE=0.0945、MAPE=1.2158、RMSE=0.1235、R2=0.9792）预测模型（Solvent CNN）。同时,选取了多种实际水样对装置的性能进行测试,结果表明旋转控制模块能够驱动旋转装置对试管的不同位置进行多角度拍摄,该操作能够有效地降低实验误差。在一定浓度范围内（pH值6-9,游离氯0-5 ppm）,本装置的平均响应时间较短（1.2 s）,检测结果（水体pH值检测误差为±0.09,游离氯浓度相对误差≤3.85%）均符合国标要求,能够实现实际水样中pH和游离氯的检测。 综上所述,本文以传统的化学分析法为基础,将数字图像比色法与深度学习图像处理技术相结合,开发了一款多参数水质检测装置。该装置具有实用性强、可靠性高的特点,能够避免因环境因素的改变对检测结果产生的误差影响,同时也为水质检测装置的设计提供了设计思路和理论依据,在水质检测的自动化和智能化方面有着重要意义。

关键词： 深度学习   目标检测   人参果成熟度   注意力机制   轻量化网络  

摘要： 随着农业智能化的发展,果实采摘机器人在水果采收领域的应用日益广泛,果实成熟度检测是决定采摘效率与质量的关键环节。然而,目前实现人参果成熟度自动化检测,面临缺乏公开数据集、自然环境干扰检测精度以及检测模型难以轻量化部署等难题。针对这些问题,本文采用深度学习技术,从数据集构建、检测精度优化、轻量化模型设计等方面对人参果成熟度检测进行了深入研究,为人参果智能化采摘提供有力的技术支撑。主要研究工作如下: (1)人参果成熟度数据集的构建。本研究采用相机与智能手机采集不同成熟度及遮挡条件下的果园图像,并制定成熟度等级划分标注,将其划分为成熟期、过渡期和未成熟期三类。利用Label Img工具进行边界框标注,确保标注与成熟度等级一致。采用自动色彩均衡算法(Automatic Color Equalization,ACE)增强图像色彩与对比度,并通过翻转、错切、亮度调整与增加椒盐噪声进行数据扩增。最终按7:2:1比例划分为训练集、验证集与测试集,为模型训练与评估提供数据支持。 (2)检测精度提升设计。为提升果实遮挡及小目标检测场景下的人参果成熟度检测精度,提出一种改进YOLOv7的人参果成熟度检测模型。首先,引入混合注意力机制(Mixture of self-attention and convolution,ACmix),使模型能够自适应地聚焦于遮挡区域以及人参果表面关键纹理特征,显著增强特征提取的针对性。其次,采用内容感知特征重组上采样(Content-Aware Re Assembly of Feature Maps,CARAFE)上采样算子,提升低分辨率小目标及遮挡目标的边界识别精度,避免信息丢失。最后,优化边界框回归策略,以Focaler-GIo U替换原始损失函数,提高遮挡目标的定位精度。实验结果表明:改进后模型的精确率、召回率和平均精度均值分别达到92.4%、90.0%和95.3%,比原始模型提升1.9%、0.7%和2%,有效增强了复杂环境下的检测能力。 (3)轻量化模型设计。鉴于人参果成熟度检测模型普遍存在参数量大、计算复杂度高的问题,难以在资源受限的农业设备上高效运行,提出一种基于改进YOLOv8n的轻量化人参果成熟度检测模型。首先,在YOLOv8n主干网络中引入Ghost Net网络中的C3Ghost和Ghost Conv模块,并融合轻量级十字交叉注意力模块,在降低模型参数量计算量成本的同时,增强关键特征提取能力。其次,引入渐进空间金字塔结构(Asymptotic Feature Pyramid Network,AFPN),提升不同尺度人参果的检测精度。实验结果表明:改进后模型的计算量减少33.3%,参数量减少50.8%,平均精度均值达到94.3%,实现了检测性能与资源消耗的平衡,为人参果智能化检测与采摘的实际应用提供了技术支撑。 (4)人参果成熟度检测系统实现。根据人参果成熟度检测任务需求,基于Py Qt5框架开发了智能检测系统。该系统实现了单张/批量图像的可视化检测功能,能够快速识别并标注人参果成熟度等级,为果园精准化管理提供了可靠的技术支持。

关键词： 深度学习   目标检测   RT-DETR   群养猪只   猪行为识别  

摘要： 猪只养殖是农业领域的一个关键环节,生猪作为农业生产中的核心动物,其养殖不仅能够为农民带来可观的经济收益,而且对农业经济的稳定发展具有重要意义。在生猪养殖的过程中,猪只的健康状况与其行为有着密切的联系,及时监测猪只行为,可以揭示其健康状态以及对猪舍环境的适应程度,从而预防疾病,提高产肉率。目前,猪只养殖业在检测猪只行为时,仍普遍依赖人工观察,存在依赖人力、效率低下、漏检、误检等问题。针对以上问题,该研究以群养猪只行为识别作为研究对象,以深度学习技术为基础,开展基于改进的RT-DETR群养猪行为识别系统的研究,实现对群养环境中猪只行为的快速且精确的识别,显著减少对人工干预的依赖和相关成本。研究的主要内容为以下三个主要方面: (1)构建群养猪只行为数据集。收集6段不同时间、不同光照、具有代表性的群养猪只视频数据,并对视频进行裁切、分类等预处理操作。通过对图片进行标注、数据增强方法,构建出一个含有站立、躺卧、进食、饮水、探嗅五种代表性的行为标注的7200张图片的数据集。 (2)提出一种RT-DETR模型的改进方法。在主干网络中,使用部分卷积核代替相关结构,有效减少模型计算冗余,在不影响模型准确率的同时降低模型复杂度。同时引入双向路由注意力机制使模型获取更多有效特征信息,从而提高模型的准确率。在高效混合编码器中,使用GSConv卷积层代替相关特征融合结构,使模型能更好地保留关键特征。其次,为了解决实际环境中遇到的猪只行为识别数据量小导致模型识别准确率低的问题,构建基于迁移学习的群养猪只行为识别方法。使用大规模源数据集对源模型进行预训练,得到模型参数迁移至群养猪只行为识别模型中,从而提升模型在群养猪只行为数据集上的检测性能。改进的模型在猪只识别数据集上m AP@50达到87.5%,相较于原模型提高2.4%,模型参数量减少51%。 (3)构建群养猪只行为识别系统。基于改进的模型,设计并实现群养猪只行为识别系统。系统能够有效应对猪舍环境复杂、目标猪只拥挤等问题,实现高精度的猪只行为识别。系统通过实时视频监测,能够自动识别猪只行为,为养猪业提供重要的管理依据。