关键词： 少样本学习   目标检测   动态网络   原型网络  

摘要： 目前,基于深度学习的目标检测技术已取得显著的进展,但由于训练依赖大规模标注数据集,限制了其在数据稀缺及标注成本高昂场景中的应用。传统监督学习算法因数据规模受限,常面临过拟合问题,导致模型泛化能力下降。为应对这些挑战,通过在目标检测任务中构建少样本学习框架,从而为解决数据瓶颈提供了新路径。当前,少样本目标检测研究主要集中在元学习和迁移学习两大技术方向,其中迁移学习因其在特征迁移效率和检测稳定性上的优势,逐渐成为研究重点。现有工作在基础网络选择上主要围绕YOLO系列、DETR和Faster R-CNN三种检测框架。相较于其他架构,Faster R-CNN通过候选区域生成与精确检测的两阶段处理机制,在少样本场景中展现出更优的检测能力。因此,本文遵循迁移学习范式,构建了以Faster R-CNN为基础网络的改进模型,主要工作如下: 1.在少样本目标检测常用数据集中存在两个层面的尺度分布差异,分别是不同类别样本之间以及同类样本在预训练与微调阶段之间的差异。为了解决这一问题,本文设计了一种基于动态网络的多尺度特征融合方法。其根据不同样本,在特征信息生成以及融合方式上进行自适应调整,以缓解数据集中的尺度差异问题。 2.在少样本目标检测场景下的不同训练阶段中,Faster R-CNN的子网络RPN的性能有显著衰退的现象。为了解决这一问题,本文设计了一种基于原型网络的区域再增强方法。其引入多种原型来增强样本特征信息,从而提高新增RPN网络的表现,缓解了不同训练阶段下RPN的衰退问题。 3.为进一步提升本文方法的性能,本文将动态多尺度特征融合方法与原型区域再增强方法融合成一个网络结构。融合的网络结构在多种数据集上展现了优越性与有效性。 4.为展示与便捷使用本文所提出的方法,设计并实现了基于Web的目标检测系统。用户可以在系统中上传数据集以进行目标检测推理和新类训练操作。 本文设计的方法在MS-COCO和PASCAL VOC数据集上进行了实验与结果分析,通过与其他模型的性能对比以及消融实验和可视化实验,实验结果表明了本文方法的有效性。

关键词： 星敏感器   多帧叠加增强   图像处理   信噪比  

摘要： 全天时星敏感器在白昼环境中暗弱星点易被强天光背景淹没，导致星点难以识别、提取星颗数过少，严重影响了全天时星敏感器性能。为了解决这一挑战，提出了一种基于图像信息自相关多帧星图叠加的暗弱星点提取方法。该方法在单帧提取少量星点的基础上，利用先验信息采用波门快速提取相邻帧的可见星点，并建立起帧间关联，根据两帧间关联星点的星矢量信息，推算出星敏感器在帧间的相对姿态变化，并基于这一相对姿态重新投影到当前帧的像平面上，实现帧间星图的无偏变换，流式递推叠加这些星图增强星点信噪比，最后使用阈值分割粗提取并采用高斯曲面拟合精确定位。仿真分析结果表明该方法能够在较大姿态变化范围内具有更高的对齐精度,并且序列星图叠加试验结果表明，文中方法能够有效地增强暗弱星点目标，并且相较于采用传统的两种近似变换的方法，该方法在信噪比提升和定位精度降低方面表现突出，信噪比分别提高了85.0%和118.5%，具有更高的暗弱目标提取能力；同时，暗星点的定位精度分别提升了89.4%和77.9%。

关键词： 目标检测   图像增强   YOLOv11   边缘设备   电力作业现场  

摘要： 电力作业现场的安全管控是保障电力系统稳定运行和作业人员人身安全的重要环节。然而,电力作业环境复杂多变,常常面临光照不足、目标遮挡、设备干扰等挑战,导致传统安全监管方式难以满足实时性、准确性和高效性的要求。针对这一问题,本文以深度学习和计算机视觉技术为核心,提出了一套智能化的安全监测解决方案,旨在解决电力作业现场低照度环境下的图像质量差、目标检测精度不足以及模型在边缘设备上的高效部署等关键科学问题。通过构建专用数据集、设计低照度图像增强算法、优化目标检测模型以及实现边缘设备部署,本文为电力作业现场的安全管控提供了高效、可靠的智能化技术支持。 首先,本文针对电力作业现场光照条件复杂多变的问题,构建了一个包含正常光照、全局性低照度和局部性低照度图像的专用数据集。通过分析低照度图像的特性,提出了基于灰度图偏离均值和平均偏差的低照度图像判断方法,并引入滑动窗口机制,实现了对全局性、局部性和人体低照度图像的有效识别。这一方法为后续的图像增强处理提供了有力支持,显著提升了低照度场景下的检测性能。 其次,为了解决低照度图像细节信息丢失的问题,本文设计了一种结合离散小波变换的低照度图像增强网络。该网络通过多尺度特征提取、注意力机制和细节重建模块,有效提升了低照度图像的视觉质量和细节恢复能力。实验结果表明,CDWTNet在峰值信噪比、结构相似性和自然图像质量评估等指标上均优于现有算法,为后续的目标检测任务提供了高质量的输入数据。 进一步,针对电力作业现场目标检测任务中模型精度与效率的双重需求,本文提出了一种轻量级高效目标检测模型YOLO-Power on-site operation。该模型以YOLOvl 1为基础,通过引入FasterC3k2模块降低了模型的计算复杂度和参数量,同时设计了特征细化模块和ESPPF模块,显著提升了模型对不同尺度目标的检测能力。实验结果表明,YOLO-Power on-site operation在电力作业现场数据集上的mAP@0.5达到了 95.3%,较主流目标检测模型提升了 5.9%以上,同时实现了高效的推理速度。 最后,本文将YOLO-Power on-site operation模型成功部署到华为Atlas 200 DK边缘设备上,实现了实时目标检测功能。通过硬件环境和软件环境的搭建,完成了模型的转换和优化,验证了其在复杂场景下的高效性和稳定性。实验结果表明,YOLO-Power on-site operation在边缘设备上能够以73帧/秒的帧率进行实时检测,满足了电力作业现场对实时性的要求。

关键词： 智能监控   深度学习   目标检测   多目标追踪   边缘部署  

摘要： 近年来,随着海洋资源开发和安全监控需求的不断增加,浮标平台作为海洋环境监测的重要设备,其安全性正面临复杂自然条件和人为破坏的严峻考验。传统的人工巡检和监控方式存在效率低、响应不及时等不足,因此,迫切需要借助人工智能技术来提升监控效果。本文针对海上浮标平台在安全智能监控方面的需求,主要工作如下: (1)针对海上目标检测中常见的小目标漏检和实时性较差的问题,本文提出了一种基于YOLOv8的轻量化改进模型:YOLO-FE。改进模型在结构上进行多处优化,首先,重新设计C2f模块,用梯度优化的部分卷积取代传统卷积,降低了模型的参数量和计算复杂度的。其次,引入EMA注意力机制,通过并行分支整合空间和通道信息来平衡计算效率与特征表达能力。然后,增加高分辨率小目标检测头,实现更好地捕捉小目标远距离船舶的细节特征。最后,在自建海上目标数据集上进行改进模型实验验证,结果分析表明改进模型在保持检测精度的同时,明显提升了实时推理性能,满足了在浮标平台上部署的需求。 (2)针对在海上复杂环境下目标存在运动预测误差较大和数据关联困难的问题,本文提出一种基于Byte Track改进的多目标追踪算法。在运动预测方面,通过舍弃原卡尔曼滤波状态向量预测传统宽高比参数,改为直接对目标框宽度与高度的动态变化进行预测,降低因船舶突然转向或波浪冲击引发的预测偏差;在数据关联方面,采用融合几何约束与特征相似性的EIOU匹配策略,通过引入中心点距离惩罚项与宽高差异量,增强遮挡场景下的目标身份一致性。通过实验验证了改进后的追踪算法能够有效应对目标短暂遮挡和运动轨迹改变等场景。 (3)设计并实现了软硬协同的浮标智能安全监控系统。在硬件方面,系统采用NVIDIA Jetson Orin Nano作为核心计算开发板,配备CSI(Camera Serial Interface)摄像头和通信模块,搭建完整的监控系统;在软件方面,基于Tensor RT引擎对模型进行量化与推理加速,实现检测速度提升到满足边缘部署的需求,同时利用Py Qt5框架开发了可视化监控界面,实现视频流分析、目标轨迹绘制、异常事件抓拍等功能。通过将浮标智能安全监控系统在不同场景和动态扰动下进行实验,验证了系统的稳定性和实时性,证明了在实际应用中的可行性和可靠性。 综上,本文研究为实现低功耗、高效稳定的浮标智能安全监控提供了一种有效的解决方案。

关键词： 深度学习   轻量级目标检测网络   低比特量化   网络剪枝   知识蒸馏  

摘要： 我国丰富的海洋资源为海洋经济发展提供了广阔空间,但全球贸易增长导致海面船舶密度激增,船舶航行安全、实时监控等面临严峻挑战。无人艇利用船载摄像头检测周边船只,可有效保障海面航行安全,但受限于嵌入式平台处理器性能,其图像处理算法需兼顾准确性与实时性。在此背景下,轻量化目标检测模型成为研究热点,该模型能降低计算存储成本、提升推理效率,契合海面场景实时检测需求。因此,本文提出一种轻量化目标检测算法,并对其进行模型压缩与精度优化,旨在提高算法在算力受限的嵌入式平台上的检测精度与运行速度。主要工作包括如下三个方面: 针对目标检测网络结构复杂冗余、计算资源消耗大、难以满足实时处理需求的问题,本文提出轻量化模块与精度恢复模块。首先,设计轻量化卷积EGSConv模块,并构建Vo V-EGSCSP网络模块;然后,引入轻量化空间金字塔池化技术,优化深层特征图处理,在保持特征尺度多样性的同时,降低网络参数量与计算量。最后,在精度恢复方面采用轻量级上采样算子CARAFE,其以较小的参数和计算代价,减少上采样环节的特征损耗;针对海面微小目标特性,以Wasserstein距离替代传统Io U度量边界框相似性,增强小目标相似度评估能力。 针对改进后轻量级模型仍存在冗余的问题,本文提出通道-卷积核剪枝极限压缩算法与精细化静态量化算法。通过基于缩放因子的通道剪枝,去除网络中不重要通道,缩小模型体积、降低计算量;采用卷积核剪枝,直接剔除深度网络中的冗余卷积核,进一步提升推理速度。对剪枝后的模型进行静态量化时,利用敏感层分析技术,识别对量化敏感的网络层并保持其原有参数,以此减少量化带来的精度损失。 针对剪枝和量化导致的模型精度下降问题,本文提出基于通道注意与引导知识融合的早期衰减蒸馏算法,并完成模型在嵌入式平台的部署。通过通道蒸馏,将知识高效传递给学生网络,优化其特征提取能力;采用引导知识蒸馏,仅用教师网络正确输出监督学生网络,避免错误信息干扰;运用早期衰减策略,动态调整蒸馏损失权重,为学生网络创造合理优化空间。最终,将优化后的轻量级神经网络部署于嵌入式平台,验证其在有限资源条件下的性能表现。

关键词： 深度学习   卷积神经网络   环境感知   目标检测   语义分割  

摘要： 近年来,人工智能技术在智慧城市、智慧交通等领域的应用愈发广泛。2017年,国务院印发的《新一代人工智能发展规划》中多次强调自动驾驶技术的重要性。对道路环境展开全面感知是自动驾驶技术必不可少的环节,面向前向视觉的道路环境感知方法具有实时性强、准确性高的独特优势。前向视觉下道路环境感知技术需要对前方车辆、行人等道路目标的类别实现实例级别感知,通过目标检测技术获取目标的准确坐标信息;也需要对道路、天空等背景类别实现像素级别感知,通过语义分割技术确定自动驾驶车辆的可行驶区域。本文基于深度学习和卷积神经网络,针对前向视觉下的道路目标类别感知和道路背景感知分别设计了对应的目标检测算法与语义分割算法,主要工作内容如下: 针对前向视觉下实例级道路环境感知任务,特别是在干扰性天气的场景中,研究了目标检测算法,提出一种改进的YOLOv8n目标检测方法。为了模拟现实场景中雪、雨、雾等干扰性天气对道路前方待检测目标造成的遮挡和能见度不均匀现象,设计了改进Cutout数据处理技术,并利用改进Cutout对BDD-IW数据集进行处理。基于YOLOv8n目标检测算法,在网络骨干部分的每一个C2f模块的前一层添加由“空间到深度”层和非跨步卷积层所组成的模块,弥补跨步卷积导致的图像细粒度信息的丢失问题。利用C2f模块和并行极化自注意力机制构建新的特征提取模块,并替换YOLOv8n骨干中的C2f模块,降低恶劣环境中由于噪声较多导致的信息损失。为进一步提升准确率,修改YOLOv8n的上采样部分,有效聚合上下文信息,扩大感受野。在处理后的BDD-IW数据集上的实验表明,改进的YOLOv8n算法少量增加了网络参数量,准确率提升了6.0%,m AP50值提升了5.0%。 针对前向视觉下像素级道路环境感知任务,研究了语义分割算法,提出了一种改进的Deep Labv3+语义分割算法。基于Deep Labv3+网络,修改了其基础特征提取网络,并在此基础上构建一个全新的多尺度特征提取网络,有效提升了网络的多尺度特征提取能力。将密集空洞空间金字塔池化引入到Deep Labv3+中,弥补了原网络在复杂任务中存在的信息丢失问题。为了让所提取的特征在进行池化操作前可以被网络更全面地理解,在特征提取网络和金字塔池化之间使用了高效多尺度注意力机制。在大型无人驾驶数据集Cityscapes上的实验表明,改进的Deep Labv3+算法OA、MPA、MIo U值分别提升了0.3%、3.3%和3.1%,FPS提升了2.6%。

关键词： 小麦病害   目标检测   实例分割   云边协同   YOLOv8   Cascade Mask R-CNN  

摘要： 小麦作为我国主要粮食作物之一,其生产过程中面临的病害威胁日益严峻,条锈病、赤霉病等重大病害的爆发常导致区域性减产甚至绝收。随着计算机视觉与边缘计算技术的快速发展,基于深度学习的病害智能检测技术成为研究热点,然而农田场景的特殊性对算法部署提出了严峻挑战,复杂的自然环境导致病害目标尺度多样、形态多变,且边缘设备有限的算力与不稳定的网络条件限制了高精度模型的实时应用。在此背景下,探索兼顾实时性、精确性与资源效率的云边协同检测方法,成为推动智慧农业落地的关键突破口。 本文聚焦小麦病害目标检测与实例分割任务,构建基于云边协同架构的智能检测系统。针对边缘设备资源受限问题,设计轻量化目标检测模型实现田间病害实时检测;面向精细化分析需求,设计改进实例分割模型完成云端高精度量化评估;通过动态任务调度与数据传输优化策略,实现病害检测和分割任务的高效协同。本文从轻量级小麦病害检测模型构建、精细化分割模型优化、云边协同系统实现三个层面展开研究,具体工作和贡献包括: (1)基于改进YOLOv8n的轻量化小麦病害检测模型构建。针对田间监测设备如无人机等计算资源受限的问题,提出改进的PGCW-YOLOv8深度学习架构算法,在保证精度的同时构建轻量化检测模型。引入PP-LCNet网络重构特征提取层,显著降低模型参数量与计算复杂度;结合GAM注意力机制增强病害特征表达;通过CARAFE算子和Wise-Io U损失函数优化提升模型性能,有效缓解密集病斑的检测遗漏。实验表明,改进后的模型在自建小麦病害数据集上达到91.4%的m AP@0.5,参数量压缩至2.6M,为边缘端病害实时检测提供了可靠的技术支撑。 (2)基于改进Cascade Mask R-CNN的小麦病害精细化实例分割模型构建。本文以Cascade Mask R-CNN模型为基础,针对田间病斑多尺度分布、形态不规则及复杂背景干扰等问题进行改进优化。通过采用Res2Net-DCNv2骨干网络、嵌入动态稀疏注意力机制以及设计EIo U损失函数与梯度指导的Softer-NMS算法,有效解决了病斑多尺度分布、小目标密集检测及复杂背景干扰等问题。实验结果表明,改进后的模型在Io U阈值0.75下的分割精度达到84.3%,较基线模型提升5.7个百分点,为病害严重度评估与精准施药提供了关键技术支持。 (3)基于云边协同的小麦病害检测与分割系统构建。采用"边缘检测-云端分割"两阶段的云边协同范式,构建小麦病害检测与分割可视化系统,边缘计算层搭载优化的YOLOv8n轻量化检测模型,实现田间病害实时初筛与可疑区域定位;云端计算层部署改进的Cascade Mask R-CNN实例分割模型,执行像素级病斑形态解析。硬件架构设计方面,边缘端采用Nvidia Jetson Nano模块化设备构建实时检测终端;云端部署配备两块Nvidia RTX A5500显卡的分布式服务器集群,通过容器化技术实现计算资源弹性调度。云边协同通信机制基于MQTT协议实现,设计三级主题订阅模式实现数据分流,采用QoS2等级保障检测结果与高分辨率图像的可靠传输。