关键词： 深度学习   目标检测   扫描电镜   页岩   岩层评价  

摘要： 页岩扫描电镜图技术具有高分辨率成像特征,该技术能直观地揭示页岩的矿物、孔隙的分布特征及发育情况,这在岩土工程、地质工程、油气勘探开发等领域的岩层评价工作中具有关键作用。随着岩层评价工作的要求不断提升,工作中所使用到的岩石图像数据量也在不断激增,岩层评价工作智能化愈渐重要。利用传统人工分析的方式处理上万张甚至更多的页岩扫描电镜图像效率极低,不仅耗时、易遗漏关键信息,分析结果还会受到主观因素影响。而人工智能算法改善了这一缺陷,利用深度学习技术不仅可快速识别页岩扫描电镜中的孔隙及矿物,显著提升分析效率与精度,还能为大规模岩层评价和动态模拟提供技术支撑,推动岩层评价工作向智能化、精细化方向发展。为解决传统方法中存在的问题,本文以深度学习理论为基础,将目标检测技术应用于页岩扫描电镜图像分析工作中,实现页岩孔隙及矿物智能检测。 本文通过深度分析传统的目标检测算法和基于深度学习的单阶段、双阶段目标检测模型的差异性,以满足实际工程应用中的准确度、速度需求为出发点,选择使用实时性能更强大的YOLO系列目标检测模型对页岩扫描电镜图像中孔隙及矿物展开智能识别研究。研究利用混淆矩阵、精确度、召回率、m AP50以及m AP50-95五种评价指标,从多方面对YOLOv3、YOLOv5、YOLOv7、YOLOv8模型识别页岩孔隙及矿物的结果进行评价。混淆矩阵结果表明YOLOv8模型对石英、有机质、黄铁矿、无机质孔隙的识别结果比较好,所有模型对有机质孔隙的识别结果均一般;其中YOLOv5模型与YOLOv8模型的性能较为接近,但召回率、m AP50以及m AP50-95的结果表明YOLOv8模型均优于其他模型。 研究选择以综合性能更强的YOLOv8模型为基础,根据页岩扫描电镜图像中孔隙及矿物的特征选择引入Shuffle注意力机制、SE注意力机制、小目标检测层以及双向特征金字塔网络,同时构建C2f＿SE模块与Concat＿Bi FPN模块,建立适用于页岩扫描电镜图像的Shale-YOLO目标检测模型。实验结果表明,Shale-YOLO模型在各方面均优于YOLOv8模型及其他模型,Shale-YOLO模型的精确度、召回率、m AP50以及m AP50-95分别为94.924%、92.607%、96.308%以及72.484%,相较于YOLOv8模型分别提高了1.949%、2.552%、2.0521%、4.46%,识别有机质孔隙的准确度提高了10%。可视化结果与消融实验也表明Shale-YOLO模型的准确度更高,改进后的模型能更准确地识别微小目标、应对复杂环境。 最后研究利用Python语言编程,Pytorch-gpu版本作为深度学习框架,采用Py Qt5构建用户界面,java语言编程构建系统前端,开发页岩孔隙及矿物智能识别系统。系统提供模型导入、图像分析、视频分析以及实时检测四个功能区块,不仅能在扫描电镜实验过程中实时辅助实验人员拍摄信息量更丰富的页岩扫描电镜图像,同时还能节约大量人力、物力资源,大大提高页岩岩层评价工作的效率与准确性。该系统处理单张图像仅需203.1毫秒,屏幕画面与摄像头画面实时检测时,每一帧的处理速度仅需11毫秒,即高达每秒钟91帧,完全能够满足实际工程应用的需求。

关键词： 嵌入式系统   图像处理   智能驾驶  

摘要： 随着汽车电子技术的飞速发展，嵌入式图像处理系统广泛应用于智能驾驶、辅助驾驶、车辆监控等领域，嵌入式图像处理技术可显著提升汽车的安全性、智能化水平和管理效率。本文分析了嵌入式图像处理系统在汽车领域应用的意义，阐述了实时目标识别与跟踪、多传感器图像融合处理、车道偏离与障碍物检测等关键技术，并针对这些技术在嵌入式系统实现存在的瓶颈，从算法优化、硬件加速、系统集成、精度提升等方面提出了设计与实现策略。

关键词： 车辆检测   YOLOv8   EIOU损失函数  

摘要： 针对车辆检测系统对于交通场景中的小型车辆定位精度不高的问题，本文提出一种基于YOLOv8的车辆目标检测模型。首先，在特征提取方面，在YOLOv8骨干网络中（backbone）引入了可变形卷积模块。该模块能够根据车辆尺寸自适应调整特征感受野，有效增强对多尺度车辆的特征提取能力。其次，在定位损失函数方面，采用了EIoU损失函数，通过更精确地测量预测框与真实框之间的距离、重叠面积以及长宽比差异来提升模型对小型车辆的定位能力。结果显示，该模型在不增加额外计算量（GFLOPs）的情况下，可提高检测精度。

关键词： 4D毫米波雷达   三维目标检测   滤波去噪   数据增强  

摘要： 环境感知技术是智能驾驶系统的核心组成部分,4D毫米波雷达作为一种新型的传感器,由于其低成本和适应雨天、黑夜等环境的优势,现已成为车辆环境感知的重要传感器。然而,因4D毫米波雷达采集到的数据较为稀疏,使其难以对所探测目标的几何形状、边界等信息进行描述,给目标检测和识别带来了巨大的挑战。针对上述问题,本文研究基于4D毫米波雷达的目标检测和识别方法,对车辆、行人和骑行者等道路目标进行检测识别。 具体研究内容如下: 1)针对4D毫米波雷达采集点云数据时,电磁波受物体反射干扰产生大量的不确定异常点,导致误检概率高的问题。提出了基于多维度特征融合的点云异常值滤除算法。首先根据随距离变化的滤波阈值,计算数据局部邻域密度和邻域内平均距离对数据特征进行分析,利用自适应联合滤波去除噪声点。之后,结合速度信息和雷达散射截面信息,利用多特征DBSCAN聚类方法对滤除后点集进行聚类,获得加标后点云簇。实验结果表明,基于多维度特征融合的点云异常值滤除算法相较传统三维点云滤除算法,能够更准确地对异常点进行滤除。 2)针对4D毫米波雷达点云稀疏,目标检测识别时难以获得有效几何形状特征,导致检测识别算法精度低的问题。在Point RCNN网络基础上提出了基于点云数据增强的目标检测识别算法。首先,利用目标质心速度分量预测,将相邻两帧加标后簇目标位置进行关联,通过位置变换矩阵将同一动态目标点云数据进行配准。之后,采用最近迭代点算法对相邻两帧静态目标点云进行融合,获得增强后点云信息。通过增加点云有效点数量的方式提高了目标检测识别算法的精度。实验结果表明,基于点云数据增强的目标检测识别算法相较于原始网络,目标检测识别的平均精度提高了25.32%。 3)针对基于体素的目标检测识别算法,体素化过程中容易丢失细节信息、特征提取时缺少感受野,使得检测识别算法精度低的问题。在Point Pillars网络基础上提出了基于体素特征优化的目标检测识别算法。首先,在点云特征编码模块中采用了多池化策略,减少池化过程中空间细节信息的丢失;其次,在骨干网络中引入高效多尺度注意力(Efficient Multi-scale Attention,EMA)模块和空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,从多尺度的层次上提取特征,有效捕捉不同尺度的上下文信息。通过强化点云特征信息的方式提高了目标检测识别算法的精度。实验结果表明,基于体素的点云目标检测识别算法相较于原始网络,目标检测识别的平均精度提高了30.39%。

关键词： 轻型无人机   目标跟踪   Sine模型   MUCMKF算法   参数自适应  

摘要： 如何在战场中准确跟踪敌方来袭无人机是对其进行准确打击的关键。轻型无人机水平匀速飞行时，由于本身体积小、质量轻，以及飞控系统不稳定导致飞行轨迹出现漂浮抖动而难以跟踪的问题，本文提出一种基于改进正弦（Sine）模型的修正无偏量测转换卡尔曼滤波（MUCMKF）跟踪算法。该算法针对传统Sine模型需要提前设置加速度方差和机动频率可能造成跟踪系统发散的问题，提出利用目标当前位置一步预测值和当前位置估计值进行加速度方差自适应估计，并将机动频率与加速度方差进行关联计算，实现加速度方差和机动频率同时自适应调整。在此基础上，利用修正无偏量测转换卡尔曼滤波算法，对轻型无人机真实飞行轨迹进行滤波跟踪。仿真结果表明，与匀速模型（CV）、匀加速模型（CA）、当前统计模型CS和常规的Sine模型相比，基于改进Sine模型的跟踪算法能够更好地适应轻型无人机的飞行特性，精度分别提升44%、59%、42%、37%，具有较好的工程应用前景。

关键词： YOLOv5   注意力机制   联邦学习   寒武纪MLU  

摘要： 随着遥感技术的不断发展,遥感图像数据在国土资源检测、军事侦察、灾害应急响应等众多领域有着重要研究价值,海量遥感图像的高效智能分析需求日益迫切。目标检测技术目前作为一种主流手段被广泛用于图像数据的分析,然而当下的研究在遥感图像目标检测场景下仍然存在问题,如:遥感图像存在小目标聚集、目标方向随机、复杂背景干扰的特性,导致检测算法效果不佳;遥感数据通常分散于不同机构或地理节点,同时不同数据方的遥感数据差异显著存在异构性,难以对这些图像数据进行集中处理与分析。针对这些问题,本文的主要工作如下: (1)基于YOLOv5目标检测算法,提出融合注意力机制的C3-Attention模块,并设计分层注意力嵌入策略。通过融合高效通道注意力(ECA)与坐标注意力(CA)模块,在浅层网络强化小目标特征响应,中层网络增强空间位置感知,深层网络优化语义融合效率。并在NWPU VHR-10数据集上验证了改进的检测算法在遥感图像目标上的检测精度提升。 (2)针对联邦学习在遥感图像目标检测中面临的数据隐私保护与分布异构性挑战,提出了一种融合动态自适应近端正则化(DAPR)和贡献度感知加权聚合(CWA)的优化框架。通过DAPR策略,在客户端本地训练中引入动态调整的正则项,根据模型参数相似性自适应约束更新方向,抑制Non-IID数据导致的模型漂移问题;服务器端采用CWA机制,综合评估客户端与全局模型的方向一致性与本地损失下降贡献,动态分配聚合权重,优先融合高质量更新,缓解了传统加权平均策略在数据异质性场景下的低效问题。在遥感目标检测数据集RS-ObjectDet验证算法的可行性和有效性。 (3)根据自主国产化替代的战略要求,基于底层寒武纪MLU370计算卡与银河麒麟操作系统的国产化平台,设计了一个支持联邦训练与实时推理的分布式系统。系统中结合文中的两种理论成果,实现了对分布式异构遥感数据的协同训练与遥感图像的目标检测应用,为遥感智能分析技术在算法优化与系统实现层面的自主可控技术路径提供了方法参考和工程实践案例。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 椭球面仿生复眼   双光子聚合   成像检测   目标检测  

摘要： 仿生复眼是模仿自然界生物复眼而设计的一种多孔径光学成像系统,具有集成度高、视场大、动态目标识别快等特性,在全景成像、目标识别和医疗影像等方面广泛应用。当前,现有的微型仿生复眼存在边缘子眼离焦,成像像差较大和目标成像检测研究较少等问题,导致复眼的成像质量差,在微纳成像、目标检测和追踪的应用中受限。为解决上述问题,本文开展了微型椭球面仿生复眼结构设计与成像检测研究。主要研究内容如下: (1)微型椭球面仿生复眼的结构设计与仿真分析。通过对曲面仿生复眼基底和子眼的结构分析,提出通过调整椭球面子眼长、短轴尺寸的方法,设计了一种可实现平面均一成像和低像差的微型椭球面仿生复眼结构。对所设计结构进行流体仿真,并与球面仿生复眼进行光线追迹和点列图分析,验证了所设计结构解决了边缘子眼离焦,降低了系统的成像像差。利用评价传递函数和成像模拟验证所设计结构的成像能力,当OTF系数为0.3时各级子眼的空间频率均满足成像要求,子眼的成像清晰度和细节符合成像标准。 (2)微型椭球面仿生复眼的双光子聚合加工与成像检测。采用飞秒激光双光子聚合技术加工所设计结构,研究了激光功率、加工速度和分层方式对结构加工的影响,根据研究结果采用最优参数加工微型椭球面仿生复眼。利用超景深显微镜和SEM对加工后的复眼结构进行表面形貌和尺寸检测。搭建光学检测平台,对所设计结构和球面仿生复眼进行聚焦、字母掩膜“C”与“U”的成像检测。结果表明,与球面仿生复眼相比,所设计结构可实现平面均一成像,边缘子眼的成像亮度提升了61.6%。 (3)基于YOLO11算法的复眼目标检测与追踪。制作了仿生复眼对字母“C”、“U”和甲壳虫的成像数据集,完成了数据集的标签制作、划分和训练,并基于YOLO11算法构建了仿生复眼目标检测模型。与YOLOv8模型进行速度和精度对比,YOLO11的m AP50-95检测精度提升了10.8%,具备1.8ms的检测速度和98.5%检测精度。使用pyqt5搭建了仿生复眼目标检测系统界面,并对字母和昆虫进行目标检测与追踪。

关键词： WSN机动目标跟踪   粒子滤波   灰狼优化算法   机动目标跟踪   自适应权值因子  

摘要： 针对粒子滤波(PF)在机动目标跟踪中由于样本贫化导致跟踪精度低的问题,提出了一种基于改进灰狼粒子滤波的WSN机动目标跟踪算法,使粒子滤波中的粒子被引到权重取值较大的区间.这有效地增强了粒子滤波算法当中的粒子的探索能力,并有效地减少了粒子贫化的影响.此外,这种方法还可以增加粒子群的多样性,进一步提高跟踪性能.利用匀速圆周运动模型(CM)进行滤波跟踪,使用EKF算法和PF算法与本算法进行比较,以均方根误差为评价指标.经过仿真实验对比表明,所提算法均方根误差分别降低了57%和37%.