关键词： 计算机视觉   深度学习   猪只识别   YOLOv5  

摘要： 当前的猪只识别技术在复杂环境下识别时间长、误识率高，为了提升猪只识别与行为监控的效率与精度，本文进行了猪只识别技术研究。研究利用改进的YOLOv5模型，结合数据采集、预处理与特征提取方法，以达到猪只身份与特定行为识别的目的。分析结果表明，该方法在复杂环境中具备较高的识别精度与适应性，为智能化养殖管理提供了重要技术支持，对养殖业数字化转型具有实践参考价值。

关键词： 增材制造   图像处理   数据增强   光照校正   缺陷检测  

摘要： 激光熔融金属粉末是增材制造领域中一种先进的制造工艺,其凭借独特的离散-堆积生产方式,被广泛应用于航空航天、汽车以及医疗领域中复杂结构件的制造。其中,粉末床作为其生产加工的基板,其表面铺粉质量直接影响打印结构件的质量,因此须对铺粉过程中的缺陷进行在线监测。虽然现有的视觉检测方法已经投入使用,但其存在检测准确率较低且在光照条件不均匀的情况下检测效果差等问题。因此,本文基于深度学习技术,提出了一种针对激光熔融金属粉末制造过程中铺粉缺陷的检测方法,主要研究内容如下。 1)针对铺粉缺陷图像数据集样本较少且类别数据分布不均匀、多样性差的问题,研究了一种基于Bicycle GAN的缺陷样本数据增强方法。通过分别在判别器、生成器中引入谱归一化层和ECA注意力,使网络训练更加稳定的同时加强了缺陷特征的权重。通过构建缺陷区域重建损失,加强缺陷区域的生成质量。 2)针对铺粉缺陷图像光照不均匀,缺陷不显著导致后续检测难度加大的问题,研究了一种铺粉图像光照校正增强算法。通过K-means聚类算法获取光照中心坐标,将其作为参数引入伽马校正函数,以提高过暗区域的校正强度,并且设计了一种梯度引导S型自适应增强曲线以凸显缺陷区域特征,降低缺陷检测难度。 3)针对铺粉缺陷检测准确率较低,微小缺陷漏检率高的问题,研究一种基于Mask-RCNN的铺粉缺陷检测与分割方法。通过图像切片化处理,提高微小图像占比,提高检测准确率,其次将主干网络更换为Swin-Transformer,以加强对缺陷特征的提取能力,并且采用NWD标签分配策略,以降低微小缺陷的漏检率。 实验结果表明,本文通过研究铺粉缺陷图像数据增强,光照校正增强以及缺陷检测与分割方法,提高了铺粉缺陷的检测平均精度均值,降低了漏检率,符合实际工业检测的要求。

关键词： 多源信息融合   空中集群目标   目标检测   多目标跟踪  

摘要： 随着空中集群目标在军事、安防等领域的广泛应用,对其实时且高精度地进行检测与跟踪已成为一项关键而具有挑战性的任务。传统方法在面对远距离观测、复杂背景干扰以及多目标交互等场景时,难以有效保证检测与跟踪的精度与稳定性。为此,本文提出融合红外图像、可见光图像和激光雷达测距信息的方法,以提升空中集群目标的检测精度与跟踪能力。 1)针对多源数据难以时空同步与有效融合的问题,提出一种多源信息融合算法。通过多传感器时空同步、图像配准和特征级融合等技术,本研究有效应对了不同传感器数据之间的融合难题。本文探讨了时间同步和空间同步技术,研究了一种基于多尺度变换的自适应图像融合方法,并利用非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)实现了图像的多尺度、多方向分解。针对低频和高频分量,采用差异化的权重分配策略,进而通过逆变换重构出融合图像,并进一步融合激光雷达测距信息以实现三维目标定位。最终构建了一个高效的多源信息融合框架,有效解决了空中集群目标检测和跟踪中存在的多源数据同步与融合难题,提升了检测与跟踪的准确性。 2)针对弱小空中目标在复杂背景中易被遮掩的问题,提出一种融合灰度与梯度信息的多尺度联合增强目标检测算法。开展了基于融合图像的检测算法研究,构建以局部均值为基础的对比度响应模型,引入基于图像梯度的响应图,对前述对比度响应进行加权,有效压制边缘与纹理干扰,突出弱小目标响应。本文自建多模态仿真平台,设计了典型的集群目标飞行场景,并开展了多组检测实验。实验结果表明,所提出方法具有较强的鲁棒性与实用性:在目标聚集与交叉场景中,融合图像的检测精度和召回率较单源红外图像分别提高了4.1%和3.9%;在协同编队场景中,检测精度和召回率分别提高了4.1%和3.8%,结果表明,融合图像提升了检测性能,验证了其在弱小目标检测任务中的有效性与适用性。 3)针对传统二维跟踪方法缺乏深度信息,目标身份一致性差的问题,提出一种基于多模态数据融合的三维目标跟踪算法,命名为FusionTrack3D。构建了融合多源传感信息的三维状态估计模型,并引入卡尔曼滤波器对目标的空间位置与运动状态进行动态估计与优化建模。在此基础上,提出结合JPDA的分阶段数据关联方法,以增强多目标跟踪中的身份一致性保持能力。实验结果表明,FusionTrack3D在目标聚集与交叉、协同编队两类场景下,较二维跟踪方法Deep SORT在Precision、Recall和MOTA指标上均取得更高跟踪性能,最大提升幅度分别为3.7%、3.5%和4.8%,表明三维状态估计与多模态融合方法在空中集群目标跟踪中具有一定优势。

关键词： 目标检测   路径规划   YOLOv8   A   DWA  

摘要： 针对纺织工厂中人工检测空纱筒存在劳动强度大、效率低等问题,本研究提出一种融合视觉检测与路径规划的纱筒巡检机器人系统,实现空纱筒的自动化检测与搬运任务。整个系统核心算法创新包括纱筒检测算法优化与路径规划改进两个维度。 在视觉检测算法方面,对于传统YOLOv8n算法检测空纱筒存在精度低、推理时间长等问题进行算法改进。架构层面引入Swin Transformer模块,通过将输入图像分割成固定大小的特征图而不是整幅图像传入网络,加快模型推理速度;运算单元优化使用DWConv代替传统卷积模块,降低模型的计算复杂度和内存占用;引入一种超轻量的动态上采样算子Dysample,采用基于点采样的方式进行上采样,充分利用纱筒特征图的语义信息,有助于模型更好的提取纱筒特征;注意力机制改进方面,在C2f模块引入级联群体注意力（CGA）机制,通过多组件级联架构优化特征融合层。经实验验证,相比于原始YOLOv8n算法,改进后算法的精准率达96.9%（+1.8%）、召回率达98.0%（+7.3%）、m AP达99.3%（+4.3%）。为进一步满足嵌入式部署需求,采用结构化剪枝压缩模型参数43%,结合知识蒸馏技术保持模型精度,最终通过8位整数量化实现检测速度158FPS（+108%）,模型体积缩减至1.6MB（-87%）,满足工业场景实时检测需求。 在路径规划方面,针对传统A*算法搜索效率慢、拐角多等问题,在A*算法的启发函数中添加动态权重系数和拐角优化算法,减少搜索时间,避免不必要的拐弯。提出一种改进的动态窗口法解决DWA算法容易陷入局部最优解的问题,将全局路径算法和局部路径规划算法融合的轨迹曲线进行二阶贝塞尔曲线优化,提高运动轨迹的舒适性和稳定性。 最终对部署后的纱筒检测模型进行了后处理算法优化解决模型检测纱筒存在的定位误差和类别错误问题,并搭建了一套纱筒巡检平台人机交互界面用于服务工厂生产。

关键词： 自动驾驶   目标检测   注意力机制   轻量化  

摘要： 随着道路交通环境日益复杂,自动驾驶技术成为提高交通效率和降低事故发生率的重要手段。目标检测作为自动驾驶环境感知的核心环节,旨在识别图像中的目标并为其提供精确的边界框。然而,当前自动驾驶领域的目标检测技术仍面临诸多挑战:首先,目标多尺度变化(如近处车辆与远处行人)导致检测精度下降;其次,环境干扰(如光照变化与动态遮挡)影响模型鲁棒性;第三,低质量图像(如运动模糊与噪声)降低检测准确性;第四,边缘设备在存储与计算能力上的限制制约了模型部署。针对上述问题,本文基于YOLOv7-tiny模型提出了一系列改进: (1)为了提升模型检测精度,本文设计了三个核心改进模块:首先,设计特征增强模块Rep A(基于特征提取模块Rep NCSPELAN4和可变卷积核AKConv),部署于特征提取阶段。通过结合Rep NCSPELAN4的层级交互机制和AKConv的自适应采样能力,提升模型对多尺度目标的检测精度,有效解决目标尺度变化问题。其次,设计注意力模块BSAMF(包含注意力BSAM和改进的特征金字塔FPN),部署在特征融合层与检测头之间。利用BSAM的跨窗口交互机制和FPN的多尺度融合策略,增强模型对关键目标区域的关注能力,显著提升其在光照突变与动态遮挡等复杂环境下的识别鲁棒性,缓解环境干扰问题。最后,通过将部分卷积PConv和标准卷积块Conv-BN-ReLU融入基准检测头IDetect,设计了增强型检测头PCCBR。通过结合PConv的特征修复能力和Conv-BN-ReLU的训练稳定性,显著提升模型对运动模糊和噪声干扰等低质量图像的适应能力,改善图像质量退化问题。这些改进以“特征提取增强-注意力聚焦-检测头强化”的级联优化方式,共同提升了模型的多场景适应能力。以上三个模块构成YOLOv7-tiny＿RBP模型,在BDD100K数据集上的实验结果表明,本改进方法相较于基准模型mAP@50提升了2.5%。 (2)为了对改进后的模型进行轻量化,本文采取了双重优化策略:首先,引入轻量级卷积GSConv和颈部结构Slim-Neck,该模块通过结合GSConv的高效通道混合技术和Slim-Neck的特征聚合机制,显著降低了模型规模;接着,采用基于层自适应的模型剪枝方法和基于L1稀疏化训练的自适应模型剪枝方法,进一步压缩模型规模,使其更适合边缘设备部署。以上所有模块构成YOLOv7-tiny＿RBP＿GSL,该模型在BDD100K数据集上的实验结果表明,本轻量化方法相较于未轻量化的模型,在mAP@50下降0.8%的情况下,参数量减少56.0%,计算量减少54.4%。

关键词： 数据增强   输电杆塔目标   成像条件   目标检测   深度学习  

摘要： 输电杆塔检测任务面临着目标特征复杂多变，且样本数据少、特征分布不均衡的问题。输电杆塔具有细高形的结构特点，在不同成像条件的卫星影像中呈现显著的特征差异，常规数据增强方法难以有效模拟其在不同成像条件和不同背景下输电杆塔特征。针对这一问题，本文提出了基于成像条件的数据增强方法，从成像角度和成像背景两个方面实现对输电杆塔目标数据的增强。成像角度增强方法通过模拟卫星视角变化生成不同拍摄角度下的输电杆塔图像；成像背景增强方法通过自适应加权融合边缘修复与泊松融合两种方法生成不同背景下的目标图像。在Faster R-CNN、Retinanet和YOLOv3模型下对本文方法进行实验，检测精度相比传统方法均有明显提升。结果表明：该方法相较传统数据增强方法能更好地提升模型对输电杆塔目标的检测能力与定位精度。