关键词： 智慧体育   智能摄录系统   目标检测   目标追踪   YOLOv5s   OSTracker   WIOU   ConvMixer  

摘要： 针对体育比赛中对智能摄录系统的实际需求，开展了基于目标检测与目标追踪融合的识别追踪方法研究。首先，提出一种改进的YOLOv5s检测模型，在原有结构基础上改进锚框损失函数为Wise-IOU，并将部分C3模块替换为ConvMixer模块，以提升检测精度。随后，将改进模型与OSTracker跟踪算法结合，构建完整的检测追踪系统。最后，结合机械臂将检测追踪模型部署。实验结果表明，改进后的检测模型平均精度提高2.07%，达到90.76%，其中对篮球目标的检测精度高达96%。经实际验证OSTracker相比于其它追踪算法更加高效稳定，系统FPS约在75～100之间满足实时效果，所提出的识别追踪方法可行，具备在体育比赛智能摄录中的实际应用价值。

关键词： 无人机   目标跟踪   轨迹规划   可视区域   视点优化  

摘要： 在无人机目标跟踪任务中,实时规划一条安全、有效且具有高度目标可见性的轨迹,是实现目标稳定跟踪的关键.为保证无人机在复杂未知环境下实现目标稳定跟踪,提出一种无人机主动观测轨迹规划方法.首先,使用预测模型获得一系列离散的未来目标轨迹点;其次,根据当前环境地图信息,在每个目标轨迹点周围生成可视区域和初始视点,并设计一系列代价函数对视点进行优化;最后,结合每个目标轨迹点的最优视点位置约束对无人机跟踪轨迹进行优化.仿真结果表明,所提出方法能够在各种复杂环境中完成目标实时稳定跟踪任务,较好地解决了现有方法存在的目标被遮挡问题.

关键词： 深度学习   目标检测   注意力机制   自适应融合   YOLOv8  

摘要： 随着电子制造业的快速发展,印刷电路板(PCB)的质量对电子产品的性能和安全性至关重要。传统PCB缺陷检测方法(如机器视觉和图像处理)虽然取得了一定成果,但在检测精度、速度和适应性方面仍存在不足。近年来,深度学习在图像识别领域展现出显著优势,为解决这一问题提供了新的可能。因此,本文基于深度学习技术,研究一种高效、准确且适应性强的PCB缺陷检测方法,以满足现代电子制造行业对质量与效率的更高要求。主要研究内容如下: (1)选用北京大学公开的PCB缺陷检测数据集作为基础数据集共693张图片,包含6种缺陷类型的标签数量。考虑到原始数据集的规模相对较小,为了增强模型的鲁棒性和稳定性,我们对原始数据样本进行了数据增强操作。具体采用了包括光照调节、区域截取、位置偏移、角度变换、对称翻转、噪声注入以及局部遮挡等多种技术手段。在经过数据增强后,数据集达到了11361张,极大地丰富了数据集的多样性和覆盖面。 (2)针对PCB缺陷检测中细小缺陷难以检测的问题,本文设计了一种改进的YOLOv8网络模型,通过Swin-Transformer替换YOLOv8的骨干网络,以提取具有丰富全局上下文信息和差异化特征的多尺度特征信息。为了有效降低背景噪声等冗余信息的干扰,在检测网络前端嵌入了Tripplet注意力模块。该注意力机制通过三重特征交互,使网络在提取海量特征时能够有效过滤非关键信息,从而提升对细微缺陷的识别能力,实现更精准的检测效果。并且本文在Head部分采用了ASFF自适应融合不同尺度的特征图,以进一步提升检测效果。实验结果表明,优化后的模型在平均精度(m AP)指标上达到89.9%,较基线方法提高了3.3%。这一提升证实了改进方案的有效性。 (3)为了进一步满足实时检测的需求,对YOLOv8模型进行了优化,为了在保持较高准确度的情况下降低计算的复杂度,在网络中引入了C2F＿Faster模块,该模块能够快速处理图像特征并减少冗余计算,从而显著提高模型的运行效率。此外,为了增强模型对细小缺陷的识别能力,采用了Wasserstein距离作为损失函数的一部分,以更好地衡量预测框与真实框之间的差异,特别是在处理重叠或相邻目标时能提供更精确的匹配度预测。这种改进不仅有助于加快收敛速度,还能有效提升对于微小目标的定位精度。实验结果表明,改进后的算法实现了较高的平均精度(m AP为85.6%),并显著提高了模型的检测速度(96.2FPS),从而验证了改进方法的有效性。

关键词： 深度学习   目标检测   轻量化   多尺度  

摘要： 随着工业自动化水平的不断提高,铝型材作为一种广泛应用于建筑、航空航天、汽车制造等众多领域的重要材料,其质量检测的高效性和准确性愈发关键。传统的铝型材缺陷检测方法存在诸多局限性,难以满足现代生产的检测需求。近年来,计算机视觉技术蓬勃发展,基于深度学习的YOLO系列的目标检测算法具有明显优势,因此本文聚焦于YOLOv8算法在铝型材缺陷检测中的应用研究,针对算法模型本身的不足和检测精度欠佳等问题展开研究,为提升铝型材质量检测效率和准确性提供了思路与方法。本文的主要研究工作如下: (1)针对YOLOv8算法计算资源大,无法满足工业环境下对铝型材缺陷实时性检测的要求,提出一种轻量化的检测算法。首先采用基于元素乘法的超级轻量化神经网络StarNet替换YOLOv8的整个主干网络部分,降低模型的复杂程度的同时从多个角度对铝型材图像进行特征挖掘;接着在颈部使用Ghost卷积替换普通卷积,降低模型颈部网络的复杂度;然后使用LSCD检测头替换原来的解耦头,进一步减少模型检测头部分的参数量;最后将原损失函数用WIo U替换,促使模型在训练过程中更加聚焦于对缺陷关键部位边界的准确回归,加快模型的收敛速度的同时提升精度。实验结果表明改进后的算法参数量由原有的3.0M减少至1.6M,几乎降低了一半,能够满足实时性检测的要求。 (2)针对铝型材因工业环境下多种因素导致的表面缺陷尺度差异大、检测精度欠佳、小目标易漏检等问题,提出一种改进YOLOv8缺陷检测算法。首先在主干网络引入扩张残差块DWR,扩大卷积核的感受野,使其能够获取更大范围的图像信息;其次把大型可分离核注意力机制添加到空间金字塔池化中,增强模型对目标尺度变化的适应能力;然后在颈部融合层中采用双向特征金字塔网络Bi FPN取代原来的PAN,提高铝型材缺陷特征表达能力;最后,在模型中增加小目标检测头,为小目标检测提供更丰富、更精细的细节信息,增强模型对微小铝型材缺陷的感知能力。实验结果表明改进后的算法在精度指标上达到89.4%,比原有YOLOv8算法提升了4.7%,取得良好的检测效果。 图[42]表[10]参[72]

关键词： 小目标检测   目标跟踪   无人机探测   ByteTrack  

摘要： 随着无人机技术的快速迭代与规模化应用,其作业场景已从民用领域扩展至国防军事等战略层级。未经授权的违规飞行行为对政府机关、医疗设施、科研机构等敏感区域构成空域安全威胁,亟待构建智能化监管体系以实现有效反制。本研究致力于构建集目标检测识别与持续轨迹跟踪于一体的无人机的探测方案。通过融合目标检测与多目标跟踪技术,实现复杂空域环境下无人机小目标的精准定位与持续追踪。在此背景下,本文主要工作如下: 针对无人机目标检测中存在的目标尺度小、特征显著性弱及识别精度受限等问题,本研究提出基于YOLOv8框架改进的无人机专用检测模型YOLOv8-UD。通过多维度架构优化实现性能提升:首先,采用空间深度卷积(SPD-Conv)模块重构骨干网络下采样层,缓解浅层纹理特征的信息衰减;其次,引入双向特征金字塔网络(Bi FPN)增强多尺度特征融合能力,改善微小目标的全局语义表征;同时增设高分辨率检测头强化小目标响应,并通过Inner-Io U损失函数优化边界框回归精度。实验结果表明,改进算法有效提升了复杂场景下无人机目标的检测鲁棒性,其m AP(0.5)和m AP(0.5:0.95)达到了0.805和0.334。相较于原版模型,分别达到了4.6%和7%的提升。 针对无人机持续跟踪中存在的轨迹断裂与身份切换(ID Switch)问题,本研究基于ByteTrack跟踪算法框架提出三阶段优化策略:首先,构建轨迹置信度评估模型,通过解析目标遮挡前的瞬时速度矢量与历史运动轨迹特征,动态计算轨迹保留阈值;其次,设计基于遮挡持续时间的自适应匹配区域扩展机制,当目标丢失帧数超过安全阈值时,按指数函数动态扩大搜索半径,有效缓解因运动预测偏差导致的轨迹关联失效问题;最终,采用匀加速运动模型替代原匀速假设,通过引入加速度状态变量提升机动目标的位置预测精度。改进算法通过轨迹管理策略优化与运动模型增强的协同作用,显著提升了复杂遮挡场景下无人机目标的跟踪鲁棒性与轨迹连续性。实验表明,改进后的算法相较于Byte Track其MOTA提升了2.65%,而MOTP提升了2.14%,跟踪精度有着明显提高。 本文所提改进模型,提高了复杂场景下无人机目标检测的精度和跟踪的效果,适用于无人机空域管控的应用场景,具有良好的应用价值。

关键词： 深度学习   目标检测   机场场面   活动目标监视   多源信息  

摘要： 近年来,民航运输业蓬勃发展,机场规模与业务量持续攀升,在智能交通和机场安全高效运营的双重需求下,机场场面监视作为一项关键任务,面临多尺度目标检测、遮挡干扰及光照变化等挑战。现有目标检测算法在处理这些问题时,存在检测精度不足和鲁棒性差等问题,难以满足机场智能化管理需求。为此,本文围绕多尺度全天候机场场面目标检测展开研究,具体工作如下: （1）数据集构建:针对机场场面监视任务中缺乏专用目标检测数据集的问题,本文构建了面向机场场面活动目标监视的目标检测数据集AFTD,该数据集广泛采集了停机坪、滑行道、跑道等不同位置,涵盖了不同天气条件及不同光照强度下的图像信息。通过严格的数据采集流程和精细的标注工作,确保了数据集的高质量和多样性。数据集目前标注了飞机、车辆、人员三类机场场面上的主要活动目标,并进行了类别分布统计和目标尺度统计分析,阐述了机场场景目标检测的主要挑战。此外,本文在该数据集上测试了多种主流目标检测算法并建立了基准,为后续研究提供了对比依据。 （2）多尺度特征融合网络设计:为应对机场场面中活动目标尺度差异悬殊、中小目标比例较高的问题,本文设计了一种新的多尺度特征融合网络。多级特征联合增强模块通过高效的信息交互机制实现不同尺度特征的互补,提升了模型对各类目标的感知能力。细节特征增强模块在在控制计算量的同时丰富了细节特征。实验结果表明,该网络在AFTD数据集上表现良好,8)50为67.2%。 （3）提出基于ADS-B位置信息引导的目标检测算法AGDet:考虑到机场场面环境的特殊性,本文提出了一种基于ADS-B位置信息引导的机场目标检测算法AGDet,突破传统目标检测方法仅依赖视觉信息的局限。利用ADS-B提供的关键信息,引导模型聚焦特定区域,从而提高检测精度。为进一步增强网络的特征提取能力,在AGDet中引入了注意力机制,使模型在复杂机场环境下能更加高效地提取信息。实验表明,AGDet融合多源信息,有效提高了检测的准确性和鲁棒性。

关键词： 图像处理   浮选泡沫   图像去噪算法   泡沫特征分析  

摘要： 浮选工艺是一种利用矿物表面物理化学性质,从矿石中分离有用矿物的选矿方法,其本质是通过矿物表面的亲水性和疏水性不同来实现矿物分离。在煤炭浮选过程中,浮选工况复杂多变,且作业环境恶劣,现有自动化系统的准确度常常不及经验丰富浮选司机的肉眼判断,但由于浮选司机肉眼判断高度依赖个人经验与技能,致使不同浮选司机的判断结果差异大,且需长时间现场作业,劳动强度大易疲劳,进而影响判断准确性。 本文构建了一种基于嵌入式图像处理技术的浮选监控终端,利用先进的图像采集与分析算法,实时捕捉并精准解析浮选槽内泡沫的颜色、大小、分布等关键特征,为浮选工况的准确判断提供有力依据。 在煤炭浮选图像监测时,车间环境复杂,图像容易被噪声干扰,这会影响泡沫特征的观察以及工况的判断。所以,本研究运用贴合视觉的灰度转换法,按照人眼对三原色感知敏感度来权衡,从而有效保留泡沫细节。提出小波变换能量权重与总变分正则化相结合的去噪算法,经对比实验,其在主观视觉和客观指标上优于传统算法,能为浮选泡沫图像分析提供优质数据。 在浮选泡沫特征分析中,存在随机或边缘选取像素行列代表性差、受干扰大影响分析结果,以及难以准确计算泡沫数量与大小分布、判断药剂添加量等问题。为此,本研究从图像中心提取行列像素,利用其反映泡沫整体特征;提出根据像素变化曲线波谷数量和间距计算泡沫数量与大小分布的方法,并引入滤波器提升准确性;以平均灰度描述泡沫颜色,依此判断药剂添加情况。经样本验证,泡沫数量估算准确率达87.45%,为浮选工艺优化提供有力支持。 在算法的实现上,传统集中式系统存在处理节点易过载、响应慢、故障影响大,数据传输有瓶颈和延迟,扩展性差等问题。针对传统集中式系统存在的缺点,本研究在分布式系统架构的基础上,设计了包含数据处理设备和数据汇总与管理设备的浮选泡沫图像处理终端,减轻节点负担、提升响应速度与可靠性,降低传输压力满足实时性,且扩展性良好。 实验结果表明,本文中所提出的图像去噪算法不论是主观的视觉感受,还是客观的评价指标都优于传统的图像处理算法。同时创新性的浮选泡沫估算方法,以及浮选泡沫大小分布情况估算方法展现出了较高准确率,结合浮选泡沫图像的平均灰度,为浮选工况的判断提供了重要的数据支撑。此外,分布式信息处理与集中式信息管理,充分利用了本地设备的计算资源,能够快速得出结果,提高整体效率,降低对网络的依赖。 该论文有图19幅,表3个,参考文献61篇。