关键词： 目标跟踪   任务调度   Kubernetes   分布式协同  

摘要： 搭载视觉传感器的无人设备通过目标跟踪算法可以实现实时视频分析,在灾害救援、智能监控等场景中具有重要应用价值。目标跟踪任务涉及多模块分布式协同,传统部署方式资源分配不均、任务调度不灵活,因此可以结合容器化技术和Kubernetes编排工具,高效整合计算资源,通过调度策略实现任务部署。但现有的调度策略对多类型资源的分配策略单一、任务之间缺乏协同调度,且任务执行不同阶段存在着需求差异。针对上述问题,本文提出了基于分布式协同的目标跟踪策略,具体工作如下: 1.改进消去与选择转换法的多类型任务调度算法:为了满足目标跟踪任务对多种类型资源的需求,本文首先定义了计算密集型和数据密集型任务对资源的不同需求,结合最优最劣赋权法对资源指标赋权,综合考虑CPU、内存、磁盘、网络使用情况,使用改进的消去与选择转换法选择最优节点。通过实验证明了该算法提高了资源匹配精度,有效地降低了节点资源竞争引发的性能瓶颈。 2.提出基于任务依赖关系的协同调度算法:针对目标跟踪的多任务部署没有考虑任务之间关系的问题,本文提出了一种创新的协同调度策略,通过上传任务的依赖关系DAG图,结合列表调度计算出任务执行的关键路径和关键任务,确定任务调度的顺序,通过算术优化算法确定调度节点,同时考虑了系统的负载均衡和关键任务的执行效率。通过实验证明了该策略可以引导整体任务更快启动执行。 3.提出基于分布式协同调度的目标跟踪策略:针对多板卡异构无人设备执行目标跟踪任务背景下任务协同问题,本文构建了云边端协同架构,明确视频采集与处理的层级分工,设计了由四足机器人、无人车和无人机组成的异构设备集群,并根据设备特性搭载计算资源。通过基于分布式协同调度的目标跟踪策略,将目标跟踪任务分解为目标检测、目标关联和目标重识别等模块,在任务执行前后分别应用本文提出的协同调度与多类型任务调度算法,实现目标跟踪任务的分发与执行。通过实验证明了该策略在真实的场景中快速部署和执行目标跟踪任务的能力。 4.实现目标跟踪任务协同调度与可视化监控的系统:为了方便使用本文算法对目标跟踪任务进行调度,本文设计并实现了分布式协同调度系统,展示任务执行情况以及与节点之间的关联关系。

关键词： 图像处理   同态加密   TenSEAL   密文运算   SFTP  

摘要： 随着数字化进程的加速推进,数据安全与隐私保护已成为全球关注的焦点。图像数据因其高敏感性和广泛的应用场景,在传输与计算过程中面临窃取、篡改和泄露等风险。传统加密技术虽能保障传输安全,但需在解密后方可处理明文数据,存在隐私暴露隐患。同态加密技术因其“密文计算”特性,允许在不解密的前提下直接对加密数据进行处理,为隐私保护提供了新思路。然而,现有同态加密方案在图像处理领域仍面临效率瓶颈与复杂运算支持不足的挑战,例如大规模矩阵运算的高耗时问题、密文传输中的安全性保障不足等。如何设计高效且安全的图像密文处理与传输方案,成为亟待解决的关键问题。 本文以同态加密技术为核心,结合图像处理需求,提出了一套完整的图像数据安全传输与计算方案。首先,基于TenSEAL库,设计了图像矩阵密文运算方案,涵盖矩阵加减法、哈达玛积卷积运算等,通过将多维矩阵分解为单维向量并优化编码方式,实现了密文状态下的高效计算。其次,提出图像密文传输计算方案,利用TenSEAL的序列化功能将密文与密钥转换为字节流,结合SFTP协议构建安全传输通道,确保密文在传输过程中免受篡改。最后,基于上述方案开发了可视化图像保护系统,系统分为用户端与第三方端,用户端负责数据加密与解密,第三方端仅处理密文计算,两端通过SFTP协议交互,有效隔离了原始数据与第三方接触,实现了端到端的隐私保护。方案通过降低多项式模度优化计算效率,并采用零填充、矩阵分块等技术适配不同规模的图像处理需求,解决了传统同态加密在图像场景中的局限性。 实验结果表明,本文方案在保证数据安全性的同时,具备较高的可行性。根据测试显示,密文处理后的图像与明文处理结果的峰值信噪比(PSNR)完全一致,验证了算法的正确性;与近期同类研究对比,系统支持加减法、乘法、哈达玛积及卷积等操作,运算速度达4.3 MB/s,密文膨胀率控制在12倍左右,优于FHE方案,适合中小等规模密态图像处理,且PSNR达50 d B,适用于医学影像等高保真场景。此外,基于SFTP协议的可视化系统成功实现了密文传输与处理的全流程闭环,有效抵御中间人攻击与数据篡改。未来研究可进一步探索矩阵分块并行计算,优化库底层逻辑以提升大规模图像处理效率,推动同态加密技术在医疗影像、遥感数据分析等领域的实际应用。

关键词： 图像处理   多目标检测   轻量级   EfficientFormerv2   GSConv  

摘要： 为了解决多目标检测算法参数多、网络复杂计算量大、不利于在嵌入式设备进行部署的问题，提出了一种改进的轻量级多目标检测算法YOLO-EFS。在此算法中，使用EfficientFormerv2作为骨干网络进行特征提取，以此来降低网络的参数量和计算量，使用GSConv增强模型的非线性能力，引入VoV-GSCSP模块在精简模型参数量的同时提高模型性能。实验使用羊群图像数据集，以YOLOv7为基准模型做对比实验，YOLO-EFS模型网络的mAP值、P值和R值分别为84.19%、86.45%和78.16%，参数量和浮点运算次数比基准模型分别缩减了44%和71%，在保证较高的检测精度情况下，降低了硬件成本，更适合移植到嵌入式设备中。

关键词： 双面盲文图像识别   自制双面盲文数据集   目标检测   语言模型  

摘要： 传统盲文识别研究主要将双面盲文识别简化为对正反两面的独立单面识别过程,此方法需对盲文刻印品进行翻转并多次采集图像,不仅效率低下,而且在特定环境下受限于盲文刻印设备的物理结构无法实现翻转操作。此外,识别范围仅限于盲文凸点,而忽略了盲文凹点的信息。同时,盲文图像识别领域的算法进展有限,并且当前盲文数据集资源严重匮乏,现有公开数据集主要以单面盲文为主,其标注信息仅包含盲文凸点特征,缺乏凹点信息。针对上述问题,本研究提出一种能够同时识别盲文凸点与凹点的双面盲文检测模型(Double Side Braille Detection,DSBD),并针对盲文检测的特定挑战设计了三个独立改进模块,利用自主构建的双面盲文数据集进行实验验证。同时,采用微调的语言模型对检测结果进行校正,显著提升了识别精度。最优模型在m AP50-95评价指标上较现有方法提高了20.76%。本研究的主要贡献如下: (1)组建了标注团队,通过系统化培训使成员掌握标注工具操作,后对盲文凹点构成的反面盲文数据集进行了标注与校对,构建了高质量反面盲文数据集,结合对现有数据集的系统化收集与处理,创建了完整的双面盲文数据集。自主开发代码将数据转换为YOLO格式,并应用图像增强技术显著扩充了样本数量。 (2)本研究提出一种能够同时识别盲文凸点与凹点的双面盲文检测模型DSBD,并且针对双面盲文检测中的区域干扰及检测框重叠问题,提出了动态特征聚合(DFA)模块,该机制能根据输入图像内容自适应调整注意力区域,使模型精确捕捉盲文凸点、凹点的关键特征,该模块的最高准确率达99.30%,较YOLOv5提升14.31%;针对双面盲文作为小目标检测面临的多因素干扰问题,设计了特征增强与压缩(FEC)模块,显著提升模型对盲文点微弱特征的感知能力,降低误识别率,该模块的m AP50最高达83.85%,较YOLOv5提升11.29%;为增强模型对盲文特征的感知能力,开发了基于SE模块的改进结构,有效提升盲文特征的区分性,促进模型更精确地分离前景目标,减少特征混叠影响,该模块的m AP50-95最高达75.34%,较YOLOv5提升20%。此外,对YOLOv11网络架构进行了针对性优化,使其更适应盲文特征与数据集特性。 (3)检测模型对盲文的置信度评估存在波动性,难以保持恒定高水平。为此,本研究开发了基于自定义盲文字符级Tokenizer微调的GPT-2盲文预测语言模型,该模型能根据汉语盲文上下文关系进行预测,生成特定位置最可能出现的盲文字符及其对应的预测置信度。通过阈值筛选或置信度优先的方法,将语言模型与检测模型结果融合,采用双重评估机制对检测结果进行综合判断与校正。此方法通过语言模型的引入提高了盲文预测准确率,使预测结果更符合汉语盲文语法规则。 (4)基于上述研究成果,构建了完整的双面盲文识别系统,包括单模型双面盲文识别模块和双模型双面盲文识别模块,用户可上传盲文图像进行识别并获取可编辑的盲文字符;独立开发的盲文预测功能允许用户输入盲文序列,通过语言模型预测后续盲文的概率分布;系统还集成了历史记录功能,支持查询各功能使用记录;个人中心功能,允许用户修改个人资料、账户安全设置及系统配置参数。该系统已成功部署于网页及移动应用平台,为视障人士及相关工作者提供便捷的盲文识别工具。 本研究提出的创新双面盲文识别技术显著提高了识别效率,降低了操作成本。通过构建自主双面盲文数据集并验证本研究的创新算法,结果表明所提方法有效提升了盲文识别准确率。同时,通过融合自定义字符级Tokenizer的语言模型与盲文检测模型进行综合校正,进一步提高了识别系统的准确率与可靠性。该研究对促进视障人士平等获取信息、提升社会包容性、推动残疾人事业发展和构建包容性社会具有重要意义,同时为盲文教育、文化传承与保护以及相关产业发展提供了坚实的技术基础,具有广阔的应用前景和深远的社会影响。

关键词： 松材线虫病   目标检测   定位技术   YOLOv8   无人机巡检  

摘要： 松树作为我国森林生态系统中的重要组成树种,占据人工林面积的七成以上。松材线虫会使寄生树木全株迅速枯萎死亡,传播速度非常快,并且发病周期比较短,被称为松树的“癌症”,防治难度极大,严重影响了当地的生态安全。传统的人工巡检方式已经不能适应松材线虫病疫木的巡检需求,采用无人机进行病疫木巡检成为提高巡检效率和准确性的关键途径。然而在复杂的林地环境中,如何实现高效且精确的识别和定位成为了当前面临的难题。本文针对松材线虫病疫木检测及定位问题进行研究,主要研究内容如下: 针对检测算法,提出基于DALYOLO的松材线虫病疫木检测算法。在该算法中,首先提出了一种深度残差瓶颈模块（Deep Residual Bottleneck Module,DRBM）,来解决C2F模块在处理更复杂特征提取或需要高度动态性的任务中,梯度优化不足,深层网络训练困难的问题;然后结合空间注意力和标准卷积的优势,设计出一种全新的自适应权重的下采样卷积（Adaptive-weight Downsampling Conv,AWDConv）,解决了卷积核参数共享的问题,从而提高了网络的特征提取能力和性能;最后提出了 Inner-WIoU损失函数,来控制高IoU和低IoU样本在回归中的不同重要性,尤其是对于低IoU样本的回归效果进行强化,解决了现有IoU损失在不同检测任务中面临的弱泛化性和收敛速度慢的问题。经实验验证,DALYOLO模型的mAP@0.5达93.5,准确率达90.4,FPS达179.3,在综合性能上遥遥领先于Faster R-CNN,其推理速度也表现出了出色的实时性,更加适合实时检测任务,并且整体性能优于 SSD、EfficientDet、YOLOv5 和 YOLOv8。 针对定位问题,研究了基于坐标转换的无人机图像定位方法。通过DALYOLO目标检测算法对采集的图像进行目标检测和识别后,得到待定位目标。然后再通过IMU获取无人机的姿态角信息,再通过计算由无人机地理坐标系转换为相机坐标系。之后将相机坐标系中的三维坐标转换为世界坐标系中的三维坐标,最终便可以通过WGS-84坐标计算出目标的经纬度坐标。经实验验证检测结果的平均误差为4.9米,最大误差为6.95米,最小误差为3.2米,满足设计需求。 最后设计了松材线虫病疫木检测系统,该系统分为硬件系统和软件系统,硬件系统包括无人机平台、边缘计算设备、通信模块等。软件系统包括:设计了一款可视化界面,用于检测松材线虫病疫木,并且可以输出病疫木的经纬度坐标。开发了一款松材线虫病疫木检测系统APP,包含病疫木信息上传、病疫木位置导航、除治结果上传与查看等功能。 经过上述研究与改进,本研究显著提高了松材线虫病疫木检测的准确性和效率,为松材线虫病疫木检测提供了更加高效、智能的技术支持。DALYOLO模型的优化和高精度的无人机图像定位方法,使得病疫木的检测与定位精度达到了实用标准,并且包含可视化界面和APP的病疫木检测系统可有效提升病疫木监测与治理的智能化水平。

关键词： 目标检测   神经网络   无人机检测   小目标   轻量化  

摘要： 由于无人机体积小、空域背景复杂且容易与鸟类等天空目标混淆，已有的目标检测模型精度不足。虽然增加模型规模可以在一定程度上提升检测精度，但也会降低模型推理速度、增大参数量与计算量。此外，目前可用于小目标无人机检测的数据集缺乏，难以有效支持无人机检测方法设计。针对以上问题，首先根据现有的开源无人机与鸟类检测数据集，采用基于目标面积压缩的小目标样本增强方法，构建一个可用于小目标无人机与鸟类分类任务的数据集。然后，对YOLOv8模型进行改造，通过使用轻量级自适应下采样卷积结构(LADC),建立了轻量级模型YOLO-LADC,可以在降低模型参数量和计算量的同时提升检测精度。更进一步，在YOLO-LADC的颈部网络增加分支结构得到YOLO-LADCS模型，以更好地适应小目标无人机检测任务。对比实验表明，YOLO-LADCS能够在参数量相比YOLOv8的轻量级衍生版本YOLOv8n减少14%的情况下，将小目标检测的平均准确率提升约1.1%。

关键词： 持续学习   目标检测   农田杂草识别  

摘要： 在农业智能化不断推进,目标检测技术在农田作物杂草识别中扮演起至关重要的角色。当前大多数目标检测方法依赖静态建模,期望通过一次性采集固定类别的数据进行模型训练,这难以应对农田生态系统中作物杂草表型特征受时间、光照、气候及区域环境影响所带来的动态挑战。实际应用中农田场景往往呈现出明显的差异,加之突发性杂草入侵和区域性生态变化,使得传统目标检测模型在跨时间、跨区域的泛化能力和环境适应性两方面表现不足,进而影响智能除草和精准农业管理的实施效果。针对上述问题,本文引入持续学习回放法,重构可持续学习的农田作物杂草目标检测数据集,构建结合知识蒸馏机制的持续学习目标检测框架,提出分层混合采样策略回放策略,实现模型在不断变化的农田环境中持续稳定地学习新知识,同时有效缓解灾难性遗忘现象。本文主要开展了以下三方面工作: (1)针对农田目标检测面临的数据不足与数据分布漂移问题,提出了一种多源数据构建方法。通过自主采集百合杂草图像,并结合Cropand Weed与Cotton-Weed Det12开源数据集,构建了一个覆盖不同光照条件、不同地块环境及不同采集时段的高质量图像数据集。通过任务流重构的方法将数据集划分为3个域增量任务和6个类增量任务,其中每个域增量任务均包含至少800个有效标注,而类增量任务则涵盖2至3个类别及1000至4000个有效标注,较为真实地模拟了农田生态系统的动态变化特征。 (2)在Faster R-CNN框架基础上设计实现了一种基于回放法的持续学习目标检测框架。该框架由动态任务管理模块、记忆管理控制器、训练优化器和动态模型适配器四大核心模块构成。动态任务管理模块通过递归式目录扫描和结构化标注语义解析,自动识别数据集中新增任务并构建全局类别注册表,确保各任务间类别信息的一致性和无冲突;记忆管理模块构建了可动态调整的记忆库,根据样本分类预测的不确定性和特征代表性按照预设比例从历史任务中抽取样本与当前任务数据混合训练,有效缓解持续任务学习中的灾难性遗忘问题;框架引入知识蒸馏机制,通过软标签约束与特征对齐降低新旧任务间的参数更新带来的性能衰退;设计分类头动态扩展策略,通过向线性层后追加新神经元并采用高斯分布初始化,实现了在不破坏原有模型结构的情况下对新类别的无缝引入,增强了模型在类增量场景下的结构可扩展性,为后续知识保持提供了良好的基础。 (3)为应对持续学习回放法中记忆样本的样本选择问题,提出了一种分层混合采样策略。该策略通过融合随机采样、原型采样和不确定性采样三种方法,按照预设比例混合的方式进行样本选择,在有限记忆容量下选取数据分布的均衡性和样本多样性。实验结果表明,使用该分层混合采样策略的持续学习目标检测模型可以将灾难性遗忘控制在16.0%,显著提高了检测精度和模型鲁棒性,在一定程度上有效缓解了农田场景中,由于作业环境复杂多变所导致的目标检测模型灾难性遗忘问题。

关键词： YOLOv8算法   目标检测   PyQt5图形界面框架  

摘要： 工地工作环境相对危险，穿戴安全帽和反光背心等工地基础防护用具的安全防范意识非常重要，如果疏忽，工人的人身安全将存在巨大隐患。针对以上问题，设计一个以工地为背景的基础防护用具检测系统。该系统基于YOLOv8目标检测网络模型和PyQt5图形界面框架，具有检测图片文件、视频文件、摄像头实时检测及检测结果统计等功能。经实验测试，系统最终的平均检测精度达到89.7%。