关键词： 移动平台   目标检测   低空无人机   运动模糊  

摘要： 低空无人机的普及带来了诸多安全隐患,如黑飞、入侵敏感区域、对地面设施和人群构成威胁等,促使无人机目标检测逐渐成为低空空域管理与安全防控的研究重点。传统检测平台由于其视角固定,常在实际应用中面临监视盲区的问题。为克服固定平台的局限性,本文设计了一种基于移动平台的无人机检测系统,然而移动平台在移动检测过程中会产生图像模糊,同时多变的环境也导致目标背景复杂,构成了影响移动平台检测性能的关键难题。为了解决上述问题,本文提出了一种基于改进Deblur GANv2的去运动模糊算法,并结合改进YOLOv8的移动平台检测低空无人机算法,以提升移动平台在运动环境中对低空无人机目标的检测效果,本文围绕以下几个方面开展研究: 针对移动平台在检测无人机目标的过程中产生的低空无人机目标的运动模糊问题,本文提出了一种改进的Deblur GANv2去模糊算法。通过在其原网络生成器的C1到C5四层卷积层中增加自注意力卷积层,增强网络对关键区域的关注能力;在原网络判别器中加入自注意力卷积层,提升其判别能力与判别范围的全局感知力。同时,使用Ghost卷积块对轻量化模型Mobile Netv2对去模糊网络进行轻量化改进。 针对移动平台在检测过程中无人机目标过小以及在复杂背景中无人机的纹理与环境相似,常常导致检测效率低下,易出现误检和漏检等问题。本文设计了一种基于无人机目标区域兴趣增强的低空无人机目标轻量化检测算法。首先,为了抑制复杂背景对目标检测的干扰,提高对无人机目标区域的关注度,本文将特征提取网络中的C2f模块与通道空间联合注意力机制CBAM进行融合,以增强网络对目标区域与位置信息的感知能力;其次,本文在颈部网络中加入了双向特征融合网络BiFPN,以减少细节信息的损失并整合无人机多尺度信息。提高对无人机小目标检测的精度;最后通过ShuffleNetv2对骨干特征提取网络轻量化。 结果表明,在去除运动模糊的任务中,改进后的模型在检测精度损失较小的情况下,有效减少了模型参数数量,图像质量指标如PSNR和SSIM与原始Deblur GANv2模型相比PSNR达到21.25,SSIM达到0.85,推理时间缩短至0.28秒,提升了运行效率;而在目标检测方面,融合CBAM、BiFPN和ShuffleNetv2的改进YOLOv8模型在复杂背景及小目标检测场景下,降低了误检和漏检率,m AP@0.5值整体提升3.75%,准确率P和召回率R分别较原模型提升3.33%与4.01%。此外,模型体积由5.95MB压缩至3.54MB,提升了模型的轻量化与部署效率。

关键词： 黄土   饱和渗透性   孔隙结构   颗粒迁移   水土作用  

摘要： 黄土渗透性的研究对黄土地区的工程建设与地质灾害防治具有重要意义。为系统性探究压实黄土饱和渗透性的影响因素，通过饱和渗流试验，结合扫描电子显微镜(scanning electron microscope, SEM)和图像处理技术，系统分析了渗流时间、干密度、温度及孔隙结构对饱和渗透率的影响。研究结果表明，粉质黄土的孔隙和孔喉尺寸较大，其连通性显著优于黏质黄土；黏质黄土的平均孔隙分形维数(1.71)显著高于粉质黄土(1.65),表明其孔隙形状更为不规则(P<0.01)。在短期渗透过程中，饱和渗透系数随时间分别减小了3.03%(黏质黄土)和19.93%(粉质黄土);而在长期渗透过程中，渗透系数则分别增加了57.10%和64.39%,这与渗流过程中的淋滤作用密切相关。此外，平均饱和渗透系数与干密度呈指数关系，随着干密度的增加，分别降低了97.30%(黏质黄土)和94.89%(粉质黄土)。温度升高会导致渗透系数随渗流时间延长而分别增加39.32%和30.01%,主要归因于流体黏度的降低。进一步分析表明，孔隙结构是控制渗透性变化的关键因素，其他因素对渗透性的影响本质上都与孔隙结构的变化密切相关。研究结果为黄土地区基础设施建设与地质灾害防控提供了重要的科学依据和技术支持。

关键词： 高光谱视频   目标跟踪   孪生网络   深度学习  

摘要： 目标跟踪是计算机视觉中的一项关键技术。其广泛应用于视频监控、自动驾驶、人机交互等领域。当前主流的跟踪算法主要是基于RGB的视频跟踪算法,但RGB图像在描述物体的物理特性方面具有局限性,在光照变化、复杂背景、部分遮挡等条件下,RGB图像的成像质量受到显著影响,跟踪稳定性难以保持。高光谱目标跟踪将高光谱成像技术与目标跟踪算法相结合,利用目标在不同光谱波段的特性进行精确跟踪。高光谱图像维度高、数据量大,对特征提取带来了较大的计算负担。如何处理高光谱图像中的冗余信息,并提取有效的深度语义信息是当前算法研究的难点。此外,高光谱图像中的光谱信息为跟踪提供了更丰富、鲁棒的特征表示,如何充分利用光谱信息成为高光谱目标跟踪算法研究的关键。 针对以上问题,本文提出三种新颖的高光谱视频目标跟踪算法,旨在研究如何充分利用高光谱图像中的光谱信息与深度语义信息,以提高跟踪算法的性能。本文的主要研究内容如下: 1.针对当前高光谱视频跟踪算法在光照变化情况下跟踪效果不佳的问题,提出一种基于深度谱三元级联特征的高光谱目标跟踪算法。该算法利用目标局部光谱曲线将目标与背景分割,利用波段匹配获得目标光谱曲线进行降维,采用Resnet50提取深度特征。计算结构张量获得目标光谱权重曲线,提取目标图像的SILTP特征,并分配相应的光谱权重,得到STC特征。将深度特征与STC特征结合,得到DSTC特征。最后,将DSTC融合特征送入双相关滤波器进行目标定位。实验结果可以看出,相较与当前的先进算法,所提算法在应对光照变换挑战时,展现出了更优秀的性能。 2.针对传统的基于孪生网络的高光谱目标跟踪算法目标分支和搜索分支独立运行,无法进行有效的信息交互,且跟踪过程中目标模板保持不变的问题。提出一种基于光谱角映射增强和状态感知模板更新的高光谱目标跟踪算法。首先,采用光谱空间角度映射增强技术进行降维,不仅降低了维度,还提高了目标与背景的区分度。其次,引入信息交互模块,促进搜索分支与目标分支之间的特征共享。此外,提出了一种状态感知的模板更新机制,模板池会根据每一帧中模板的可替换性进行动态更新。通过全面的实验以及与最先进跟踪器的对比,验证了所提出方法的先进性能。 3.针对当前的高光谱视频跟踪算法在尺度变化挑战下跟踪精度下降的问题,提出了一种基于光谱自适应聚合加权和尺度更新的新型跟踪器。波段自适应聚合加权被用于降低高光谱图像的维度,并生成一个光谱先验掩膜。随后,降维后的图像被输入到Res Net50网络中进行特征提取。目标区域和搜索区域的特征分别被送入编码器和解码器。同时,光谱先验掩膜被输入解码器以进行先验校正。解码器输出的融合向量会进行无锚框预测,以便精确确定目标位置。尺度感知更新模块采用基于尺度评估的分段模板更新策略。最后,通过评估目标分类得分和尺度得分来确定是否更新模板。根据实验结果可以看出,相较于基准高光谱视频跟踪器,所提出的框架更为优越。

关键词： 目标检测   注意力机制   GSConv   VoV-GSCSP   YOLOv8  

摘要： 随着智能家居设备的快速发展,室内清洁机器人的使用已经越来越普遍。障碍物检测与避障技术是清洁机器人的核心功能之一。尽管激光雷达和传感器可以辅助清洁机器人规避障碍物,但在检测小型障碍物和处理复杂背景时仍存在局限性。因此,如何高效识别小型障碍物并在复杂背景下实现精准避障成为了当前亟待解决的问题。本文旨在通过深度学习的技术,对清洁机器人运行时周围的复杂环境进行障碍物检测,以实现精准的清洁以及避障操作。 本文针对室内清洁机器人障碍物检测的特点和需求,研究并分析了基于深度学习的目标检测模型的优缺点以及适用范围,决定选用检测效果较好的YOLOv8模型作为室内清洁机器人障碍物检测的基线模型,在此基础上,根据原预训练模型对障碍物检测过程中遇到的问题进行针对性的模型优化。 针对室内清洁机器人在复杂场景下对小目标障碍物检测精确度不高的问题,本课题在YOLOv8模型中分别集成了SE、CBAM和ECA三种注意力机制,有助于模型聚焦于障碍物的关键特征,抑制背景噪声的干扰,从而增强模型对障碍物特征的提取能力。通过对比改进前后的检测精度,最终选取ECA注意力模块进行融合作后续改进的基线模型,改进后模型YOLOv8-ECA的mAP为97.6%,提升了1.0%。 针对清洁机器人的硬件资源限制以及对障碍物检测的实时性要求,本文以YOLOv8-ECA模型作为基线模型,对其进行轻量化改进。(1)通过在主干网络中引入轻量化卷积GSConv,减少模型的参数量和计算量的同时保持模型的检测性能。(2)通过在颈部网络中引入VoV-GSCSP模块,降低模型计算复杂度和网络结构复杂度的同时保持足够的精度。改进后模型YOLOv8-EGV的mAP为97.5%,检测精度基本保持不变,参数量减少了121568,降幅约为4%,计算量减少了0.8 GFLOPs,推理速度提升了15FPS。

关键词： 卡车纵梁   视觉测量系统   图像处理   深度学习超分辨率重建   测量误差  

摘要： 纵梁是卡车底盘的核心结构部件,通常纵梁通过表面设计的圆形装配孔实现轻量化与强度优化,既能支撑车身、传递载荷并在碰撞中吸收能量,又可以通过装配孔实现发动机、悬架等关键部件的连接,其装配孔尺寸直接影响车身结构安全性和车体装配质量。当前,装配孔检测主要采用传统人工检测及机器视觉检测,人工检测方法误差大、效率低,而机器视觉的检测方法由于受硬件老化、环境因素等影响,导致图像质量受限,从而制约了测量准确度。本文针对卡车纵梁装配孔检测问题,改进深度学习和边缘检测算法,来提高卡车纵梁装配孔测量准确度,主要完成了以下几项工作: 1.基于视觉检测流程,设计并搭建了卡车纵梁装配孔测量系统,该系统硬件架构包括传动平台装置、多相机图像采集装置和定位装置等三部分组成,并根据检测需求对硬件系统中的相机、镜头和光源等组件进行选型,并开发了测量系统软件。 2.针对纵梁难以一次性完整拍摄的问题,基于改进的SIFT图像拼接算法实现纵梁拼接。该过程首先使用多目相机进行图像采集,并通过相机标定获取相机内外参数,实现多坐标系统一与图像畸变校正;然后,使用中值滤波实现降噪处理;最后,提出了改进的SIFT图像拼接算法,该算法通过相位相关技术识别重叠区域,结合特征矢量图和二维最大熵分割优化单应性矩阵,实现了图像的快速匹配与高质量拼接。 3.针对测量系统受硬件老化、灰尘堆积、光照环境等因素影响,使装配孔图像质量低、模糊等问题,基于深度学习超分辨率重建原理,提出了PRAB-LapSRGAN算法模型,该模型将拉普拉斯金字塔结构与图像超分辨率生成对抗网络SRGAN相结合,同时融入CBAM注意力模块和自设计递进残差注意力编制模块PRAB,通过分阶段重建完成多尺度重建超分辨率图像的任务。实验结果表明,生成图像PSNR达32.46dB,解决了生成质量低,模糊等问题。本算法实现了提升图像装配孔关键区域细节、增强算法鲁棒性。此外,在构建数据集方面,通过设计双路动态退化学习下采样网络TP-DDLDN,来生成逼真低分辨率图像,确保改进算法模型的泛化性。 4.基于矩边缘检测原理,通过构建新型边缘跃变模型,设计了自适应阈值Zernike矩亚像素边缘检测法。该算法实现了卡车纵梁装配孔图像的边缘亚像素拟合,解决了传统Zernike矩边缘检测算法测量精度低且需手动调整阈值的问题。对比改进前后的Zernike矩法纵梁孔径检测结果,实验结果表明原算法测量误差为-0.235mm至0.341mm,本文改进算法孔径测量误差±0.2mm以内,提高了测量精度准确性。

关键词： 毫米波雷达   多目标检测   单元平均恒虚警   目标遮蔽   检测门限  

摘要： 针对单元平均恒虚警(CA-CFAR)算法在多目标环境下容易造成目标遮蔽等问题，本文提出了一种基于比值的改进CA-CFAR(RCA-CFAR)算法，在此基础上，对RCA-CFAR算法最多可容忍的干扰目标数进行理论推导，得出其最多可容忍的干扰目标数与参考单元之间的关系，并对最多可容忍的干扰目标数进行证明。此外，结合CA-CFAR算法将RCA-CFAR扩展为2D RCA-CFAR算法，通过分阶段处理，在距离维使用RCA-CFAR算法进行预检测，在多普勒维使用CA-CFAR算法进行目标检测，该算法既降低了邻近多目标区域的检测门限，又提高了检测效率。仿真和实验结果证明了所提算法的有效性、实用性和优越性。

关键词： 目标检测   电网巡检   轻量化模型   上下文特征   注意力机制  

摘要： 随着新型电力系统建设对输电通道安全监测需求的升级,现有面向电网巡检的目标检测算法在边缘计算效能与复杂场景鲁棒性方面面临着双重挑战:由于内存访问成本增加与算子冗余,轻量化模型出现推理速度显著下降,而多尺度目标检测性能受限于复杂场景特征表达能力不足与目标尺度跨度过大引发的漏检误判问题。本文围绕上述技术瓶颈,提出基于上下文增强的轻量化电网巡检目标检测算法,通过轻量化架构设计与多尺度特征增强的协同优化,提升模型特征表达能力的同时充分利用上下文信息,实现检测精度与推理效率的平衡突破。 (1)针对面向电网巡检的目标检测算法在轻量化后导致的精度与效率降低的难题,本文提出基于上下文增强的稀疏卷积电网巡检目标检测方法Fast-YOLOv5。首先构建Faster Net+骨干网络,改进卷积计算模式以降低特征提取的计算冗余;其次,设计高效通道注意力融合模块,建立跨通道特征融合机制,在增强关键语义信息表征能力的同时,有效抑制轻量化网络的特征退化问题;最后,构建全局上下文稀疏卷积网络,通过检测头解耦设计同步提升特征表征能力与计算效率。基于构建的输电通道防外力破坏数据集验证表明,该方法在保持精度的前提下将推理速度提升至56.2FPS,较基准模型的推理速度提升了1倍,满足复杂场景实时监测需求。 (2)针对巡检图像中多尺度目标共存、小目标分布显著的技术挑战,本文进一步提出基于上下文引导的特征融合电网巡检目标检测方法CGRT-YOLOv8。首先,在保证多尺度目标检测性能的前提下,通过高维非线性星型运算与特征交互优化,构建轻量化骨干网络Star Sppf Net,减少模型复杂度并抑制小目标特征丢失;其次,设计上下文引导特征融合模块,集成压缩-激励注意力机制与特征重组策略。基于上下文引导的特征融合模块构建上下文增强特征金字塔网络,捕捉并利用重要的上下文信息,强化跨尺度细粒度语义融合能力,通过权重化的特征重组操作,提升模型对重要特征的判别能力。引入RT-DETR无锚检测头,并设计复合回归损失函数NWD-Focaler EIo U,通过动态查询机制优化多尺度目标定位精度。基于精细化重构的输电通道可视化隐患数据集验证,该方法有效解决了小目标漏检、尺度敏感性强等难题,在复杂巡检场景下展现出显著性能优势。

关键词： 目标检测   视频目标检测   可变形卷积   注意力机制   时空信息   特征融合  

摘要： 随着深度学习的不断发展,目标检测技术已经取得了显著成功,并迅速扩展到更具挑战性的视频目标检测领域。视频目标检测的目的是对每一个视频帧中的目标进行分类和定位。然而,和静态图像目标检测不同,视频中的目标是动态变化的,这会导致帧中目标出现模糊、遮挡和外观变化等问题,增大了视频目标检测的难度。针对视频目标检测中的低质量目标,本文从单帧层面、多帧层面两个角度对低质量目标的特征进行改善,进而减少目标的漏检、误检问题。 从单帧层面出发,提出了一种基于可变形卷积和注意力机制的目标检测算法。首先,基于可变形卷积DCNv2,设计了C2f＿DCNv2模块,替换主干网络中的四个C2f模块,以增强主干网络对目标的几何特征提取能力;其次,在特征融合网络每个上采样操作前嵌入GAM全局注意力机制,利用其通道-空间双重注意力机制强化特征图的全局上下文信息感知,显著提升单帧低质量目标的表征能力。在Image Net VID数据集子集上的实验结果表明,改进后的DG-YOLOv8n算法较YOLOv8n算法提高了6.1%;在NWPU VHR-10数据集上的实验表明,改进后的DG-YOLOv8n算法较YOLOv8n算法提高了3.1%。 从多帧层面出发,提出一种基于多帧时空特征融合的视频目标检测算法。首先,设计参考帧选择模块(Reference frame selection module,RFSM),通过差值哈希算法计算其他帧和关键帧的相似度,动态选取具有互补性的参考帧;其次,利用时空特征注意力模块(Spatio-temporal Feature Attention Module,STFAM),通过输入的多帧特征图获取时间和空间上下文信息,并为它们分配自适应的时间权重,可以增强目标在遮挡或模糊等情况下的特征;最后,设计多帧特征聚合模块(Multi-frame feature aggregation,MFFA),将参考帧特征和关键帧特征进行多尺度跨帧融合,利用时空维度信息提高关键帧的特征表达能力。在Image Net VID数据集子集上的实验结果表明,改进后的算法通过利用全局和局部信息,较YOLOv8n算法提高了11.2%,较DG-YOLOv8n算法提高了5.1%,有效提高了视频目标检测的精度。 实验结果表明同时利用单帧层面的特征提取和多帧层面的时空特征融合对目标特征进行改善时,实验效果最好。

关键词： 伪装目标检测   细粒度特征   小波变换   结构化状态空间模型   深度信息  

摘要： 伪装目标检测(Camouflaged object detection,COD)作为计算机视觉与图像处理领域的重要分支,旨在分割出与背景高度相似的目标。近年来,COD研究已从传统方法转向深度学习方法,后者凭借强大的特征提取能力显著提升了检测性能。但现有的算法仍然面临对真实场景中完美融入环境的自然伪装或人造伪装预测发生差错的难题。然而,现有算法仍面临真实场景中自然或人造伪装目标难以精准预测的挑战,具体表现为细节识别遗漏、特征冗余与缺失,以及数据规模有限导致的模型泛化性能不足。针对这些挑战,本文的主要工作如下: 1.针对模型细节表达能力不足且易发生的细节识别遗漏问题,提出融合细粒度特征的伪装目标检测方法(Wavelet Boost Identification-based Multi-Level Refinement Network,WBRNet)。通过小波变换的时频局部化特性增强图像并抑制噪声,提取多尺度细粒度特征;设计特征反转解码器,利用粗预测反向指导逐步细化预测,控制冗余噪声。实验表明,WBRNet在14种经典方法对比中表现最优,MAE指标较次优模型进行对比,平均降低1.4%。 2.针对由感受野受限而产生的特征冗余与缺失问题,提出基于状态空间模型辅助的伪装目标检测方法(State Space Model Assist Network,SSANet)。结合视觉状态空间模型(VMamba)的全局上下文感知能力与非对称卷积,扩展模型感受野;设计高频特征增强模块,通过频域滤波与动态掩膜提升细节辨别能力。实验结果显示,SSANet在四项评价指标中均达到最优。 3.为了更有效利用数据集受限的图像信息,提出深度信息辅助的伪装目标检测方法(Refine iterative depth auxiliary network,Rida Net)。基于单目深度估计生成多模态数据,通过多模态注意特征融合与辨别关注解码器挖掘定位信息与判别特征,结合多级迭代细化机制整合跨层特征最大化利用多层输入。在四个常用数据集上的实验验证了其优越性,F-measure指标较各数据集上现有最优单模态方法平均提升7.15%。