关键词： 深度学习   计算机视觉   语义分割   杂草识别   图像处理  

摘要： 杂草是影响作物生长的重要因素之一,其与作物的竞争直接导致了作物产量的下降。传统的除草方法主要采用大面积喷洒除草剂,该方法不仅效率低下,而且容易造成环境污染和生物多样性损失等问题。开发高效、精准的杂草识别技术以实现精准喷施对于促进现代农业的效率提升和可持续发展具有重要意义。深度学习技术的快速发展以及在众多应用领域的卓越表现,为精准、高效的杂草识别提供了新的解决方案。 本文在研究基于深度学习的杂草识别算法的基础上,针对当前杂草识别方法中存在的数据标注量大、模型泛化能力弱、计算资源需求高等问题,提出了一种间接杂草识别方法。针对该方法设计了两种作物分割网络,实现了在资源有限的条件下对杂草的高效、精准识别: (1)本文融合语义分割与图像处理技术提出了一种创新的间接杂草识别方法。该方法首先使用分割网络生成作物掩膜,并将其从图像中去除;然后通过图像处理算法对剩余的绿色区域进行识别与标记,将其判定为杂草。该方法可以有效避免对杂草进行识别、标注的难题,显著增强模型的复用性和泛化能力。实验结果表明,在复杂农田环境下,本方法能高效且准确地识别、定位不同种类和密度的杂草,具有较高的鲁棒性。 (2)为了降低杂草识别算法的计算资源消耗,本文基于YOLOv5框架设计了一种高效作物分割网络(Efficient Crop Segmentation Network,ECSNet)。首先,采用EfficientVit＿S作为骨干网络来更高效地提取复杂背景中的关键信息;然后,在颈部结构中融合渐进式特征金字塔和十字交叉注意力模块来增强网络对多尺度目标的处理能力。实验结果表明,ECSNet在作物分割任务上显著提高了分割精度和计算效率,在多项评估指标上优于现有的分割识别方法。 (3)为满足杂草识别的实时性需求,本文提出了一种轻量化白菜分割网络(Lightweight Cabbage Segmentation Network,LCSNet)。LCSNet基于YOLOv8架构进行设计,采用轻量级骨干网络Vanilla Net＿L和C2f＿Ghost模块,显著减少了模型的参数量和计算复杂度。另外,通过引入渐进式特征融合技术替代传统的FPN+PAN结构,在保持高精度的同时有效提升了推理速度。实验结果表明,LCSNet在作物分割任务中的性能超越现有的基线模型,并在提高推理效率的同时,大幅降低了模型体积和计算开销,使得模型更适用于计算资源受限条件下的应用场景。

关键词： 水稻叶片   病害检测   深度学习   图像分割   目标检测  

摘要： 在农业生产中需要尽早准确地检测和识别水稻叶片病害。为减小水稻叶片病害识别中背景噪声的影响并提高病害检测的准确度，提出一种基于DeepLabv3—Faster R—CNN网络的水稻叶片病害检测方法。待检测的水稻叶片图像首先经过DeepLabv3网络进行图像分割，获得背景和叶片分割的初步结果，再把经过背景分割的叶片图像中叶片部分还原进行检测，从而规避背景部分噪声对检测结果的影响。检测部分主要由FasterR—CNN网络实现，结合特征金字塔和CBAM方法，提高模型对多尺度水稻叶片病害目标的检测能力。通过公开数据集训练模型，得到该方法对白叶枯病、稻瘟病、褐斑病和黄矮病的平均检测准确率达到98.1%。

关键词： 轻量级   YOLO   空洞卷积   部分卷积   残差连接   损失函数  

摘要： 随着深度学习技术的不断发展,YOLO系列算法在目标检测任务中因其速度快、精度高等优点被广泛应用。然而,YOLOX作为该系列中的代表性算法,尽管在检测性能上表现出色,但在特征提取阶段仍存在参数冗余、感受野受限以及特征表达能力不足等问题,这在一定程度上制约了其在资源受限环境下的部署与应用。为解决上述问题,本文提出一种轻量化且高效的特征融合架构YOLOX-PANetW-PConv,通过结构优化与损失函数改进相结合的方式,实现了在提升检测性能的同时,有效降低模型的计算开销和参数规模。 本文围绕目标检测模型展开深入研究,在提升模型性能与效率方面取得了一定成果,其核心创新主要体现在以下两个方面。 第一个创新点,构建了基于空洞卷积与残差连接的多尺度特征融合模块。在特征融合路径中,引入空洞卷积(Dilated Convolution),并构建串行连接结构。通过设置不同的膨胀系数,能够有效捕捉图像中不同尺度的目标信息,实现对多尺度信息的精准建模。这种设计打破了传统卷积层受限于固定卷积核大小的局限,拓展了模型的感受野范围,使得网络可以在不增加过多计算量的情况下,获取更丰富的上下文信息。同时,结合残差连接机制,构建了高效的特征传递通道,保障了特征信息在深层网络中的顺畅传递与重复利用。该机制增强了网络对复杂目标细节的捕捉能力,提升了模型对复杂场景中目标的表达能力。经实验验证,在VOC2007与MS COCO2017数据集上,引入空洞卷积结构分别带来了 4.9%和4%的检测精度提升,充分证明了该融合机制在特征表达上的优越性。 第二个创新点,设计了一个基于部分卷积与损失函数优化的轻量化检测头。在YOLOX的检测头部分,引入部分卷积(Partial Convolution,PConv)技术,通过仅对部分通道进行卷积计算,巧妙规避了传统全通道卷积带来的冗余计算问题,减少了不必要的计算操作。同时,对损失函数的计算方式进行重构优化,通过使用通道累计策略,在确保模型检测精度的前提下,实现了对计算复杂度的有效控制。该设计使得整体模型在保持检测性能的基础上,参数量减少约10%,推理计算量降低约23%,同时使得检测精度更高。在VOC2007和MS COCO2017数据集上,分别带来了 1.4%和0.3%的精度改进,进一步验证了该轻量化设计不仅有效压缩了计算资源消耗,还保障了模型的回归能力与检测精度,实现了性能与效率的双重优化。 综上所述,本文所提出的YOLOX-PANetW-PConv在保证目标检测精度的基础上,有效降低了模型的计算复杂度和参数冗余,兼顾了性能与效率的双重需求,具有良好的工程部署潜力。该研究为轻量化目标检测模型的设计提供了新的思路与方法,具有重要的研究价值与实际应用意义。

关键词： 无人艇   目标跟踪   矢量场   编队控制   追逃博弈  

摘要： 随着无人系统在海上安防、巡逻监测与目标跟踪等场景中的广泛应用,针对有限区域内机动目标的高效围捕跟踪控制问题,成为水面无人艇(Unmanned Surface Vehicle,USV)研究的重要方向。目标围捕跟踪在复杂环境中面临多种挑战,包括地理边界约束、目标运动不确定性及多艇协同控制需求等。针对上述问题,本文围绕有限围捕区域内的无人艇编队目标追逃控制任务,提出了一种基于自适应矢量场的目标跟踪和边界巡游制导方法,通过与编队协同方法相结合,构成保守的追逃博弈策略,实现了对入侵目标的围捕与跟踪。为此,本文开展了一系列研究工作,主要内容包括: (1)构建了适用于受限水域环境的无人艇目标围捕模型。通过分析理想编队结构中无人艇的相位分布规律,提出了一种将围捕边界巡游警戒与目标围捕控制相结合的追逃博弈策略。该策略可在编队保持警戒状态的同时,实现对入侵目标的及时响应与持续跟踪,具备良好的任务适应性与协同潜力。 (2)针对现有矢量场方法在控制精度与围捕收敛速度方面的不足,提出一种改进的李雅普诺夫矢量场制导方法。该方法引入自适应航向偏差补偿机制以提高控制精度,并通过增加径向速度提高围捕的收敛效率,同时在设计中融合了无人艇转向半径约束条件,形成更加符合平台物理特性的矢量场曲率分布,从而提升系统的目标跟踪与围捕性能。 (3)设计并实现了适应边界巡游与目标围捕双模式任务需求的编队控制策略。具体包括:基于边界矢量场的直线编队策略,实现编队在边界上的警戒巡航;以及基于相位保持原则的环绕编队策略,实现编队在目标附近的动态收缩围捕。两种策略可根据目标行为动态切换,有效增强系统应对目标突变行为的能力。 (4)基于趴板船平台构建了多艇编队控制实验系统,设计了包括通信结构与控制架构在内的系统集成方案。在实际水面环境下进行了围捕跟踪与编队控制实验,实验结果验证了所提出方法的可行性与实用性,表明该方法可在真实受限水域中实现对目标的高效围捕与多艇协同控制。 综上,本文针对受限水面环境中的目标追逃任务,提出了集围捕建模、改进矢量场制导与多艇编队协同于一体的系统性解决方案,研究成果可为水面无人艇在实战化围捕任务中的部署与应用提供理论支撑与实践基础。

关键词： 遥感图像目标检测   模型轻量化   深度学习编译器   模型剪枝   模型部署  

摘要： 基于深度学习的遥感图像目标检测近年来取得了显著的进展,在化工安全、灾害响应、城市规划等领域展现了巨大的应用价值。然而,受限于特定场景的计算资源与存储能力,目标检测模型需具备轻量化特性,并满足快速部署与实时检测的需求。为此,模型轻量化设计、模型压缩与模型编译优化等方法成为研究热点。模型轻量化设计通过优化网络结构降低计算复杂度,模型压缩利用剪枝与量化等技术减少参数规模,而模型编译优化则借助高效算子调度和底层硬件加速来提升推理速度。 然而,传统模型轻量化设计未充分考虑跨通道特征交互,导致关键目标特征提取不足;检测头结构的冗余性未被充分优化,限制了模型的轻量化潜力。此外,传统模型编译优化方法在算子调度搜索时空间过大,且在硬件测量时采用的聚类算法存在局限性,导致优化过程耗时较长,限制了模型在资源受限环境中的快速部署。为此,本文通过轻量化卷积重构、调度空间缩减和聚类优化等方式解决上述问题,主要工作内容与创新点如下: (1)提出了基于通道混洗与异构卷积的模型轻量化设计方法。针对传统方法对遥感图像跨通道特征交互考虑不足的问题,本文结合通道混洗与部分卷积构建特征提取模块,在保证特征提取能力的同时降低模型复杂度。此外,设计基于异构卷积的轻量级检测头,在保持检测精度的同时减少结构冗余。SSDD、SAR-Aircraft和FAIR1M三个公开遥感数据集上的实验表明,本方法在减少41.7%参数量与46.9%计算量的同时,平均精度损失小于0.5%。 (2)提出了基于强化学习与自适应聚类的模型编译优化方法。针对模型编译优化过程耗时较长的问题,本文从搜索与测量两方面提升编译优化效率。在搜索阶段,通过起点规划、调度空间缩减和模型共享等技术缩短了算子调度搜索时间;在测量阶段,采用自适应调度管理和维度自适应方法优化聚类过程,提高了稳定性与泛化能力。在经典网络模型AlexNet上进行的多维度实验表明,相较于Auto TVM、Ansor、Family Seer等模型编译优化方法,本方法收敛稳定,平均减少60%以上的编译调优时间,且模型编译后的推理速度基本不变。 (3)在实际应用任务中对遥感图像目标检测轻量模型的剪枝、编译优化方法协同效果进行评估。基于GTX 1080Ti与RTX 4090D平台的消融实验结果表明,与原模型相比,协同方法在平均精度损失小于1%的情况下,参数量压缩79.2%,浮点运算次数降低74%,推理速度提升3.5倍,适应于资源受限环境的计算资源和存储能力,同时保证了遥感图像目标检测的实时性。

关键词： 目标跟踪   主成分分析   指数加权移动平均   浅层神经网络   DaSiamRPN算法  

摘要： 光电稳定平台是一种集光机结构、电子成像、伺服控制和图像处理等技术于一体的高精度成像支撑设备。它能够有效隔离载机的扰动,保持视轴在惯性空间中的相对稳定,具备时效性强、准确性高、使用灵活和侦察范围广等特点。该平台广泛应用于电子侦察、信息对抗、目标定位、地理测绘、灾害监测、交通监视等领域,尤其在国防军事和民用建设中具有重要作用,为各种复杂环境下的任务执行提供了可靠的技术支持。 近年来,随着现代信息技术的不断成熟,光电稳定平台应用日渐广泛,国内外在该领域的研究飞速发展。因此,研究一种具有强稳定、高精度的光电稳定平台具有重要现实意义。为解决光电稳定平台应用于航天、军事、遥感、精密仪器等多源领域背景下面临的各种复杂场景挑战,本文将针对这类问题展开研究。 首先基于两轴四框架光电稳定平台展开研究;对比分析了4种算法并确定DaSiamRPN作为基础跟踪算法;引入基于主成分分析的自适应指数加权移动平均策略(PCA-EWMA),根据图像的变化趋势自适应调整参数,以更好地适应不断变化的图像特征;建立PCA-EWMA的浅层神经网络优化模型,优化模板更新策略;结合带有LuGre摩擦补偿的自抗扰控制策略研究,实现目标精准跟踪;最后,以两轴四框架光电稳定平台为载体,基于以上优化模型及控制策略,分别进行室内、室外多场景验证实验,得出较为理想的跟踪结果。 本文提出的加入了PCA-EWMA浅层神经网络模型更新策略的改进DaSiamRPN算法,针对6种不同场景的视频序列,其跟踪结果的成功率和精确度均较传统DaSiamRPN算法有所提升,且研究的带有LuGre摩擦补偿的自抗扰控制策略,在室内与室外场景模拟实验中,平台跟踪系统在引入给定外部俯仰与方位干扰时,其最大跟踪误差均能保持在0.5mrad以下。证明了以本文设计的以PCA-EWMA浅层神经网络模型更新的改进DaSiamRPN算法为跟踪基础,结合带有LuGre摩擦补偿自抗扰控制策略的光电稳定平台设计方案的科学合理性,为光电稳定平台的研究与发展提供重要贡献。

关键词： 深度学习   异构调制器   跨层级特征融合   YOLO   计算机视觉   航拍微小目标检测  

摘要： 针对航拍图像中目标尺寸微小、纹理特征模糊以及分布密集带来的检测难题,提出一种基于改进YOLO架构的DI-YOLO检测模型.当前主流检测方法在微小目标结构信息保留以及多尺度特征提取和融合方面存在明显不足.鉴于此,构建内容感知特征增强模块(CARAFE),通过动态特征选择机制实现跨层级特征的自适应融合;同时,设计并行异构特征调制模块(PHFM),有效协调全局上下文建模与局部细节特征的关联性;并引入形状感知交并比损失函数(Shape-IoU)和微小目标检测头,进一步提升边界框回归精度和微小目标检测能力.在VisDrone2019和DOTAv1.5基准数据集上的对比实验结果表明,所提出模型较基准模型YOLOv10取得显著提升:在VisDrone2019数据集上, mAP@0.5和mAP@0.5:0.95指标分别提升了12.7%和13.7%;在DOTAv1.5数据集上,对应提升了12.1%和10.2%,且在计算效率方面保持优势.消融实验进一步验证了各模块的有效性,为航拍场景下的高精度目标检测提供了新的解决方案.

关键词： 遥感图像   旋转目标检测   注意力特征融合   自适应旋转机制  

摘要： 随着航空航天技术的飞速发展以及遥感技术的日益精进,遥感图像获取的便利性与数量都呈现出显著的增长态势。遥感图像蕴含着丰富且极具价值的信息,在众多领域方面都有着广泛利用的价值。然而当面对海量的遥感图像数据时,从中精准且高效地检测出目标物体成为了一项极具挑战性的任务。为了提升遥感图像目标检测的准确性以及检测效率,本文引入了高精度定向目标检测技术。本研究具体内容如下: (1)面对遥感图像目标检测中图像尺度变化大、密集排列和宽高比过大的挑战,提出了一种全局上下文注意力特征融合金字塔网络。该网络首先设计了一种三重注意力特征融合模块,它能够更好地融合语义和尺度不一致的特征。然后引入层内调节方法改进并提出了一个全局上下文信息增强网络,对含有高级语义信息的深层特征进一步细化,提升其表征能力。在此基础上,以全局集中调节的思想设计了全局上下文注意力特征融合金字塔网络,利用注意力调制特征自上而下地调节浅层多尺度特征。在几个公开数据集上进行了广泛的实验,实验结果的高精度评价指标均优于目前先进的模型。 (2)对于遥感图像检测中复杂场景下的目标方向任意,微小像素尺寸目标误检漏检等挑战,提出AR-YOLO11轻量化遥感图像目标检测模型。该模型在主干网络特征提取的过程中融合自适应旋转卷积操作,提高了整体模型对任意方向目标的角度敏感性;提出了多尺度特征对其注意力机制,针对最深层特征所包含的多尺度目标方向信息进一步增强;对颈部网络构建了浅层特征融合并在检测头部分新增P2检测层优化小目标检测能力的同时移除P5检测层及其对应的深层卷积模块;使用Soft-NMS-KFIo U解决模型对检测目标角度回归不连续的问题,增强密集排列小目标的检测能力;该模型在高分辨率遥感图像检测和复杂背景下方向任意目标的检测中展现出卓越性能,充分体现了改进方案的轻量化优势与满足实时应用需求的潜力。 综合以上工作,本文对遥感图像目标检测展开研究,采用深度学习目标检测与遥感图像处理技术相结合的方式,构建了有效用于遥感图像高精度目标检测的金字塔网络和基于自适应旋转的YOLO11单阶段目标检测模型,实现了对遥感图像场景及物体目标的识别分类和高精度定位,在多个数据集上均有取得较好的实验结果。为高精度遥感目标检测的后续应用发展提供了新的技术路径。

关键词： 输电设备   目标检测   深度学习   特征融合  

摘要： 输电设备作为电力系统的核心组件,在电能传输过程中发挥着至关重要的作用。然而,长期运行导致的设备老化、腐蚀及连接部位接触不良等问题可能引发设备温度异常,进而威胁电力系统的安全稳定运行。传统的人工检测方法存在检测效率低、周期长等局限性:红外图像虽然能够反映温度信息,但缺乏纹理细节且易受环境热辐射干扰;而可见光图像虽具有丰富的纹理信息,却无法直接获取温度数据,且在暗光环境下存在目标识别困难、噪声干扰明显等问题。 本研究针对上述问题,提出了一种基于多光谱图像智能分析技术的输电设备检测系统。研究主要贡献如下: (1)依据输电设备检测需求,以易发热位置为重点检测对象,研究并设计了基于双光谱测温相机的输电设备检测系统,实现了输电设备24小时实时智能监控。 (2)提出了多光谱图像配准技术,有效解决了红外与可见光图像像素结构未对齐问题,为后续分析提供了精确的数据基础。 (3)设计了一种去噪卷积神经网络,在保持图像结构完整性的同时有效降低了图像噪声。 (4)创新性地将中期特征融合与YOLOv8神经网络相结合,设计了基于通道和空间注意力机制的特征融合模块,实现了多光谱图像的特征融合。实验结果表明,融合可见光信息后,输电设备检测准确率显著提升,其中mAP50提升5%左右,mAP50-95提升7%左右,验证了所提方法的有效性。