关键词： 机场跑道异物(FOD)   车载线阵视觉   图像增强   目标检测   YOLO11  

摘要： 机场跑道异物检测是保障航空安全,特别是航空发动机安全的关键环节。目前,我国大部分机场还在使用传统的人工检测的方案,存在效率低,受环境的干扰、人力成本高等缺点。尽管国内外已有基于面阵相机的光学成像和毫米波雷达的检测系统,但由于面阵相机受运动速度影响造成运动模糊和拼接困难,从而影响检测效果,而毫米波雷达价格昂贵、维护复杂,难以在中小机场普及。考虑到线阵视觉的兼具高速、高分辨率的优势,因此本文采用了线阵相机作为车载平台的图像采集单元,开展了机场跑道异物检测技术的研究。 首先,在基于车载线阵视觉的图像采集上,考虑到线阵相机在高速情况下受到车辆本身震动、传感器激励等因素导致触发信号失真而使线阵相机图像畸变问题,通过设计并实现与车速传感器同步的频率适配模块,构建了车载平台图像采集的运动学模型。并在此基础上,提出了基于拓展卡尔曼滤波的预测算法,保障触发信号的连续性,实现采集图像的畸变优化。实验表明,该算法能有效解决车载平台高速运动情况下触发信号丢失而造成图像畸变的问题,实现车载平台在80km/h下2K横向分辨率图像采集,并确保线阵图像采集的定位精度在500m范围内小于0.7m。 此外,针对图像采集中线阵图像受环境光干扰造成图像质量降低问题,提出了一种软硬件结合的图像增强策略。该策略首先通过图像灰度的统计阈值来完成对激光补光功率的自适应调节,保证图像背景的亮度一致性。同时,针对图像采集中的遮挡阴影问题,设计了一种基于编码器、解码器架构(Encoder-Decoder Architecture)的阴影图像增强网络。该网络通过端到端监督机制和门控反馈机制,配合双解码器迭代形成类似残差学习的方式,逐步逼近无阴影图像。实验结果表明,所提策略能在有效地消除阴影的同时,保证图像亮度的一致性。 最后,在针对基于YOLO11网络的机场跑道异物目标检测中受表面纹理干扰,造成检测精度不足的问题,提出了一种YOLO11网络的优化方法。该方法在主干网络上设计了CSP-DSMEnhance双域选择模块,来增强边缘特征提取能力;设计了GNDE-Detect轻量化检测头来优化多尺度特征,在损失函数上引入EMASlide Loss来动态调整样本权重来优化网络对不同尺度目标的适应性。通过公开数据集和自采数据集的实验表明改进模型能够有效地减少表面纹理干扰,并一定程度上提升检测精度。

关键词： 计算机视觉   图像去雾   雾天目标检测   多尺度特征融合   轻量化网络   自适应下采样   注意力机制  

摘要： 雾霾天气会显著降低自动驾驶系统摄像头采集图像的清晰度,影响目标识别准确性,威胁行车安全。近年来,学者们通过探索图像去雾与检测任务之间的协同优化机制,在检测精度上取得了进展,但仍然存在一些问题:一是传统去雾算法对雾天图像的处理常会导致特征失真,降低了目标检测模型的性能表现;二是现有目标检测算法在雾天环境下的泛化能力不足,导致检测精度下降;三是面向雾天场景的检测算法普遍存在计算复杂度高的问题,难以满足嵌入式设备实时性部署的需求。本文针对以上问题展开研究,具体工作内容如下: (1)针对传统去雾算法导致的特征失真问题与雾霾天气目标检测精度下降问题,本文提出了基于改进YOLOv5s与AOD-Net的雾天目标检测算法。首先,针对传统去雾算法的特征失真问题,提出了基于多尺度与对比正则化的图像去雾算法(Advanced AOD-Net Series for Dehazing,AODs),该方法通过构建合成雾天数据集、设计多尺度特征提取网络及混合通道像素注意力模块,在随机雾浓度数据集上的去雾实验PSNR和SSIM指标分别提升了11.06%和5.57%;其次,针对目标检测精度下降问题,提出了基于CSPCM++架构与去雾预处理的目标检测算法(YOLOv5s Enhanced with LSKNet Attention Mechanism and CSPCM++Module,CLYOLO),该方法整合了AODs去雾预处理、CSPCM++可学习的跨阶段局部网络、LSKNet注意力机制和Focal GIo U损失函数,增强了网络对雾天目标的特征表达能力。实验表明,在VOC＿test合成雾天数据集上,该方法的m AP达到83.8%,较基准模型YOLOv5s提升了10.1%。两项技术共同解决了雾天环境下图像质量退化与检测性能下降的双重挑战。 (2)针对雾天场景的检测算法计算复杂度高的问题,本文提出了基于自适应下采样的轻量化雾天目标检测算法。首先,设计了轻量化自适应下采样模块(Lightweight Adaptive Downsampling Module,LADown),通过动态池化和深度可分离卷积实现高效特征提取,降低了计算复杂度;随后,提出基于部分卷积的轻量化颈部模块(Light PConv Neck,LP-Neck),在保留多尺度特征融合能力的同时减少了参数量;最后,在骨干网络层级嵌入ECA注意力机制,在不增加计算负担的情况下大大提升了检测精度。实验显示,相比于基线模型,该算法参数量降低48.4%,计算量减少40.5%,模型体积压缩至52.7%,推理速度提升5.9%(6.4ms/帧),并在合成和真实雾天数据集上均实现m AP提升,有效平衡了精度与效率。

关键词： 深度学习   目标检测   缺陷检测   Jetson TX2  

摘要： 缺陷检测作为工业质检领域中重要任务之一,逐渐成为研究热点。当前,多数缺陷检测方法源自通用检测算法的迁移应用,因缺乏针对性研究,未能充分考虑工业场景中缺陷尺寸多样、数量繁多以及背景复杂易混淆等难题,致使检测性能欠佳,难以契合工业生产对高精度检测的需求。因此,本文以印刷电路板PCB表面缺陷为研究对象,基于深度学习技术,展开研究。具体研究内容如下: (1)针对PCB缺陷目标与背景相混淆、尺度较小不易识别等问题,以YOLOv5s为基础,提出一种基于特征增强和多尺度融合的PCB缺陷检测方法FCM-YOLO。该方法通过设计特征重提取模块、上下文注意力模块和多尺度感受野增强模块,保留缺陷目标的多通道空间特征信息,增强模型对目标与背景的区分能力,并加强特征语义表示和特征信息之间的关联性。最终,该算法在PKU-Market-PCB数据集上检测精度由93.6%提升到98.3%,提升4.7%;在GC10-DET数据集上检测精度由71.5%提升到75.2%,提升3.7%。 (2)为进一步提高PCB表面缺陷的检测性能,选择基于无锚框的YOLOv8s进行研究,提出一种基于特征感知校准的PCB缺陷检测方法FP-YOLO。针对缺陷目标分布不均、特征错乱、信息冗余等问题,该方法通过设计特征感知校准模块、特征交互融合模块和多任务检测头,使得模型充分学习,校准特征全局建模,加强特征融合能力,并改善特征重复冗余的情况。最终,该算法在PKU-Market-PCB数据集上检测精度由95.1%提升到98.7%,提升3.6%;在Deep PCB数据集上检测精度由98.7%提升到99.1%,提升0.4%。 (3)将本文的两个改进算法分别部署到NVIDIA Jetson TX2上,在PKU-Market-PCB数据集上能够获得较好的检测效果,相较于实验室主机环境下的检测精度仅降低0.4%和0.3%,有效证明本文改进算法具有实际应用意义。

关键词： 机场飞鸟检测   目标检测   YOLOv5   多目标追踪   Deepsort  

摘要： 随着全球航空业的快速发展,机场周边飞鸟活动引发的鸟击事件已成为威胁飞行安全的重要因素之一。鸟击事故不仅导致每年数亿美元的经济损失,还可能引发严重的人员伤亡,尤其在起降阶段的低空飞行中,飞鸟的高速移动和不可预测性使得传统人工监测手段难以满足实时性和准确性的需求。为此,本文针对机场飞鸟检测与动态追踪的挑战,提出两种创新的计算机视觉算法,旨在提升飞鸟目标的检测精度、追踪稳定性及系统实时性,为机场飞行安全提供可靠的技术支持。 本文提出了一种基于YOLOv5的MDANet-YOLO(Multi-Scale Dynamic Attention Network YOLO)机场飞鸟识别算法,针对飞鸟小目标、多尺度变化、快速移动和复杂背景干扰等问题,设计了多尺度特征优化、动态边界框回归与损失优化以及时空注意力模块的综合解决方案。多尺度特征优化通过引入加权双向特征金字塔网络和小目标检测头,增强了远距离和小尺寸飞鸟的感知能力;动态边界框回归通过替换CIo U损失为EIo U或SIo U,并结合动态权重机制,优化了快速移动目标的边界框定位精度;时空注意力模块通过融合空间和时间信息,捕获飞鸟的动态运动轨迹,提升了密集场景和复杂背景下的鲁棒性。 提出了一种基于动态追踪优化的机场飞鸟检测追踪算法,结合MDANet-YOLO检测器和Deep Sort(Deep Simple Online and Realtime Tracking)的多目标追踪框架,针对飞鸟的快速移动、密集分布和非线性运动特性,设计了动态特征融合追踪框架、轨迹预测与时序建模以及多目标关联优化的集成方案。动态特征融合框架通过融合多尺度空间特征、时序动态特征和动态运动特征,增强了小目标和动态目标的特征表示;轨迹预测与时序建模通过非线性扩展卡尔曼滤波和深度时序建模,优化了飞鸟的非线性运动预测和长期依赖建模;多目标关联优化通过自适应特征融合、改进代价函数和多假设追踪,降低了密集场景的误关联和ID切换率。

关键词： 深度学习   高寒草甸   鼠洞   秃斑   目标检测   图像分割  

摘要： 青藏高原是全球生物多样性保护的关键区域,高原鼠兔在青藏高原高寒草甸生态系统中扮演着重要的角色,该物种具有维持食物链稳定、促进土壤养分循环和驱动植物群落演替等重要的生态功能。然而,当其种群数量过度增长时,会导致草地退化、土壤侵蚀等一系列生态问题。特别是在气候变化和栖息地破坏的双重压力下,可能加剧草地生态系统的脆弱性和不稳定性。因此,通过监测鼠洞数量和秃斑面积及其空间分布,对高原鼠兔种群进行科学调控和管理,维持高寒草甸生态系统的平衡与健康至关重要。 传统的高寒草甸鼠害监测方法往往依赖人工调查,存在效率低、精度差的局限性。因此,本文采用深度学习技术,以自建的鼠洞、秃斑数据集为对象,探索高原鼠兔鼠洞数量及秃斑面积的自动化识别方法,为鼠害评估和草地修复提供科学依据。本文的主要工作分为以下几个方面: (1)构建鼠洞、秃斑图像数据集。2023年采用无人机平台获取了20 m航高的图像数据集,2024年进一步扩充了数据样本,利用无人机获取了10 m和30m两个航高的图像数据,各航高均包含314张高质量图像,对所有数据集进行裁剪后手动标注。然后,根据实验要求对不同高度的数据集进行不同的数据增强方法,构成目标检测数据集和图像分割数据集。 (2)提出一种基于改进YOLOv5s的鼠洞、秃斑检测方法。针对草原图像背景复杂,且鼠洞和秃斑的检测易受阴影、光照等因素干扰的问题,提出一种改进的YOLOv5s模型,即GS-YOLO。GS-YOLO引入全局注意力机制,提高模型对目标的关注度,减少复杂背景的干扰;添加小目标检测层,增强模型对小目标的识别和定位能力;使用Focal-EIo U代替原有的CIo U损失函数,通过动态调整难易样本的权重,有效提升模型在难易样本不平衡情况下的检测性能。最终实验结果表明,改进后的模型具有较好的性能。其平均精度均值较原始模型提高了7.5%。最终利用GS-YOLO模型对实际样地的鼠洞和秃斑进行检测和计数。 (3)提出一种基于改进UNet的秃斑分割方法。针对秃斑形状大小不一、边缘复杂等特点,在模型训练中存在样本不均衡的问题,提出一种改进的网络架构W-UNet。W-UNet采用VGG16作为主干网络,增强全局上下文和高层次语义特征的提取能力;在跳跃连接中引入坐标注意力机制,优化特征融合并提升目标定位精度;在解码器中使用小波变换卷积,结合频域和空域信息恢复高分辨率特征图,改善小目标和细节的分割效果;同时,采用Focal Loss与Dice Loss的组合损失函数,解决类别不平衡问题并优化分割精度。实验表明,W-UNet相较于基础网络UNet,其MIo U和MPA分别提升了4.2%和7.3%,说明W-UNet在复杂草原环境下能够对秃斑进行有效分割。最终利用W-UNet模型对实际样地的秃斑进行分割并计算秃斑占比,判断其是否超过防治阈值。

关键词： 深度学习   密封圈   缺陷检测   目标检测   标准化流  

摘要： 密封圈被广泛应用于现代工业生产中,发挥着阻止气体液体泄露的作用,因此需要对密封圈进行缺陷检测。但由于密封圈其体积较小,人工检测费时费力,且容易发生漏检。基于传统图像处理的检测方法虽然对于密封圈毛边,尺寸错误等缺陷有着良好的检测效果,但对于密封圈表面的其它缺陷则难以检测。而随着深度学习技术的不断发展,工业界逐渐使用深度学习技术对印刷电路板,钢材等产品进行缺陷检测。由于针对密封圈缺陷检测的相关研究还较少,因此本文展开了以下研究: 1.针对俯视角拍摄下,密封圈的图片比较类似,适合使用无监督缺陷检测,但完全使用无监督缺陷检测又容易造成误检的问题。本文设计了一种双分支缺陷检测网络,包含了主干网络,有监督分支以及无监督分支三个部分。在有监督分支针对密封圈图片中空的特性,设计了区域坐标注意力,并融合区域坐标注意力以及小目标检测头设计了RCA-Bi FPN-P2有监督分支。在无监督分支设计了基于标准化流的无监督缺陷检测网络,进行图像级的无监督缺陷检测,用以解决有监督分支对于数据少、变化大的缺陷难以检测的问题,同时避免了只使用无监督缺陷检测导致的误检问题。在实验部分,本文收集了Seal Ring-Top-Det数据集用于验证所提出有监督分支的有效性;同时收集了Seal Ring-Mix-Unsupervised以及Seal Ring-Obvious-Unsupervised数据集分别用于验证无监督分支的可行性和优势。 2.由于俯视角下并不能完全拍摄到所有缺陷且部分凹坑缺陷不如侧视角成像清晰,而侧视角下往往需要拍摄多张图片才能覆盖整个密封圈,因此本文设计了一种针对侧视角下密封圈凹坑缺陷的轻量化缺陷检测网络Tiny SPDYOLO,在主干网络使用提出的Light SPDConv替换下采样卷积,颈部网络使用提出的Faster C2f以及Channel Mix Down模块对模型进行轻量化,而在检测头部分则使用Effective ASFF检测头增强检测能力。在实验部分,首先在收集的Seal Ring-Side-Det数据集,进行了消融实验和对比实验,验证了本文提出改进的有效性。最后通过在Seal Ring-Top-Det数据集,PKU-PCB数据集,NEU-DET数据集上验证了提出模型的泛化性。

关键词： 多源遥感图像   图像融合   目标检测   YOLO   U2Fusion  

摘要： 随着遥感技术的不断发展,多源遥感图像融合及目标检测在军事侦察、灾害监测、环境监测等领域发挥着愈发重要的作用。其中,合成孔径雷达(Synthetic Aperture Radar,SAR)图像与可见光图像作为最常用的两种遥感数据类型,各自具有独特的优势和局限性。SAR图像因其特殊的成像原理,能够在全天候、全天时的条件下稳定工作,不易受到天气变化和光照条件的影响。然而,其成像过程中往往伴随斑点噪声。相比之下,可见光图像能够提供更丰富的纹理细节与语义信息,但易受到云层遮挡、光照变化等因素的干扰。因此,通过多源图像融合技术,将SAR图像和可见光图像的优势互补,生成兼具两者特征的高质量融合图像,并应用于目标检测任务,有助于提升遥感目标检测的准确性和鲁棒性。 目前,针对SAR-可见光图像融合的研究仍较为有限,如何高质量地提取两类图像的特征并进行融合仍是该领域的研究重点。此外,尽管近年来目标检测技术取得了显著进展,但现有目标检测网络在遥感图像小目标检测方面仍存在一定的不足,如目标尺寸小、对比度低、背景复杂等问题。因此,如何设计适用于遥感场景的小目标检测算法,也是一个待解决的研究课题。 针对上述问题,本文的主要工作如下:(1)本文基于U2Fusion模型,结合多尺度特征提取模块以及针对多源图像特征信息的特征增强模块,设计了一种面向SAR-可见光图像融合的网络模型MDFusion,MDFusion能够有效提取SAR图像与可见光图像的特征并加以融合。经过实验验证,MDFusion在SEN1-2数据集上相较于现有方法在不同图像评估指标上均有提升。(2)本文在YOLOv8的基础上,通过借鉴Advanced-YOLO的设计理念并引入HWD模块设计了面向小目标检测的改进目标检测网络MD-YOLO,该网络在特征提取过程中通过尽可能保留图像的高频信息从而提升对小目标的检测能力,实验表明MD-YOLO在相同数据集上虽无法在所有评估指标上均超越现有方法,但整体检测能力最佳。此外,验证MDFusion对于MD-YOLO在小目标检测增益的实验表明,融合后的图像相较融合前可见光图像整体Re指标更高,具备更强的小目标检出能力,证明了多源图像融合对小目标检测的正向促进作用。(3)本文设计并实现了一个多源遥感图像处理系统,集成了多源遥感图像融合与小目标检测功能。该系统的构建进一步验证了本文算法的有效性,并证明了其在实际应用场景中的可行性和应用价值。

关键词： 计算机视觉   人工智能   传感器   物联网   智能巡检系统  

摘要： 阐述为提高巡检效率和巡检精度，保证巡检工作的可靠性，通过采用计算机视觉与人工智能相结合的方法，设计一套适用于电力通信设备的智能化巡检系统。利用高清摄像头、传感器以及物联网等技术，对设备进行实时监控，并对其进行故障诊断。