关键词： 目标检测   联邦学习   DETR   知识蒸馏   模型集成  

摘要： 目标检测是计算机视觉领域的核心任务,在自动驾驶、智能安防等场景中应用广泛。然而,传统目标检测模型在处理复杂场景（如小目标、遮挡物体等）时仍面临特征表达不充分、检测精度不高和推理效率不足等问题。此外,其训练往往依赖于大规模标注数据,而实际应用中数据常因隐私问题难以集中共享,严重制约了模型的泛化性能。联邦学习能够在保护隐私的前提下协同训练,但仍受数据异质性等因素制约。针对以上难题,本文围绕复杂场景下目标检测模型及其联邦学习优化方法展开研究,提出了一种高效目标检测模型与联邦协同训练框架相结合的新方法,以在保证数据隐私的前提下提升复杂场景中的检测性能。 针对传统Transformer检测模型在多尺度特征融合与计算效率上的不足等问题,本文提出了一种双流注意力可变形金字塔与差分-稀疏注意力相结合的Trans-former目标检测框架。该框架在特征提取阶段使用双流注意力和可变形金字塔模块,实现上下文语义的跨尺度融合与动态采样增强,提升了模型对不同尺度与复杂目标的感知能力。设计差分-稀疏注意力机制,有效抑制冗余注意力计算,并将计算复杂度从O（N2）降至线性级别。此外,本文还提出密集一对一匹配策略与匹配感知损失函数,提高了监督信号密度和正样本利用效率。实验表明,该模型在KITTI和COCO数据集上的平均精度（m AP）分别达到67.2%和50.2%,较DETR基准提升5.5%和8.2%,尤其在小目标检测任务中性能增益显著。 针对联邦学习场景下由于数据非独立同分布（Non-IID）导致的模型漂移问题,本文提出一种融合多教师知识蒸馏与模型集成的联邦目标检测框架。客户端通过双模型交替更新机制,协同优化全局公共模型与本地个性化模型,平衡泛化能力与本地特异性;服务器端采用多教师知识蒸馏策略,增强全局模型鲁棒性;同时使用基于特征分布对齐的正则化项,显式约束客户端间模型差异,抑制数据异质性引起的参数偏移。在KITTI和COCO数据集上的实验表明,该框架在狄利克雷参数α=0.1的强异质场景下m AP分别达到59.1%和39.4%,较传统Fed Avg算法分别提升6.7%和7.4%,显著缩小了联邦学习与集中式训练之间的性能差距。 本文成果为隐私敏感场景下的高效目标检测提供了理论支撑与技术路径,在智能安防、自动驾驶等领域具有重要应用价值。

关键词： 多无人机巡检   目标检测   输电线路提取   图卷积神经网络   深度强化学习  

摘要： 高压输电线路的安全与稳定运行对于整个电力系统的可靠性具有重要意义。然而,传统的人工巡检方式存在效率低下、成本高、覆盖范围有限等问题;而单一无人机巡检方法亦难以应对复杂多变的线路环境,存在环境适应性差、任务执行效率不足等局限性,难以满足现代智能电网对高效、智能巡检的迫切需求。针对上述问题,本文提出一种面向高压输电线路异物的多无人机智能巡检算法——AGILE-Swarm。该算法从“感知—融合—决策”三层结构出发,系统构建了一套多无人机自主协同、高效智能的输电线路巡检体系,旨在提升目标检测精度、路径规划合理性以及任务调度效率,主要研究内容如下: (1)在感知层面,提出了轻量级高效目标检测模型LDPI-YOLO,专为嵌入式无人机平台设计。该模型融合了轻量卷积模块LEConv、多尺度特征提取注意力机制MFEAttention与高精度边界框回归损失函数EIoU,在有效降低计算复杂度的同时,实现了对鸟巢、风筝、气球等异物目标的高精度识别。为进一步增强对电力线路结构的提取能力,本文设计了ConvAttHough模型,结合卷积神经网络与空间注意力机制,有效提升了输电线在复杂背景下的结构清晰度与鲁棒性,为路径规划提供稳定的空间参考。 (2)针对多无人机系统在执行复杂巡检任务时面临的任务分配不合理、协同效率低下等问题,本文设计了基于图神经网络思想的多智能体状态感知机制,通过构建无人机与目标之间的图结构关系,实现异构数据(检测结果、位置信息、环境状态等)的深度融合,并据此完成多无人机之间的任务协同、资源调度与区域覆盖优化。在此基础上,引入深度确定性策略梯度算法对巡检路径进行动态优化,使每架无人机在飞行过程中具备连续动作决策能力,能够根据目标位置、地形特征与能耗状态灵活调整航迹、避障路径与优先级执行策略,提升了系统整体的鲁棒性与应变能力。 (3)为验证所提出算法的有效性,本文基于AirSim高保真仿真平台,构建了多种典型天气场景(如晴天、雨天、雾天、雪天、沙尘等),并对LDPI-YOLO模型的检测性能、ConvAttHough提取精度、多智能体任务协同效率与路径规划效果进行了全面实验评估。实验结果表明,AGILE-Swarm在不同环境条件下均表现出优越的检测精度与任务完成效率,尤其在雾天和沙尘等低能见度场景下,仍保持较高的系统稳定性与环境适应能力,验证了其作为多无人机智能电力巡检方案的可行性与实用性。

关键词： 行人检索   行人重识别   实时系统   目标检测  

摘要： 在数字化监控普及的当下,监控视频分析在犯罪调查、公共安全维护等领域至关重要。但调查人员常面临难题,监控摄像头拍到的罪犯影像多为后视或侧视画面,从海量监控视频档案里,这些无脸部的行人图像对案件侦查的效果有限。传统图像识别与搜索方法,效率和功能难以满足实际需求,阻碍了调查工作的推进。 本文聚焦解决这一关键问题,提出创新的目标检测和行人重识别的实时搜索应用YOLOv8-Reidentification+real-time search application(YRRSA)方法。该方法采用独特的两阶段解决方案,旨在高效处理原始监控视频,实时搜索嫌疑人脸部。 在系统架构上,YRRSA系统融合增强型YOLOv8模型与改进的行人重识别(person reidentification,Re ID)模型。第一阶段子网络,为提升YOLOv8模型提取细节特征的能力,研究设计了多空间到深度(multispace-to-depth,MSTD)模块并应用于YOLOv8模型。改进后的模型可以提取人物细节特征,为后续识别和搜索提供更丰富准确的特征信息。第二阶段子网络构建基于经典的Re ID模型,由经典的Res Net主干网络和设计的动态可变形融合(dynamic deformable fusion,DDF)结构组成。基于DDF结构的Re ID模型能有效处理行人不同程度的身体和肢体变形,提高了Re ID的可靠性。 整体性能上,YRRSA系统的两个子网络性能虽然未超越当前最先进(state-of-the-art,SOTA)网络,但与同等性能水平网络相比。参数数量较大幅降低,模型计算复杂度降低;运行速度有所提升,实际应用中缩短了搜索与识别时间。 此外,为了在理想条件下实现更高准确率和更快速度。且为实现基于背影或者侧影的人脸搜索,设计了唯一目标匹配算法(unique target matching algorithm,UTMA)。该算法可以匹配行人目标与人脸,实际运行中,可以过滤掉不含人脸的行人目标,实现特定人脸检索的功能的同时,提升了应用的速度。 最后,为验证YRRSA方法的有效性和可行性,研究在多个实际场景部署系统测试。成功帮助调查人员在较短时间内从海量监控视频锁定嫌疑人,协助侦破案件。为监控视频分析领域提供新的技术思路与解决方案,有望在未来公共安全保障等领域发挥重要作用。

关键词： 深度学习   目标检测   麦穗检测   智慧农业  

摘要： 深度学习和计算机视觉的突破性发展为智慧农业领域提供了强有力的技术支撑,例如在作物生长监测与科学管理方面,麦穗头检测技术可获取麦穗的生长状态、数量分布及空间排列等关键农艺性状,为田间管理的精准决策提供可靠的数据支持。然而,在自然麦田环境中,该任务面临诸多挑战,包括目标尺寸的显著差异、生长形态的密集重叠以及麦穗与背景颜色相近导致的目标难以区分等。本研究结合先进的深度学习模型对麦穗检测任务展开深入探讨,旨在为麦田作业的精细化管理提供理论支撑与技术解决方案,研究重点如下: (1)在麦穗数据集制作阶段,考虑真实田间麦穗场景中出现的各种复杂情况对图像质量和检测精度的影响,保证数据的多样性和模型的泛化能力。对原始图像进行格式转换,调整图像的分辨率和尺寸,规范数据格式、生成与校验标注文件,对图像进行预处理确保数据集的质量和适配性,保证后续模型的训练与评估。 (2)针对田间麦穗检测中因目标密集重叠、尺度差异显著等因素导致的精度下降问题,本研究提出了一种基于卷积神经网络的GFLWheat Net高效检测模型。在特征提取模块轻量化Res Net-50骨干网络并保证特征提取能力;设计跳跃连接模块替代多尺度特征融合网络,适应各种尺度的麦穗;借助分布指导定位思想构建检测头网络,来应对密集重叠目标。实验结果表明,GFLWheat Net的检测精度达到51.7%。 (3)针对麦穗检测任务中因边缘细节特征丢失而导致检测精度降低的问题,本研究进一步提出了CNN与Transformer优势混合的CTWheat Net检测模型。引入双分支特征提取模块交互融合多尺度的麦穗特征;利用多分支自注意力模块获取局部和全局特征;提出Quad Attention模块降低自注意力模块的计算成本。实验结果表明,CTWheat Net的检测精度达到52.7%,在麦穗检测任务中表现优异。 综上,本研究结合深度学习网络架构,针对麦穗精准检测的关键理论和技术难题提出算法创新。本研究可为田间管理决策提供数据支撑,为计算机视觉与自动作业装备的深度融合提供技术支持,亦可为其他谷物穗部检测任务提供理论参考和方法借鉴。

关键词： 多传感器融合   目标检测   深度学习   自动驾驶   环境感知  

摘要： 智能汽车的环境感知系统依赖多传感器融合技术以应对复杂动态场景的挑战，本文提出了一种基于深度学习的面向复杂场景智能汽车自适应多传感器融合框架，集成激光雷达、摄像头、毫米波数据，构建“改进YOLOv7+点云伪图像+Transformer动态权重”技术路径，解决异构数据融合难题。在KITTI/nuScenes/复杂天气数据集测试中，雨雾、夜间、遮挡场景mAP达85.7%～92.3%，较传统方法提升7%～15%。消融实验证实：自适应融合模块增强跨模态特征对齐能力，时序同步机制降低12%动态误差。

关键词： 目标检测   深度学习   网络轻量化   剪枝算法  

摘要： 随着深度学习技术的进步,车辆和行人道路目标检测算法虽然取得了显著进展,但其对计算资源的需求大,且显存消耗严重,导致在移动端和嵌入式设备等资源受限的场景中应用成本较高。轻量级神经网络以其较少的参数数量和较低的计算需求而著称,更适用于这些场景。针对当前检测模型参数多、计算量大的问题,本文从网络轻量化角度出发,研究了目标检测网络的重构方法、优化与剪枝技术,并探讨了轻量化网络在系统中的部署,旨在设计适用于中低端平台的轻量级算法。 本文所做的主要研究工作如下: (1)轻量级目标检测网络重构方案研究。以YOLOV8n目标检测网络为研究对象,将YOLOV8n模型中的backbone主干网络替换成更为轻量级的Star Net网络结构,改进Bottleneck创新重构了SC2f模块,优化不同尺度特征的融合效果,并利用共享卷积的思想设计高效轻量的检测头(Lightweight Detection Head,LHead),以弥补轻量化网络改进的精度损失,构建一个新的轻量化深度学习目标检测网络YOLOV8-S-S-L。通过实验验证,改进后的算法能够保证模型检测平均精度(Mean Average Precision,MAP)为原模型98%的前提下,将模型的大小和参数量减少了45%,计算量降低了55%。此外,热力图结果显示,该方法与原模型在相同图像上关注区域基本相同。 (2)深度学习目标检测网络优化及剪枝技术研究。针对交通道路场景特性,结合有效的特征融合模块(Scale Sequence Feature Fusion,SSFF)进行优化以及在原有的多尺度特征融合网络结构中增加小目标检测层,从而提升YOLOV8n目标检测网络的识别精度,构建高精度的YOLOV8n-S-P网络,以避免剪枝操作导致识别精度大幅下降影响整体性能。最终,为了降低模型对中低端硬件计算能力的要求,本研究采用了基于幅值的层级自适应稀疏剪枝技术,成功开发出新型的YOLOV8-S-P-L轻量级网络架构。实验结果表明,新构建的网络参数量减少了67%、计算量下降了35%的情况下,仍然提升了2.4%的精度,在实现模型轻量化的同时,显著提升了网络在交通道路环境中对车辆目标的检测效能。 (3)道路目标检测系统的设计与实现。结合本文所提出算法设计了基于Py Qt5和Open CV的道路目标检测系统,可以对行人车辆的图像或者视频进行目标检测。实验结果表明,在有效降低深度学习网络参数量、运算量及模型大小的同时该系统可以准确的对行人车辆图像或者视频进行检测,并实时将检测结果及统计数量显示在系统界面。 本文提出的面向交通道路场景下轻量化目标检测算法,通过优化模型的计算和存储效率,在保持较高精度和实时性能的基础上,成功实现了模型的轻量化。这一改进确保了即使在复杂的道路环境中,模型依然能够表现出较强的稳定性和可靠性。研究成果不仅具有重要的理论价值,也对智能交通和自动驾驶技术的发展具有积极的推动作用。

关键词： 草莓   成熟度   分级与计数   图像处理   YOLOv5模型  

摘要： 图像处理技术在草莓果实成熟度分级与计数领域有较大的应用潜力，为弥补传统人为评估方式存在的效率低、主观性强等不足，构建了包含2 100张图像的数据集，采用YOLOv5模型检测草莓成熟度，并通过数据增强、改进标签编号和标签生成方式等途径优化YOLOv5模型，利用优化模型进行草莓果实分级与计数。结果表明，改进YOLOv5模型中，半成熟（HR）和成熟（FR）两类草莓分级置信度均达96%，相对误差均在0.1左右，未成熟（G）类平均分级置信度为78.6%，最高达95%且相对误差为0。该方法有效提升了草莓成熟度分级与计数的自动化程度，可有效满足草莓产业现代化生产需求。

关键词： 机器视觉   苹果分级   图像处理   分级系统   试验验证  

摘要： 随着自动化技术的不断发展，基于机器视觉的水果分级系统在农业领域逐渐得到应用。本文研究了基于机器视觉的苹果分级系统的设计与试验验证，旨在解决传统人工分级方法效率低、精度差等问题。该系统通过高精度相机采集苹果的图像，结合图像处理技术，挖掘苹果的颜色、尺寸、表面瑕疵等特征，以此为依托实现苹果的自动分级。为保障分级的准确性和高效性，设计了合理的分级标准和高效的分类算法。通过试验验证，本文展示了该系统在苹果分级中的实际应用成效。将系统分级结果与人工分级进行对比，凸显了系统在准确度、分级速度及操作成本等方面的优势。

关键词： 半监督目标检测   特征增强   自适应   标签分配   多视图尺度不变学习  

摘要： 半监督目标检测旨在利用有限的标注数据提升模型对未标注数据的检测能力,广泛应用于智能监控、自动驾驶等领域。然而目前的研究仍存在一定的局限性:一是特征提取不充分,难以精准捕捉目标细节信息,影响检测性能;二是固定阈值的标签分配策略缺乏灵活性,导致伪标签质量不稳定;三是目标的尺度变化与视角多样性影响模型的泛化能力,降低检测精度。针对上述挑战,本文的主要工作如下: (1)针对传统半监督目标检测中特征提取不充分、标签分配不合理问题,提出一种基于局部特征增强的自适应半监督目标检测方法。首先提出局部特征增强的模块,在关注全局特征的基础上进一步关注图像中的细粒度信息,从而实现特征表示更加丰富准确。其次设计自适应感知置信度阈值模块,基于样本置信度动态调整标签分配,以避免固定阈值策略导致的伪标签质量下降问题。在MSCOCO和VOC数据集上的实验结果,与基线模型相比,平均检测精度(m AP)分别提升了1.5%和1.75%。 (2)针对目标边界框定位偏差和尺度变化影响检测精度的问题,提出一种引导标签分配和多视图尺度不变学习的半监督目标检测方法。首先通过预测结果对标签进行分配指导,根据预测值调节不同边界下的正负样本数目,使得标签分配更符合真实数据分布,提升目标框回归准确性。其次设计多视图尺度不变学习方法,融合多个尺度、多个视角的图像特征,提高模型目标尺度变化以及视角变化下的鲁棒性。该方法不仅提高了模型对复杂场景的适应能力,还促进了不同视图特征的融合,从而优化目标检测性能。在MSCOCO和VOC数据集上的实验结果,与基线模型相比,平均检测精度(m AP)分别提升了0.6%和1.64%。 图[27]表[10]参[71]