关键词： 水上目标   高光谱图像   材料光谱分析   水域提取   特征波段选择   目标检测  

摘要： 水上交通事故频发以及水上搜救任务复杂性的增加使得传统的人工搜索、航空遥感、卫星遥感等目标检测手段在水上救援场景中面临诸多局限。现有的水上目标检测的图像处理方法主要基于目标空间结构和颜色信息的提取和分析。然而,当目标距离较远且形态特征模糊时,目标检测效果往往不佳。高光谱成像技术不仅能提供空间形状信息,还通过多个波段同时成像反映图像中单个像素的光谱信息。利用高光谱图像中像素的光谱信息,能够直接反映出不同材质目标在光谱上的差异,进而提高目标检测的精度。本文研究基于高光谱成像技术实现不同材质水上目标的精确检测的方法,主要工作如下。 （1）水上目标材料统计与成分分析。本文调研统计了水上搜救任务中常见的典型目标,主要包括救生圈、救生衣、遇险人员衣物、救援船等。采用傅里叶变换红外光谱仪,对目标材料进行成分分析,结合化学键振动模式及官能团特征研究分析水上目标材料的光谱吸收与反射机理。 （2）水上目标高光谱图像数据集构建与光谱反射特性研究。针对水上搜救任务的需求,本文模拟了水上搜救场景,采集并构建了高质量的高光谱图像数据集,研究光谱反射数据提取方法,构建了水上典型目标材料的光谱反射曲线数据库。基于高光谱图像分析技术,研究水上目标和水面背景的光谱特性,并对干燥和浸湿的目标材料的光谱反射曲线进行采集处理和对比分析。应用Savizkg-Golag平滑滤波和多元散射校正方法,对高光谱数据进行预处理,以有效减少噪声和光照变化、非均匀采样等因素引起的干扰。 （3）高光谱水域背景提取与特征波段选择。针对陆地背景区域对水上目标检测的干扰,本文研究分析了六种水域背景提取方法。实验结果表明,增强型水体指数方法具有较为明显的优势。提出一种改进的掩膜方法,该方法定义了一个过渡宽度,在掩膜值上引入渐变过渡,以实现更平滑的图像掩膜,有效减少了传统掩膜方法导致的高频噪声。针对高光谱图像波段多、数据处理复杂等问题,本文提出一种结合曲率与相似性抑制的波段选择方法。与三种经典波段选择方法的对比实验表明,本文方法在平均信息熵、平均信噪比和计算效率等性能指标上均具有较为明显的优势。 （4）水上目标高光谱检测方法研究。通过对水上搜救场景中典型目标材料光谱的研究,构建目标材料的光谱特征向量数据库。提出一种基于多尺度马氏距离差值的高光谱目标检测方法。首先,将目标材料光谱特征向量作为目标先验信息输入到模型中。然后,通过多尺度空间分析方法,在每一个尺度下计算像素与背景和目标之间的马氏距离,取二者的差值,并将每个尺度下的检测结果进行融合。最后,结合平方操作和高斯滤波方法,增强目标区域的信号强度,抑制噪声。在十种包含不同目标的数据集中进行五种方法的对比实验。实验结果表明,所提方法在大部分数据集中均具有最高的检测率和最低的虚警率以及较好的均方根误差值和峰值信噪比值,且平均检测率和平均虚警率分别达到了92.38%和3.24×10-3%。

关键词： 斜拉索聚乙烯护套   病害检测   技术状况评定   图像分类   目标检测  

摘要： 聚乙烯护套作为国内外斜拉索主要采用的防护层,其表观病害的检测与评估尤显重要。目前,国内规范推荐的爬索机器人检测法以视频图像处理方法为核心,其采用的计算机视觉技术不断推出更加高效的处理模型。此外,规范对于斜拉索护套的评估主要依赖于专业人员的主观判断,精细化的量化评估方法相对欠缺。基于此,本文深入研究聚乙烯护套的量化评定方法,并针对视频图像处理提出“初筛-检定”的两阶段检测法,采用新的计算机视觉技术实现聚乙烯护套的病害检测,最后通过工程应用对研究成果进行了验证。研究成果可为聚乙烯护套表观病害的检测及评估提供参考,论文的主要研究方法和结论如下: (1)基于规范和工程实践,对聚乙烯护套表观病害进行了新的定义和分类。根据各类表观病害形态和形成机理,建议聚乙烯护套病害划分为5大类,分别为护套老化、护套开裂、机械损伤、挤压变形及污渍。 (2)根据本文提出的表观病害类型,采用分层综合评定法量化了斜拉索聚乙烯护套的评定。将斜拉索聚乙烯护套的评定划分为三个层级,即护套病害层级、单根斜拉索护套病害层级和全桥斜拉索护套病害层级。首先,采用标度法对护套病害层级的各类病害进行了量化。其次,基于专家问卷,采用层次分析法结合专家群组优化法确定了单根斜拉索护套层级中各类表观病害的权重系数。最后,采用规范基于部件的技术状况评分法实现了全桥斜拉索护套层级的技术状况评分与评级。 (3)提出了改进的SE-ResNeXt网络,实现了针对视频图像的两阶段检测法中病害图像的初筛任务。首先,采用工程实测法和隐式标注法建立了有病害及无病害图像的训练数据集。其次,提出了改进的SE-ResNeXt网络,该网络将SE模块嵌入ResNeXt网络残差块的卷积操作和全连接层之间,优化了模型训练阶段的权重参数计算结果,提升了模型推理阶段的病害特征提取能力及病害图像的初筛性能。最后,对比验证了SE-ResNeXt模型在重要分类指标上的提升。 (4)提出了改进的CA-YOLOv11n网络,并基于病害图像初筛结果实现了两阶段检测法中的病害检定任务。首先,采用工程实测方法和label Img软件标注方法建立了五类病害的训练数据集。其次,提出了改进的CA-YOLOv11n网络,该网络将CA注意力机制嵌入到YOLOv11n网络的Neck部分与Detect部分之间,优化了YOLOv11n网络的权重参数计算结果,提升了模型的病害特征提取能力及病害的检定。最后,通过消融实验证明了CA-YOLOv11n网络在病害分类结果和模型性能方面的提升。 (5)针对某实际工程,对本文提出的斜拉索护套评定及检测方法进行了对比与分析。对比结果表明,本文评定方法在规范评定标准的基础上,对病害的标度划分提出了更高要求,新增的单根斜拉索护套与全桥斜拉索护套评定使斜拉索护套评定过程更加便捷。两阶段检测法的综合准确率达到了91.78%,在准确率等方面较单阶段检测法得到有效提高。

关键词： 水下无人探测   数据增强   水下目标检测   卷积神经网络  

摘要： 近年来,深度学习技术的发展对于水下无人探索起到了重要的推动作用。然而,由于水下环境的复杂性造成的光照低,波的散射以及水下目标自身的保护色等诸多干扰因素,使得智能模型对于相关水下目标的识别性能大幅度降低。为提高模型在水下环境中的自适应能力和对水下环境中前景目标的特征感知能力,本文做出以下工作: (1)针对提高模型在水下检测任务中性能的鲁棒性问题,本文结合传统图像处理,提出随机均衡数据增强(Random Equilibrium Data Augmentation,REDA)。REDA首先对水下图像进行随机性平移、翻转,以此改变水下图像角度的多样性。其次使用CLATHE和直方图均衡方法改变水下图像的RGB原始比例,提高水下图像的色彩多样性以及特征纹理强化,最后将角度和色彩处理进行随机组合产生更多新的水下图像,从而提高了水下数据的场景复杂性。本文将REDA以在线图像增强的方式应用于模型训练,从而提高模型对水下复杂场景的自适应能力。 (2)针对短时间且高效率的水下探测任务,对于模型算法的实时性有着较高要求。本文基于卷积架构的实时性优势,提出一种局部语义编码模块(Partial semantic encoding module,PSEM)和分割维度加权检测头(Split Dimension Weighting Head,SDWH)。PSEM可以在少量参数的情况下,通过局部卷积,提取更加精炼的语义特征,而SDWH可以对前景水下目标进行有侧重的加权,从而提高模型的感知能力。将PSEM和SDWH改进于YOLO系列模型,在保证模型实时性的同时,提高模型对于水下的检测性能。 (3)针对时间充足且需精确检测的水下探测任务,本文提出一种空间语义编码融合模块(Spatial Semantic Encoding Fusion,SSEF)。SSEF通过利用哈达玛乘法对空间特征语义进行强化,从而提高模型对前景目标的定位能力。在Transformer架构模型具有对于语义信息的强捕捉能力的基础上将SSEF与编码器组合,提出一种增强空间特征融合的模型Under water-DETR(UW-DETR)。 (4)针对模型算法在水下检测任务中的性能验证,本文把提出的模型方法与SOTA算法和基准模型在Brackish、UTDAC2020、RUOD水下数据集中进行训练测试。通过m AP、AP等指标分析算法检测性能,根据GFLOPS,Params等指标分析模型的复杂度和实时性。

关键词： 电力巡检   轻量化   绝缘子缺陷   YOLOv8   目标检测  

摘要： 绝缘子正常工作是确保电力系统安全可靠运行的重要环节,若一旦发生缺陷故障,可能导致供电中断甚至更严重的事故。为此,开展绝缘子缺陷的精准检测对于提升电力巡检效率和降低安全风险至关重要。传统基于图像处理和机器学习的检测方法在一定程度上能够满足检测需求,但其对图像质量和背景复杂度的依赖较高,难以适应电力巡检中复杂多变的环境。随着深度学习技术的快速发展,在电力巡检过程中,图像处理技术与无人机的结合为绝缘子故障检测带来巨大的变革。本文从绝缘子结构特点及常见缺陷入手,结合经典目标检测模型与绝缘子片破裂、闪络小目标缺陷特征,设计了两种小目标缺陷自动检测模型,旨在降低模型参数量的同时,提升对缺陷的检测精度。并将两种算法模型成功部署至边缘端与客户端,实现缺陷实时检测和可视化操作。本文的核心内容包括以下几个方面: (1)对于公共数据集样本匮乏的问题,采用图像旋转、颜色变换、随机缩放、随机去除与混合图像等数据增强的方法对公开绝缘子数据集CPLID进行扩充,使用Labelme标注工具对扩充后的数据集进行标注,采用矩形框标注图像中需要检测的对象,创建CPLID-DE数据集。在高空中,利用无人机靠近输电线路区域拍摄绝缘子图像,将采集到的绝缘子图像通过以上数据增强的方法进行扩充,并将自制数据集命名为BFDS数据集。 (2)为了使检测模型结构在压缩的同时,绝缘子缺陷检测精度也可取得较为满意的效果,设计出一种针对绝缘子片破裂缺陷的轻量化自动检模型N-YOLOv8。对于网络的轻量化,以GFLOPs与Parameters作为轻量化网络的评价指标,设计轻量化模块DPHConv与CFI-X,通过适度降低网络模型的检测准确率,实现网络参数规模的大幅缩减。在提升检测精度方面,设计注意力机制PEG与CEIo U＿Loss损失函数,同时引入非极大值抑制Soft-NMS,它们显著增强了算法对绝缘子破裂缺陷的识别能力。 (3)为推动绝缘子缺陷的自动检测,提出一种针对绝缘子片闪络与破裂的多类型小目标缺陷自动检测模型IDSTS-YOLOv8。通过设计双尺度检测头、空间金字结构AM-SPPF模块与CSPC模块,并使用CTA注意力机制(Context Aggregation注意力机制),使模型更加关注中小型语义信息与全局背景信息,提高模型对低分辨率图像和小尺度目标的检测性能。同时添加Shape Io U损失函数,解决了CIo U损失函数在边界框回归的过程中,因边界框本身的形状和尺度对边界框回归产生的影响。它们提升了模型对绝缘子闪络与破裂缺陷的联合检测性能。 (4)为适应多样化的电力线路巡检任务,本文将提出的两种绝缘子小目标缺陷算法分别部署至边缘设备和客户端设备软件中,以便于巡检工作人员操作。实验结果证明,本文所提出的算法具有一定的工程性应用价值。 图63表15参87

关键词： 跌倒检测   计算机视觉   传感器   可穿戴设备  

摘要： 近年来的研究表明，跌倒已经成为我国老年人致死的主要原因之一，因此及时检测到老年人的跌倒行为并进行救助是一个比较重要的研究课题。本文对现有的跌倒检测技术做了详细的综述，包括跌倒的含义、跌倒检测技术和跌倒分类算法，可以为后续的相关研究提供有意义的借鉴和参考。

关键词： 焊缝打磨机器人   深度学习   视觉引导   目标检测   机械臂  

摘要： 焊缝打磨是制造业中重要的后处理工序,影响着产品外观质量、结构强度与使用寿命。目前,主流的焊缝打磨作业还依赖于手工打磨,存在着打磨效率低、一致性差、人员工作环境恶劣等问题,亟待自动化设备的引入。然而,自动化焊缝打磨在实际应用中面临诸多难题,尤其是在工业环境中光照条件不稳定及焊缝形状复杂的双重影响下,传统视觉算法难以保持稳健的识别效果。为了解决上述问题,本文设计了一种基于视觉的焊缝打磨系统,主要针对打磨机器人在工业环境下的焊缝识别定位问题和焊缝打磨路径生成问题进行了以下方面的研究: (1)设计和搭建了一套焊缝打磨机器人硬件和控制系统。完成了焊缝打磨机器人部件的选型和硬件搭建,建立了机械臂D-H参数模型并推导运动学解算公式;建立了相机的成像模型并完成相机内参和手眼标定,得到相机-机器人坐标系的转换关系;完成手眼参数验证实验,证明建模和标定参数的准确性。 (2)针对焊缝打磨工业现场识别定位难的问题,提出一种改进的焊缝区域定位方法ScE-YOLO。该模型在YOLOv8的基础上,进行了以下改进:在颈部网络中添加自研的SCFAM注意力机制,以增强网络对焊缝特征的提取能力;在骨干网络中引入轻量化G-ELAN特征提取模块,在保持特征表达能力的同时降低了计算复杂度。在自建的焊缝图像数据集WELD-DET和公开的缺陷检测数据集NEU-DET上对ScE-YOLO网络进行了对比和消融实验,结果表明该网络具有先进性和可泛化性;在打磨机器人系统上的测试表明,该网络能够在现场条件下保持高置信度和实时性能,验证了该网络的可用性。 (3)针对多焊缝场景下打磨轨迹生成的问题,开发了一套完整的焊缝打磨路径生成方法。该方法中,将多焊缝打磨顺序规划问题建模为旅行商问题,使用结合2-opt策略的粒子群算法进行求解;对于焊缝打磨轨迹生成的问题,提出一种包括焊缝边界提取、中心线提取以及坐标转换的轨迹生成方法,实现了从二维图像到三维打磨轨迹的精确生成。仿真和实际实验结果表明,该方法能够有效完成多焊缝打磨顺序规划、焊缝打磨路径生成与执行操作,为焊缝打磨自动化提供了新的解决方案。

关键词： 机器视觉   自动点胶   视觉检测   图像处理  

摘要： 阐述基于机器视觉的自动点胶检测系统设计，该系统采用高精度工业相机配合同轴光源，建立点胶轨迹识别算法与胶点质量评估模型。实验验证表明，系统在点胶位置精度等方面均取得显著提升。

关键词： 5G-A通感一体化   无人机   目标检测   曲线拟合   峰特征  

摘要： 无人机作为低空飞行载体之一,具有目标小、飞行高度低、速度慢、易被复杂城市环境遮挡等探测难点,已成为恐怖袭击、违法犯罪的重要手段。鉴于通信基站数量庞大、信号覆盖范围广,5G-A通感一体化已成为低空探测新思路。然而,低空杂波较为复杂,无人机往往处于临界可检测状态。传统检测算法难以有效检测出低空慢速飞行的微小型无人机目标。为此,本文研究设计了面向5G-A（5G-Advanced）通感一体的低空无人机目标检测方法,并基于自主研制的5G-A通感一体化基站完成了验证。主要工作如下: 1.介绍5G-A通感一体化基站的系统架构,提出基于多载波梳状调控复用的通感一体化信号及协议生成方法,并将通感一体化基站的感知功能等效于脉冲多普勒雷达。同时,介绍了目标检测基本原理和方法。最后,通过实测数据分析得出5G-A低空场景回波具有“高杂噪比”和“干扰目标较多”的特点,为后续研究奠定了基础。 2.针对5G-A低空场景回波的“高杂噪比”特点,提出基于曲线拟合拆峰的恒虚警（Curve Fitting and Peak Separation of Constant False Alarm Rate,CFPS-CFAR）检测器。首先,将时域回波转换到多普勒域,获得距离-多普勒图。其次,在滤噪基础上,进行一阶导数寻峰,获取峰数目和对应的峰位。为了提高拟合的精准度,设计双重峰拟合。第一重,采用多项式拟合局部峰区域,作为第二重的初始参数。第二重,采用非线性最小二乘拟合,实现目标和杂波的有效拆峰。然后,将目标的峰位作为统计量,实现最终判决。最后,采用5G-A通感一体化基站的外场实验验证,结果表明:相对于二维单元恒虚警检测器和动目标显示检测器,提出的CFPS-CFAR检测器分别具有34%和13%的性能提升,适用于无干扰探测环境下。 3.针对5G-A低空场景的“干扰目标较多”特点,提出基于多维峰特征的检测器和无人机鉴别器。首先,根据多普勒频谱特性,将来自系统杂散、树叶等回波称为类杂波干扰,将来自飞鸟、行人等回波称为类目标干扰。其次,在拟合拆峰基础上,提取峰高、峰宽、峰位三个特征,构建三维特征向量,实现三维特征联合检测。并且,将类杂波干扰进行单独划分凸包,实现干扰抑制。然后,考虑到类目标干扰,在检测结果上进一步鉴别是否为无人机。在二维时频图上,提取微多普勒特征,实现初步鉴别。最后,基于外场实验数据和半物理仿真实验,结果表明:相对于CFPS-CFAR检测器,提出的方法在损失14%性能的条件下可以有效降低虚警率到10-3,鉴别率达到90%。

关键词： 交通标志   YOLO   目标检测   注意力机制  

摘要： 在社会经济迅速发展和汽车数量大幅增加的背景下,道路交通安全问题愈发突出。无人驾驶技术和智能交通系统成为应对这一挑战的重要方向。交通标志作为道路信息的关键载体,对驾驶安全至关重要。然而,在实际驾驶中交通标志可能因各种原因被忽略,增加事故风险。同时,传统交通标志识别方法在复杂场景下存在精度不足和计算效率低下的问题。若系统识别不准确,会向无人驾驶车辆传递错误信息,导致行车决策失误。此外,车载设备和嵌入式系统计算资源有限,自动驾驶车辆需实时运行,模型复杂可能导致识别延迟。因此,开发一种高效、准确且轻量化的交通标志识别算法至关重要,它不仅能提升道路安全性和交通效率,还能推动无人驾驶和智能交通系统的发展,对于确保道路交通安全和提升通行效能具有重要的现实意义。本文基于YOLOv11的轻量化交通标志识别算法进行了研究与设计,主要研究内容如下: (1)在深度学习的交通标志识别领域,国内公开的数据集样本不足是一个挑战。国内目前仅有的公开交通标志数据集,难以满足日益复杂的交通标志识别需求。为解决这一问题,本文展开了深入研究,整合了一个交通标志数据集TTKTS。并且,为了有效扩充数据集并提高模型的泛化能力,本研究设计并实现了一个图像增强处理工具。为后续交通标志识别模型的训练提供了更充足、更优质的数据支持,为有效提升交通标志识别系统的性能与泛化能力奠定了基础。 (2)基于Faster Net和组卷积增强的轻量化识别算法。卷积神经网络在训练过程中通常面临耗时长、模型规模庞大以及内存占用高的问题,这些问题限制了其在交通标志识别场景下的轻量化部署。本文提出了一种针对YOLOv11算法模型的轻量化改进方案。通过构建并引入融合网络、优化检测头对模型网络结构进行改进,在确保识别准确率保持在较高水平的同时,显著降低计算量与参数量,从而满足轻量化部署的需求。 (3)融合CAGA注意力机制和CARAFE上采样的改进算法。尽管轻量化模型设计在一定程度上降低了模型复杂度,但同时也带来了识别准确率下降、误检与漏检现象频发等问题,尤其是在处理图像中的小目标时,识别效果欠佳,且识别速度难以满足交通标志识别的实时性要求。本文针对改进后的基于Faster Net和组卷积增强的轻量化识别算法,提出了一种精度与速度优化方案。该方案对网络结构中的上采样方法和损失函数进行了优化,并创新性地引入一种结合空间注意力和通道注意力的注意力机制,有效提升了目标识别的准确率与推理速度,进而更好地满足自动驾驶场景下对实时性的严格要求。 (4)基于改进YOLOv11的交通标志识别系统。为了更直观地呈现模型的实际效果,本文采用Py Qt5框架进行系统开发,并完成了模型的本地部署。在系统设计中,共构建了10个功能模块,其中包括标注工具、权重选择、参数调整、本地图片和视频检测、实时摄像头检测、识别、输出打印、结果展示以及存储结果等,旨在提供一个全面而高效的交通标志检识别解决方案。 图[36]表[15]参[72]