关键词： 智能图像识别   电网设备安装效率   目标检测  

摘要： 阐述智能图像识别系统在电网设备安装中的应用，探讨通过自动化设备识别、定位及安装过程辅助，提升安装的效率和精度，并分析智能图像识别技术架构与关键技术，展示了其在优化资源调配、减少安装时间和降低误差方面的应用。

关键词： 深度学习   YOLOv8   StrongSORT   注意力机制   GIoU匹配  

摘要： 在人工智能与机器人技术的推动下,无人机技术蓬勃发展,产业规模持续扩大,然而无人机在带来便利的同时也引发了航空秩序扰乱、隐私侵犯等问题,因此,有效的低空无人机检测与追踪技术对于无人机反制工作具有现实意义。尽管深度学习在目标检测与追踪领域得到显著发展,但在非合作无人机监控场景中仍面临复杂背景干扰、小目标检测精度低及目标尺度适应性差等挑战。本文对此,以YOLOv8目标检测算法和Strong SORT追踪算法为基础展开研究,旨在提升无人机目标的检测追踪性能,完成的主要工作如下: 针对复杂背景干扰、小目标检测等问题,提出了一种改进YOLOv8n的目标检测模型,该模型首先对特征提取模块进行改进,引入ECA注意力机制来有效提取空间特征,通过自适应地调整各通道的权重,强化有用特征的表达,减弱了背景噪声的影响,从而提高对目标的检测精度,特别是在复杂场景下的目标检测效果;其次在特征融合模块中扩展C2f结构,加强上下文特征信息的联系,达到增强不同层级特征融合的目的,使目标检测算法能够有效的捕捉不同尺度的特征信息;最后对模型的多尺度结构进行优化,通过添加小目标检测头,使模型能够更精细地捕捉小目标的局部特征,提高对小目标特征的辨识度。实验结果表明,本文改进的YOLOv8目标检测算法相较于原YOLOv8算法m AP.5提升了2.02%,取得了良好的检测效果。 对于无人机目标追踪任务,使用改进后的YOLOv8算法作为目标检测器,在结合Strong SORT目标追踪算法的基础上,针对目标遮挡等问题,对Strong SORT算法中的匹配策略进行了优化,使用GIoU替换原有的IoU匹配,并在原有匹配基础上增加二次匹配,有效增强了算法在目标遮挡情况中的处理能力,确保了目标追踪的稳定性和连续性。

关键词： 深度学习   目标检测   目标跟踪   注意力机制  

摘要： 基于深度学习的车辆目标检测与跟踪技术在智能交通和自动驾驶领域具有重要的研究价值与广阔的应用前景。随着城市化进程的加快和交通系统的日益复杂,对高效、精准的车辆检测与跟踪技术的需求愈发迫切。传统方法往往依赖手工设计特征,难以适应复杂场景的变化,而深度学习方法凭借其强大的特征提取与学习能力,为解决这一问题提供了全新的技术途径。本文以改进YOLOv8模型和DeepSORT算法为核心,研究了车辆目标检测与跟踪方法,旨在提高检测精度和跟踪鲁棒性,为智能交通系统提供更加高效的技术支持。 首先,本文对深度学习的理论基础及其在目标检测与跟踪领域的研究现状进行了综述。分析了单阶段和双阶段目标检测算法的优缺点,阐述了检测后跟踪算法与联合检测跟踪算法的特点及其在实际应用中的适用场景。在此基础上,为解决当前算法在复杂交通场景中面临的目标遮挡、姿态变化和多目标混淆等问题,本文提出了一种基于改进YOLOv8模型的车辆目标检测方法。通过引入AKConv卷积模块,改进了模型在特征提取过程中的表达能力,从而提升了对目标细节的捕获精度;设计了C2f＿MLCA结构,优化了网络的特征融合方式,增强了模型对多尺度目标的检测能力;提出了Shape-Io U损失函数,克服了传统Io U损失函数对目标形状差异敏感性不足的问题,从而进一步提高了检测精度。 在改进模型的基础上,本文搭建了符合实验需求的车辆目标检测数据集,并对模型进行了训练与优化。实验结果表明,改进后的YOLOv8模型在检测精度和计算效率上均优于原始模型及其他主流目标检测算法,与原始YOLOv8模型相比,精度、召回率、平均精度均值(m AP@0.5)分别提高了1、3.5、1.1个百分点,浮点运算次数(GFLo Ps)下降4.9个百分点。尤其是在复杂场景下表现出更强的鲁棒性和适应性。此外,通过对比实验和消融实验,验证了各改进模块对模型性能提升的贡献,进一步证明了改进方法的有效性。 针对车辆目标跟踪任务,本文以DeepSORT算法为研究对象,对其核心模块进行了优化与改进。通过对卡尔曼滤波器的状态建模、状态转移方程和观测方程进行分析,结合匈牙利算法的目标匹配原理,改进了DeepSORT算法在目标跟踪过程中的鲁棒性和精度。同时,本文将改进的YOLOv8模型与DeepSORT算法相结合,提出了一种联合检测与跟踪的方法,利用改进的检测结果为跟踪算法提供更精准的输入,从而显著提高了跟踪的整体性能。实验表明,该方法与原YOLOv8+DeepSORT模型相比,多目标跟踪准确度和精确度分别提升了2.4%和2.6%,且ID切换次数减少了10.4%。不仅在目标跟踪精度上取得显著提升,还能够有效降低目标丢失率和误匹配率。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 智能驾驶   3D目标检测   激光雷达点云   扩散模型   核密度估计  

摘要： 随着自动驾驶和智慧城市应用的快速发展,3D目标检测技术成为实现高精度环境感知的核心支撑。激光雷达(Li DAR)提供的点云数据虽能精确捕捉三维空间信息,但是激光雷达点云数据的特性对现有的3D目标检测提出了严峻挑战。近距离目标点云密集且细节丰富,而远距离目标点云稀疏导致几何特征模糊,漏检率居高不下。此外,多类别检测失衡问题尤为突出,传统方法在汽车检测中表现卓越,但对行人、自行车等小目标的检测精度不足,密集场景下的相互遮挡进一步加剧了识别难度。更关键的是,现有方法往往忽略点云密度分布特征与上下文关系建模,导致远距离目标及多类别检测性能不足。 针对上述挑战,本文提出的Casgraph模型通过级联图优化策略实现突破。首先,基于质心的核密度估计(KDE)模块在三维提案框内构建多半径的高斯核,以增强小目标特征表达。然后,在图神经网络的输出加入级联注意力网络(CAN),通过多阶段级联结构与多头自注意力机制动态分配远近距离目标的特征权重,并引入历史样本回放机制,确保低置信度目标不被过滤。 另一方面,Diff Candi Det框架创新性地将扩散模型引入3D目标检测,突破传统锚框方法的固有限制。该框架通过高斯分布中心点(GDCP)策略,将候选框中心建模为服从高斯分布的噪声,利用扩散模型的迭代去噪过程逐步优化至真实标注框(GT),有效解决固定锚框位置约束问题。超密集候选框(SDCB)策略通过密集覆盖候选框提升初始交并比(Io U),结合动态候选框数量(DNCB)策略调整不同尺寸目标的样本比例。为进一步优化效率,基于离散/连续均匀分布的DUCandi Det与CUCandi Det变体显著降低计算开销。 本文使用了两个广泛应用的数据集KITTI和Waymo开放数据集来测试两个算法的性能。将所提出的算法与多个先进3D目标检测算法进行对比实验,结果充分证明了所提出的两个算法的有效性,其性能明显优于其他先进的算法。其中,Diff Candi Det在KITTI验证集的行人检测任务中排名第一。本文聚焦两类创新性解决方案——基于核密度估计的级联图神经网络(Casgraph)与融合扩散模型的动态候选框生成方法(Diff Candi Det),分别从点云特征优化与检测框生成机制切入,显著提升了复杂场景下的检测精度与鲁棒性,不仅为3D目标检测领域提供了新的技术范式,更为智能驾驶系统的实际应用提供了关键技术支撑。 此外,3D目标检测在提升自动驾驶、机器人导航等场景中安全性方面具有关键作用。然而,当前仍面临诸多挑战,例如复杂环境(如恶劣天数据噪声、遮挡)下的检测鲁棒性不足,实时性与计算效率的平衡难以满足安全响应需求,模型泛化能力影响在现实场景中的应用。准确的3D检测可显著降低碰撞风险,但仍需注意算法的可解释性与抗对抗攻击能力,避免因模型黑箱特性或恶意干扰引发安全隐患。未来研究需兼顾精度与效率,强化环境适应性,并探索轻量化解决方案,同时应当建立起伦理规范与安全标准,确保技术落地的可靠性与合规性。

关键词： 目标检测   图像增强   农作物病害   Retinex-Net   YOLOv8s  

摘要： 农作物病害检测是目标检测应用的一个分支,在实际应用中面临以下挑战:1)农作物病害表征图像较小且不同病害表征图像之间的差异不明显,从而影响检测准确性。2)农作物生长环境复杂,叶片之间相互遮挡,导致同一检测目标中亮度分布不均,进而使检测结果出现偏差甚至无法检测。3)在保证检测精度的前提下模型轻量化是农作物病害检测器实现的基本问题。本文选择泛化能力强的YOLOv8s检测模型和Retinex-Net图像增强模型,针对农作物病害检测面临的挑战针对性改进,提出了一种由增强模型CE-Retinex-Net和检测模型SFA-YOLO组成的农作物病害检测方法,通过收集和增广的数据集验证了其有效性,并设计实现了一个简易的航拍视频农作物病害检测器。本文具体工作有如下三个方面。 (1)对Retinex-Net进行改进,提出了图像增强模型CE-Retinex-Net。将Retinex-Net中的增强网络替换为循环生成对抗网络,利用其强大的特征提取能力增强低光照图像。具体有:通过加入注意力机制,重构循环生成对抗网络的生成器;引入局部特征判别器,以增强对局部病害特征的关注;使用基于卷积神经网络的图像去噪网络替换原Retinex-Net网络模型中的去噪模块,以去除图像噪声并保留语义信息。实验结果表明,CE-Retinex-Net图像增强算法能够有效提升检测模型对病害特征的检测精度。 (2)对YOLOv8s进行改进,提出病害检测模型SFA-YOLO。首先采用Shuffle Netv2的基础模块和下采样模块构建主干网络,在降低模型计算复杂度和参数规模的同时,保持优异的特征提取性能;为进一步提升模型性能,在主干网络中引入SE注意力机制,增强模型对关键特征的关注能力。其次重构C2F模块,将Bottleneck模块替换为Faster Net Block模块,在降低模型的计算复杂度的同时,提高对不规则形状目标的识别能力。最后将通过分离宽高损失的EIo U和Alpha-Io U的调整指数因子融合,重构回归损失函数,可更均衡地处理各种尺度的目标。实验结果表明,相比于原YOLOv8s检测模型,SFA-YOLO具有更出色的性能。 (3)设计并实现了一个简易的航拍视频农作物病害检测器。将两个训练后的模型权重结合,对用户输入的航拍视频进行农作物病害检测,并生成相应的检测结果。