关键词： 公路路产   路面病害   目标检测   语义分割   公路智能养护  

摘要： 随着交通强国建设推进,公路路产与路面养护问题日益凸显,智能检测技术对保障交通安全与舒适性具有重要意义。公路路产检测针对护栏、标志牌等设施的定位与状态评估;路面病害识别则聚焦裂缝、坑槽等结构性损伤的检测与分析。定期检测有助于及时发现问题并修复,保障行车安全。人工巡查效率低、成本高,现有智能检测技术仍存在算力需求高、精度和效率不足等问题。本文围绕轻量化路产检测与多尺度病害分割开展研究,提升检测效果,助力智能公路养护。本文的主要研究内容如下。 (1)针对现有路产检测算法计算冗余、小目标误检漏检的问题,提出了一种融合注意力机制的轻量化YOLOv5路产检测算法。通过Kmeans++聚类算法优化路产锚框,更好适应路产检测任务。引入MobileNetv3轻量化主干网络,对卷积层进行稀疏化,降低计算量,提高效率。同时,引入局部归一化注意力机制(Local Normalization Attention Module,L-NAM),更好地提取路产设施的局部细节特征。在自制路产数据集上的实验表明,改进后的方法mAP(mean Average Precision)值达到98.2%,模型参数量降低85.6%,为路产检测提供了一个高效且可行的解决方案。 (2)针对路面病害分割断裂、边缘提取困难、类别不平衡的问题,提出一种多尺度增强与边缘感知的HRNet路面病害分割方法。设计可变形金字塔池化(Deformable Spatial Pyramid Pooling,D-SPP)增强多尺度特征提取,捕捉裂缝和坑洼细节。构建边缘检测层,在HRNet各阶段加入融合ECA(Efficient Channel Attention)注意力机制的Canny边缘算子提升边缘信息保留效果。并提出动态设定类别权重方法以增强网络对目标类的关注。在Crackseg9k和自制数据集Pothole500上实验结果表明,改进方法在Crackseg9k数据集上mIOU(mean Intersection over Union)和mAP分别达到79.5%和86.1%,在Pothole500数据集上mIOU和mAP分别达到87.1%和95.7%。改进的方法能够显著提高路面病害分割效果,并加强边缘特征,展现出良好应用前景。 (3)为实现路产设施状态分析与病害几何特征量化,提出判断路产设施状态的检测方法以及基于相机标定的病害几何特征量化方法。在路产设施状态检测方面,通过边缘检测、形态学操作、阈值处理和霍夫变换提取路产设施轮廓,并结合几何规律判断形变,路灯状态则通过感兴趣区域参数设阈判定。针对路面病害量化评估,利用相机标定实现像素与实际尺寸的精准映射,并优化骨架提取以提高病害几何特征测量精度。实验验证方法在效率与准确性上优于传统手段,为智能公路养护提供了技术支撑。

关键词： 非线性系统   序贯融合估计   Taylor级数   无迹Kalman滤波器   多传感器  

摘要： 目标跟踪技术已广泛应用于导航制导、环境监测、无人机群协同等军事和民用领域。目标跟踪中的关键问题之一是优化非滤波跟踪算法,特别是在多传感器系统中,传感器异步采样和数据传输时滞导致数据不能同时到达融合中心,这使得滤波器设计具有一定的挑战性。为了解决这一问题,采用序贯融合估计算法可以按数据收到的先后顺序依次进行处理。本文针对多传感器非线性系统,研究了序贯融合无迹卡尔曼滤波器(unscented Kalman filter,UKF),主要研究内容如下: 1、针对多传感器非线性系统,利用加权最小二乘算法,提出了一种基于Taylor级数逼近的序贯加权观测融合UKF算法。该算法通过引入近似的公共函数,将各传感器的观测方程表示为系数矩阵与公共函数的乘积形式。根据各传感器观测数据到达融合中心的先后顺序,采用序贯形式依次将观测方程两两压缩降维,最终压缩得到的观测方程与状态方程相结合,采用UKF完成状态估计。理论分析表明,序贯加权观测融合UKF算法具有渐近最优性,即随着Taylor展开项数的增加估计精度渐近于集中式观测融合UKF算法。而且,所提出的序贯加权观测融合UKF算法具有更小的计算量。仿真实验验证了算法的有效性。 2、针对传统集中式观测融合UKF计算复杂度高、数据传输负担重以及系统实时性差等问题,基于Taylor级数逼近的序贯加权观测融合UKF估值,设计了序贯状态融合估计算法。首先,针对传感器网络的分布式特性,对传感器网络进行分簇建模,在每个簇中设立簇头节点以收集簇内其他传感器的观测数据,并采用序贯加权观测融合UKF算法计算局部状态估计值。然后各簇头节点间进行信息交互,并采用序贯状态融合算法融合局部估计值,以获得融合的分布式状态估计。当簇头节点间的互协方差矩阵已知时,则可以采用序贯矩阵加权融合、序贯标量加权融合或序贯对角阵加权融合方法进行状态估计。当簇头节点间的互协方差矩阵未知时,则可以采用序贯快速协方差交叉融合、序贯快速对角阵加权协方差交叉融合、序贯协方差交叉融合或序贯逆协方差交叉融合进行状态估计。最后,对所提出的序贯状态融合方法性能进行了比较分析。仿真实验验证了算法的有效性。 3、在室内环境下搭建二维移动机器人跟踪与定位实验平台,并将所提出的序贯融合估计算法应用于该平台。首先在真实环境下,用绝缘胶带在平面贴出不同类型的运动轨迹,然后将所建立好的坐标系把基站放在固定的位置,其次将标签放在智能移动机器人上作为被定位的目标,记录好智能运动机器人的初始位置坐标。利用ROS系统,通过指令对智能移动机器人运动速度进行调节,并控制智能移动机器人进行精准循迹。将采集到的观测数据传输到电脑端进行接收和处理,最后将处理好的数据运用所提出的序贯融合估计算法进行仿真,以验证算法在实际应用场景下的有效性。

关键词： 自动驾驶   3D目标检测   轻量化   稀疏卷积   知识蒸馏  

摘要： 近年来,随着人工智能和计算机视觉技术的快速发展,自动驾驶成为学术界和工业界的重要研究方向。为了实现自动驾驶车辆的安全、高效运行,环境感知技术扮演着至关重要的角色。作为环境感知的核心任务之一,3D目标检测能够为车辆提供精确的空间定位和目标识别信息,是实现自动驾驶决策与控制的基础。 尽管已有多种轻量化3D目标检测算法被提出,用以提升推理速度和降低计算成本,但在点云稀疏性建模、空间结构信息保持、精度与效率的平衡等方面仍存在明显不足,难以全面满足自动驾驶系统对实时性与可靠性的要求。为此,本文围绕点云数据的表示与建模,提出一种融合高效编码结构与特征优化机制的轻量化3D目标检测方法,重点从基于柱状体编码网络结构的设计和基于知识蒸馏的精度补偿两个方向进行研究,以提升检测性能和实用性。本文的主要贡献如下: (1)提出了一种基于柱状体编码的高效3D目标检测网络—Fast Pillar Net,并在此基础上设计了三项优化策略:在点云预处理阶段,利用Z轴值对地面点云进行过滤,以减少背景干扰并提升物体边界的清晰度;在点云网格编码阶段,通过按高度区间进行稀疏采样,保留关键空间信息的同时降低计算成本;在检测头部分,引入基于热图的关键特征筛选方法,仅对高置信度区域的特征进行目标回归,从而有效减少计算负担。在KITTI数据集上的实验结果表明,以上优化策略使Fast Pillar Net的推理速度提升了12.44%,同时保持检测精度不变。在nu Scenes数据集上的进一步实验表明,Fast Pillar Net在复杂场景下依然具备出色的检测性能,展现出良好的鲁棒性。 (2)提出了一种基于关键特征对齐的异构知识蒸馏方法,以弥补柱状体编码模型在高度信息建模方面的不足。该方法以基于体素编码的模型作为教师模型,基于柱状体编码的模型作为学生模型,实现跨结构的知识迁移。在特征提取阶段,结合热图置信度信息提取并对齐关键特征,从而提升蒸馏效果。在KITTI和nu Scenes数据集上的实验结果表明,该方法能够显著提升学生模型的检测精度,达到接近教师模型的水平。并且通过适当扩展学生模型的骨干网络,可以使其在推理速度快于教师模型15.42%的情况下,达到与教师模型一致的检测精度。 (3)基于ROS和RViz设计了一个自动驾驶可视化系统,为3D目标检测模型的研究和应用提供直观、交互式的可视化支持。

关键词： 目标检测   模型压缩   终端设备  

摘要： 移动终端设备在航空探测、安防监控等领域广泛应用,但受限于硬件资源,其弱小目标检测面临小目标分辨率低、背景干扰大、计算效率低等挑战。现有检测模型普遍存在定位精度不足、模型复杂度高等问题,难以在移动端实现精度与速度的平衡。传统深度学习模型在参数冗余度、多尺度特征融合等方面亟待优化,而边缘端部署中模型的硬件适配与计算能效问题更为突出。本文针对上述挑战,提出面向移动终端的弱小目标检测系统优化方案,旨在通过算法与工程协同创新解决实际部署需求。 提出了一种融合强化学习与深度学习的两阶段检测框架,创新性地构建了基于深度Q网络（DQN）的动态候选框生成机制。该方法将特征图状态编码与历史动作轨迹迭代融合,通过自适应奖励函数引导智能体快速锁定目标高密度区域,将该区域位置传递到预测头以降低计算量。实验表明,奖励函数结合交并比（Io U）与目标覆盖比例的双重约束,使候选框搜索效率提升42%;基于强化学习数据先验信息改进的TPH-YOLOv5网络引入Transformer预测头与注意力机制,在Vis Drone2019数据集上m AP50:95指标达到21.8%,较基准模型提升26%。显著区域聚焦策略将卷积运算聚焦于40%-80%的关键图像区域,保障了25FPS的实时检测性能。 提出了一种基于梯度信息和特征图方差的动态剪枝方法,并在昇腾平台上实现紧凑模型的高效部署。通过梯度演化轨迹与特征图统计量的联合评估衡量通道重要性,构建自适应的稀疏性约束训练损失;控制BN层缩放因子与通道重要性相关的剪枝阈值,动态剪枝确保关键特征通道的保留。实验结果表明,该方法在Vis Drone2019数据集上的m AP50达到41.7%,推理速度提升至52 FPS,实现了精度与效率的均衡。此外,本文还探讨了模型剪枝、量化及硬件优化的完整部署链路,应用静态算子重写方法解决ONNX格式转换中的动态维度问题,并应用FP16/FP32混合精度优化降低计算复杂度。在Atlas 200i DK A2平台上,剪枝后的模型推理速度提升至23.6 FPS,较未优化的YOLOv5s模型提升26.2%。综合来看,本文的剪枝方法在保证检测精度的同时显著提升了计算效率,为移动端实时检测提供了高效、稳定的解决方案。

关键词： 无人机   深度强化学习   视觉导航   目标检测  

摘要： 以四旋翼无人机实训平台为载体，提出并验证了一种基于深度强化学习的无人机导航与主动跟踪算法。首先，阐述了传统方法在视觉感知上的局限性以及深度强化学习(DRL)的优势；其次，介绍了基于YOLOv11模型所设计的数据采集、预处理以及模型训练流程，通过将无人机导航任务建模为马尔可夫决策过程(MDP),采用DQN算法结合经验回放与目标网络，以及ε-greedy策略进行训练；最后，在多场景下进行仿真和实体机测试，在测试中评估导航成功率以及避障能力，验证了所提算法在复杂环境下的可靠性与实时性。

关键词： 图像处理   神经网络加速器   图像去雾   低照度增强  

摘要： 图像恢复和图像增强是用于提高图像质量和视觉效果的图像处理技术,目前被广泛用于交通、无人机和医疗等领域。随着近年来神经网络算法的兴起,图像恢复和图像增强领域出现了大量基于深度学习的图像处理算法,相比传统的基于模型算法能获得更好的图像质量。在硬件边缘部署中,相关研究大多仍使用传统算法,同时神经网络的边缘部署带来了存储和计算等挑战。针对上述问题,本文提出了基于FPGA的智能图像恢复/增强处理核,通过硬件算法协同设计来优化算法,并设计和实现了图像恢复/增强加速器架构。 首先,本文讨论了图像恢复和图像增强技术的国内外研究现状,分析了当下边缘端部署的工作。同时,还分析了该领域的神经网络基本结构、用于训练和推理的数据集以及用于评价处理后图像的质量指标。基于上述的讨论,本文从算法的硬件优化和硬件加速器架构设计展开研究。 在算法层面,本文将粗粒度剪枝应用到神经网络算法,大幅减少了神经网络的参数量和计算中的特征图层数,进而优化了硬件计算和存储资源的消耗;设计了一种硬件友好的后处理算法用于微调神经网络的输出图像亮度,能够显著提升输出图像的质量,提升图像的视觉效果;提出了一种计算流程优化方法,通过在神经网络算法中插入下采样和上采样来缩小神经网络在计算过程中特征图的尺寸,以此来优化神经网络计算的存储资源消耗和流水设计。 在硬件加速器架构层面,本文设计了具有去雾、低照度增强和去噪三种功能的神经网络加速器。其中,为了解决神经网络中卷积算子尺寸多变和计算单元资源消耗大的问题,设计了一种可重构的级联计算单元,能够支持多种尺寸的卷积算子并且能大幅减少计算资源消耗;设计了一种多行读取计算的卷积计算方法以及硬件架构,能够提高在一张特征图上进行卷积时的计算并行度,同时避免对特征图进行重复的存储;设计了一种支持多种去噪方法和选择不同参数的去噪模块。 经过仿真和上板测试,本文提出的加速器在去雾和低照度增强数据集上达到了21.27d B和14.88d B的PSNR,优于同领域传统算法加速器去噪模块;去噪模块能够改善经高斯噪声和椒盐噪声污染的图像;同时达到了100MPixels/s的吞吐量;去雾模块、低照度模块和去噪模块功耗分别为1.891W、0.341W和0.208W;本文提出的处理核实现了高图像质量、高吞吐量以及低功耗,适合边缘端部署。