关键词： Canny算子   边缘检测   图像处理  

摘要： 为提高Canny算子在噪声环境下的鲁棒性和图像边缘提取精度，提出了一种改进的Canny算子。所提算子采用自适应高斯滤波器替代传统高斯滤波器，通过非线性插值法改进非极大值抑制过程，细化图像边缘的宽度和精度。采用改进的Otsu算子和区域生长法动态调整边缘检测中的高低阈值，降低固定阈值带来的误判、漏检。将所提算子和Canny算子、Sobel算子以及改进Canny-Devernay亚像素边缘检测算子进行对比，结果表明所提出的改进Canny算子边缘定位误差降低至1.21 px,F1值达到0.94,且比传统Canny算子的运行时间仅增加0.01 s,对工业检测、医学影像等有较高要求的边缘提取场景具有一定的实用价值。

关键词： 四旋翼无人机   滑模控制   目标检测   目标跟踪   核相关滤波  

摘要： 四旋翼无人机具有结构简单、便于携带、机动灵活等优势,因此被广泛应用于安防巡检、农业监测、航拍测绘及交通监控等领域。在实际任务执行中,复杂动态场景下基于机载视觉的实时目标检测与稳定跟踪,已成为无人机智能化研究的重要方向。然而,目标遮挡、尺度变化和机载计算资源受限,给视觉目标跟踪带来了较大挑战。本文围绕四旋翼无人机自主目标跟踪问题开展研究,包括飞行动力学建模、控制器设计、目标检测与跟踪算法优化,具体内容如下: (1)基于牛顿—欧拉方程建立动力学模型,针对模型中未知参数问题,利用MATLAB系统辨识工具对飞行数据进行参数辨识,通过仿真验证所建模型的准确性。在建立的动力学模型基础上,采用PID控制理论设计姿态控制器,并引入非线性开方控制律提升了系统姿态响应速度及稳态性能。针对速度控制,构建速度参考模型并设计滑模控制器,提升速度跟踪精度和控制器抗干扰能力。位置控制器采用比例控制,确保了整体控制系统的稳定性与可靠性。 (2)分析YOLOv5s目标检测算法的网络结构,针对机载设备算力受限问题,采用Ghost模块替换原网络中的C3模块降低计算量,并增加P2尺度检测头提升小目标检测性能。经实验验证,改进模型的计算量减少3.95%,检测精度提高1.39%。 (3)以核相关滤波算法为基础,针对尺度变化易导致跟踪失败问题,建立分层多级尺度池自适应调整跟踪框大小;针对目标遮挡问题,引入平均峰值相关能量进行遮挡判断,并结合卡尔曼滤波预测目标位置,有效提升遮挡情况下的跟踪鲁棒性。实验表明,改进算法的跟踪精度和成功率较原算法分别提升了16.1%和21%。 将本文改进算法部署至无人机平台进行实际跟踪测试,改进后的核相关滤波算法在不同应用场景中的鲁棒性、跟踪精度及稳定性均得到了显著提升,有效弥补了原始核相关滤波算法的不足,使其更加适用于复杂环境下的实时目标跟踪任务。

关键词： DSP   目标检测   轻量化网络   多核并行  

摘要： 目标检测是计算机视觉领域的核心问题之一,基于嵌入式设备的目标检测正受到越来越多的关注。虽然基于深度学习的目标检测方法可以提升准确率和效率,但它需要庞大的计算资源,难以部署到嵌入式设备上。数字信号处理器(DSP)具有体积小、性能强、功耗低等优点,并且可以集成到物联网设备上。为了在DSP上实现准确的目标检测,本文提出了一种新颖的轻量化网络以及一系列优化策略,具体工作如下: (1)轻量化网络ShuffleNetV2-YOLOv3。ShuffleNetV2凭借其在准确率与速度间的平衡脱颖而出,而YOLOv3通过特征金字塔实现多级特征融合,具备强大的目标检测能力。ShuffleNetV2-YOLOv3结合了ShuffleNetV2的设计原则与YOLOv3的特征金字塔思想,并引入两种改进的多尺度特征融合模块,构建出轻量级目标检测模型。实验结果表明,与YOLOv3-Tiny相比,该模型准确率仅下降0.08%,但参数量减少75%,推理速度提升49%,在准确率、参数量和速度之间实现了更优的平衡。 (2)面向DSP的ShuffleNetV2-YOLOv3优化。针对卷积运算资源消耗问题,本文采用深度可分离卷积并融合归一化操作,进一步提升了网络运行速度。针对DSP的多层次缓存结构,通过合理配置缓存大小,减少了外部DDR访问带来的延迟。CCS编译器提供了四个不同级别的优化选项,随着优化级别的提升,程序性能得到了显著改善。在网络推理过程中涉及了大量的矩阵乘法运算,可以利用DSP提供的库函数来进行优化。此外,结合DSP多核架构,采用主从模型充分发挥多核性能。实验结果表明,与主流CPU相比,ShuffleNetV2-YOLOv3在DSP上的推理速度仅慢约0.1秒。

关键词： 绿色果实   遮挡重叠果实   计算机视觉   果实分割   设施农业  

摘要： 随着深度神经网络的快速发展,计算机视觉技术在多个领域取得了显著进展,特别是在智慧设施环境的建设中,提供了创新的解决思路和技术支持。在果实生长过程中,精准的分割技术能够帮助果农实时掌握果实的状态和分布,从而制定科学的管理和采摘策略。然而,在设施环境中,绿色果实与背景中的枝叶颜色相近,加之图像中频繁出现的果实相互重叠、枝叶遮蔽、逆光条件以及光线不足等复杂情况,这些因素使得果实的精准分割面临挑战。本研究以设施环境下的绿色番茄为对象,利用深度神经网络开展语义和实例分割研究,旨在实现果实图像的高精度与高效率分割。该研究为设施环境下的早期测产、自动化采摘和智能化管理作业提供了技术支持和理论依据,从而提升设施环境管理的智能化水平和生产的自动化水平。本研究的主要内容如下: (1)目前,关于绿色果实,特别是设施环境下绿色番茄的公开数据集仍不完善。为此,本研究构建了一个专门的绿色番茄分割数据集。在图像采集过程中,模拟了设施环境中的复杂条件,考虑了不同光照、拍摄角度、拍摄距离以及果实与背景的遮挡等因素,确保数据集具备多样性和全面性,从而提高模型的鲁棒性与适应能力。同时,使用Label Me图像标注软件对每张图像中的果实进行了精确标注,标注内容包括果实的轮廓边界框和类别信息,为模型训练提供了准确的监督信号。该数据集共包含1333张图像,并按8:2比例划分为训练集和测试集,训练集用于模型的训练与优化,测试集用于评估模型的实际表现与泛化能力。 (2)针对绿色果实分割难题,特别是绿色番茄与背景颜色相似的情况,本研究提出了Swin-AGSP语义分割算法。为了进一步提高分割精度,研究在网络架构中引入了AG模块(Attention-Gate),该模块通过设计注意力系数来评估每个特征的重要性,使模型能够重点关注与绿色番茄相关的特征,同时有效抑制背景中的无关区域;为了优化绿色番茄特征的多尺度提取并提升分割边缘的平滑度,本研究在Bottleneck部分引入了空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP),在保持参数量不变的同时扩大特征感受野,增强了模型在处理不同尺度上下文信息时的能力。在实验中,Swin-AGSP算法在数据集上的分割精度达到了88.3%,显著提高了绿色番茄的分割效果。 (3)针对绿色番茄果实重叠和枝叶遮挡问题,本研究提出了一种基于“先检测再分割”的GHD-Net绿色番茄高效分割算法,以满足果实早期测产和自动化采摘的需求。在主干网络中,采用了轻量级的Ghost Conv卷积操作,既保证了高性能,又显著提高了计算效率;在Neck网络部分,嵌入了Dynamic Snake Conv模块,增强了模型对重叠和遮挡边缘特征的表示能力,帮助更准确地区分相互遮挡的果实;在Head部分,通过分类、检测和分割子网络的协同作用,有效处理输入图像并生成高精度的预测结果。实验结果表明,GHD Net模型具有3.242M的参数量和12.0 GFLOPs的计算复杂度,在绿色番茄检测和分割任务中的平均精度分别达到了79.7%和73.9%,显著提高了绿色番茄的分割精度和处理速度,并展现出良好的泛化能力和鲁棒性。 综上所述,针对设施环境中绿色番茄的精准分割任务,本研究基于深度学习理论,突破了目标果实与背景色相近、果实重叠以及树枝叶遮挡等难点,旨在提高设施环境的智能化管理水平,满足早期测产和自动化采摘的需求。此外,本研究提出的分割算法也为其他类似果蔬图像的研究提供了可借鉴的方案。

关键词： 小麦病害   BiCS-WDNet模型   WDIR数据库   目标检测  

摘要： 小麦作为全球重要粮食作物,其病害防控关乎粮食安全与农业可持续发展。统计表明,全球年均因病害减产12.7%,并伴随毒素污染等次生危害。当前小麦病害检测技术存在传统人工检测效率低下、现有深度学习模型检测精度不足以及检测流程复杂导致应用困难等问题。针对上述问题,本文对小麦病害检测进行深入研究,具体研究内容如下: (1)构建小麦病害数据集(Wheat DiseaseImage Repository,WDIR),为模型训练提供高质量数据基础。WDIR包含湖南益阳、湖北襄阳等冬麦产区田间采集数据,以及 Kaggle、Mendeley、Zenodo、Global Wheat Datasets 开放平台公开数据,覆盖条锈病、叶锈病、秆锈病、白粉病、赤霉病、黑穗病、纹枯病、麦瘟病共八类病害,包含植株的不同生长期及各类环境条件下的形态特征。通过迭代式半自动标注完成12857张图像的精细标注,并通过数据增强技术将数据量扩展至20566张。 (2)针对现有小麦病害检测算法精度不足的问题,提出双向跨尺度注意力网络模型(Bidirectional Cross-Scale Simple-Attention Network for Wheat Disease Detection,BiCS-WDNet)。BiCS-WDNet 模型基于 YOLO11 框架改进,首先在主干网络上设计CNX2跨尺度模块,通过全卷积掩码自编码器与全局响应归一化增强病斑定位能力,其次在特征融合层构建C2BRA双向路由模块,采用动态注意力筛选机制抑制土壤背景噪声,然后在检测头引入基于能量函数的无参注意力机制SimAM,重标定叶片重叠区域特征以提升判别能力,最后训练策略上采用Lion优化器,在保证收敛稳定性的同时降低训练资源消耗。实验表明,改进后模型参数量为12.8M,计算复杂度为28.7 GFLOPs,在WDIR数据集上平均精度(mAP)达90.4%,较基准模型提升4.5个百分点,验证了模型的鲁棒性。 (3)为简化小麦病害检测流程,开发基于BiCS-WDNet的小麦病害检测系统。系统采用前后端分离架构实现算法与业务逻辑解耦,支持图像、视频流多模态输入检测,提供低延迟、高鲁棒性的在线检测服务,为农业生产者在田间环境下的实时决策提供支持,提升植保作业效率。

关键词： 图像处理   夜间道路图像增强   最小可觉差模型   自适应Gamma校正   车道线检测  

摘要： 为提升夜间道路图像中车道线检测的精度和完整性，提出一种基于最小可觉差（JND）-Gamma校正的夜间道路图像增强方法。该方法将RGB图像转换至YCbCr颜色空间，采用对比度受限的自适应直方图均衡化算法对Y通道进行对比度增强，并分析背景亮度与JND阈值的关系，以构建Gamma值与背景亮度的动态映射模型。基于该模型建立动态Gamma值以实现自适应Gamma校正，以增强Y通道亮度并优化图像质量，并结合基于密度的空间聚类（DBSCAN）算法与多项式拟合方法对优化后的图像进行处理。实验结果表明，与传统Gamma校正方法和基于线性变换Gamma值的自适应Gamma校正方法相比，所提方法在Exclusively-Dark-Image数据集和CULane数据集上的图像质量评价指标均具有显著优势。此外，在夜间道路图像上，所提方法的车道线检测准确率达到96.4%，验证了该方法的有效性与优越性。

关键词： 海上搜救   遇险人员   图像处理   耀光抑制   单幅图像去雾   微小目标检测  

摘要： 基于无人机可见光图像的遇险人员目标检测作为海上搜救任务的关键技术,是提升搜救效率和成功率的有效手段,具有重要的研究意义和应用价值。在高分辨图像中发现并定位遇险人员是典型的大视场下微小目标检测任务,不仅具有目标尺度小、特征少、信息损失严重的问题,而且面临着耀光和海雾环境噪声的干扰,这些因素为海上遇险人员目标检测带来了巨大挑战。由于海上搜救任务的特殊性,通用降噪方法和检测模型对于该场景的适应能力明显不足。因此,立足于搜救任务的现实需求和技术难点,本文对海上耀光和海雾复杂环境图像处理与遇险人员目标检测进行了研究探索,并取得了如下研究成果。 (1)海上搜救数据集的构建。针对海上搜救数据集匮乏的问题,建立了2个遇险人员目标检测数据集和1个海上单幅图像去雾数据集。通过实地采集数据的方式,形成了MHuman目标检测数据集,对常规场景和耀光场景下的遇险人员着装、聚集状态和救生装置附加属性方面进行补充,丰富了目标的类内特征,并与SeaDronesSee的ODv2公开数据集相融合,形成目标特征丰富的MH-ODv2数据集。针对缺少海上单幅图像去雾数据集的现状,提出了基于柏林噪声和大气散射模型的不均匀海雾生成方法,充分考虑海雾浓度变化和无人机飞行高度,形成了噪声梯度丰富的不均匀海雾数据集MHaze。 (2)基于视觉显著性的海上耀光抑制研究。针对现有耀光抑制研究采用灰度或红外单通道图像的现状,以及难以通过像素值区分微小目标和噪声的问题,提出以高分辨率可见光图像为研究对象,开展基于视觉显著性的海上耀光抑制研究,建立了MGSVS海上耀光抑制模型。在充分分析海上图像中背景、耀光和目标的像素分布特性基础上,提出了三者像素在颜色通道和空间分布存在差异的先验知识。据此,基于像素在颜色通道分布差异先验,提出了灰度映射方法抑制耀光噪声;基于海上图像背景像素的连续分布,提出基于大尺度高斯滤波的方法抑制背景噪声,并通过适应性阈值增强微小目标,获得海上图像的显著点分布;进一步利用目标与噪声显著点在空间分布差异先验,提出二次聚类方法逐步去除噪声显著点。相比于传统算法,MGSVS能够有效分离淹没在强耀光噪声内的微小人体目标。 (3)面向不均匀海雾的单幅图像去雾研究。针对主流单幅图像去雾算法在不均匀海雾图像恢复任务中表现不佳的问题,提出通过代理注意力和动态卷积优化Dehaze Former去雾网络,建立了M-Dehaze去雾模型。提出引入代理注意力优化去雾模块的注意力分支,通过代理向量构建的四元组注意力提升了模型非线性信息的建模能力;提出以动态卷积实现U-Net网络中编码器和解码器的特征融合,使特征融合过程具备通道参数动态化和空间特征表达动态化的能力,提升了模型对细节特征的感知能力;此外,引入了CARAFE上采样算子,以增强模型的图像恢复能力。相比于基础模型,M-Dehaze在MHaze数据集上具有明显优势,其PSNR指标最高提升至36.3 dB,提升了1.21 dB,且不同浓度海雾条件下模型的去雾能力提升较为均衡。 (4)海上微小目标检测网络的系统性优化。针对通用目标检测模型在海上遇险人员目标检测任务中表现不佳的问题,对高度模块化的YOLOv8模型进行系统性优化,涉及提升目标信息、增大感受野、引入注意力机制、提升正样本数量、损失函数和超参数优化,共六个优化思路的八个方法与措施,形成了MH-Det海上遇险人员检测模型。通过增大输入图像分辨率和微小目标检测层的方式,在图像和特征两个层面增加微小目标可学习信息;基于大核卷积和扩张卷积提出以多感受野隐式集成的方式构建特征提取和特征融合模块,提升模型对目标细节特征的表达能力;在检测头处采用简单的通道注意力减少因输出通道均衡策略带来的信息冗余;适应性引入Dynamic ATSS标签分配策略,提升模型对微小目标高质量正样本的挖掘能力;适应性引入NWD思想,降低损失函数对目标尺度的敏感性;采用Ray Tune开展超参数优化,以进一步挖掘模型性能。相比于基础模型,MH-Det在SDS ODv2公开数据集上的m AP50指标提升至85.7%,提升幅度约9.3%,遇险人员目标的AP50提升至84.2%,提升幅度约5.2%,且模型分类能力较好,漏检情况较少,并保持较好的检测实时性。 基于以上研究成果,本文提出以分开训练、再综合评估的方式,设计了图像处理与目标检测联合的性能评估实验,评价耀光抑制算法和去雾算法对复杂环境下的目标检测性能影响。实验结果表明,与在含噪数据上的目标检测结果相比,MGSVS使得遇险人员的AP50提升了4.4%;M-Dehaze使得遇险人员的AP50提升了8.9%。综上所述,本文提出的海上耀光抑制算法、单幅图像去雾算法和目标检测算法能够有效提升海上搜救任务中发现遇险人员目标的能力,且在复杂环境下具有良好的适应能力。