关键词： 鸵鸟养殖   计算机视觉   目标检测与跟踪   YOLOV7   ByteTrack  

摘要： 鸵鸟养殖作为现代畜牧业的重要组成部分,在全球范围内的养殖规模正以每年约15%的速度稳步增长。鸵鸟因其经济价值高、抗病能力强以及生长速度快,已成为养殖业重点发展的禽类之一。然而,随着养殖规模的扩大,传统的人工监测方式已难以满足高效管理的需求。因此,引入计算机视觉技术以实现自动化、多目标跟踪的智能化养殖管理成为当下研究的热点。在智能化畜牧业中,多目标跟踪技术对于提升养殖管理效率和精准度具有至关重要的作用。鸵鸟养殖环境通常较为复杂给现有的目标检测和跟踪算法带来了挑战。目前,多目标跟踪算法主要依赖于目标检测与关联匹配的结合,但在目标检测精度和跟踪稳定性方面仍存在不足。 为解决上述问题,本文提出了一种基于YOLOv7与ByteTrack的鸵鸟多目标跟踪算法。YOLOv7作为当前先进的目标检测算法,在速度和精度上均具有优异的表现。为了进一步提升小目标检测能力,本文在YOLOv7的主干网络中引入了注意力机制EMCA(Enhanced Multi-scale Channel Attention),该机制能够增强特征表达能力,使得模型在处理小目标时更加敏感,提高检测精度,随后在颈部特征提取网络中引入PSAM消除冗余信息,增强模型复杂环境中特征的获取。在跟踪阶段,本文采用了ByteTrack算法,该算法相比于传统的深度学习跟踪算法,能够更加稳健地进行目标关联,从而减少因检测误差导致的跟踪丢失。此外,在ByteTrack的目标匹配过程中,引入了帧内关系模块,并结合匈牙利算法进行高效目标匹配,提高跟踪的稳定性。最后,本文将目标检测算法和目标跟踪算法整合在一起,构建一个高效的鸵鸟多目标检测与跟踪系统,可以实时检测和跟踪鸵鸟。 实验结果表明,改进后的检测模型在自建鸵鸟数据集上的mAP达到96.5%,较原始YOLOv7提升0.4%,处理速度提升至118FPS;跟踪算法在MOTA指标上较DeepSORT、DeepMOT和原始ByteTrack分别提升14.7%、11.4%和1.4%。此外,ByteTrack算法在避免跟踪丢失和减少身份切换方面表现尤为突出,使得跟踪结果更加连贯和稳定。这些实验数据表明,本文所提出的改进方法能够有效提升鸵鸟多目标跟踪的准确性和实时性,满足现代化鸵鸟养殖管理的需求。 本研究为现代化鸵鸟养殖提供了一种高效、可靠的智能多目标跟踪技术,不仅能够提高管理的自动化程度,还能减少人工干预成本,提高监测效率。未来该方法可推广至其他畜禽智能监测中,为智能畜牧业发展提供技术支撑。随着计算机视觉和深度学习技术的进步,多目标跟踪在畜牧业中的应用前景将更加广阔。本研究可为相关领域研究人员和从业者提供参考,对推动智能养殖产业发展具有现实意义。

关键词： 非合作目标   视觉感知   目标检测   多目标跟踪   相对状态估计  

摘要： 近些年,航天发射任务日益频繁,尤其是大规模卫星星座的部署,使在轨航天器和空间碎片的数量急剧上升,轨道空间资源有限,这也使航天器在轨运行的风险急剧上升。各国通过建立空间态势感知系统来实现在轨目标监测和风险规避。针对空间非合作目标的在轨自主视觉感知技术是实现态势感知的前提,在未来复杂的太空任务中,将成为在轨航天器必备的功能之一,有重要的研究价值。本文针对空间非合作目标,利用基于视觉的方法,对在轨自主感知过程中航天器接近测量阶段的目标检测、多目标跟踪和相对状态估计问题展开深入研究,具体内容如下: 针对航天的复杂场景、非合作目标以及有限的训练数据集,本文提出一种用于少样本高效训练网络的辅助模块,称为因素忽视模块,并提供了一套该模块使用的完整方案。首先,对航天场景下的域间距进行分析与建模,然后在此基础上进行基于因素忽视模块的航天器专用数据集的制作,最后通过改变训练网络的损失函数、采用独特的训练方法来实现网络参数的调整。通过在已公开的非合作航天器数据集上进行的测试表明,忽视地球背景能够提升目标检测的精度,忽视色彩和曝光因素会导致回召率的提升,增加因素数据集的丰度和调整超参数可以实现效果的进一步提升。此外,在像素级检测任务语义分割中的应用也表明了模块的可迁移性。 针对漏检、遮挡、相同外观、轨迹变化等难点,本文基于Deep SORT框架,提出了一种专门的在线多航天器跟踪方法Sat SORT。由于目前尚未有公开的多航天器跟踪数据集,为了研究的顺利进行,本文首先基于MOT16框架自制了多航天器跟踪数据集,然后对在线跟踪算法Deep SORT进行了测试与分析,最后在此基础上对匹配损失方程、数据关联流程和滤波器预测更新策略等进行了全方面的升级改进。大量的测试结果表明,Sat SORT在跟踪效果上远远超过Deep SORT,并在处理效率上提升了一个数量级,在漏检、遮挡、外观相同等场景中均有更佳的表现。此外,通过与其他经典的地面多目标跟踪框架对比,本文的方法更适用于航天中训练样本少、外观相同的场景。 针对近距离非合作目标状态估计问题,本文采用捕获-跟踪框架。对于状态捕获阶段,本文针对该阶段快速鲁棒估计的要求,采用To F相机的灰度与深度图像(点云)深度融合的方式,研究了一种基于圆特征的非合作目标位姿估计方法。首先,本文对圆特征与相对位姿进行关联建模。然后,分别研究了基于点云和灰度图像的圆参数求解方法。针对点云数据庞大耗时长的特点,提出了一种基于灰度图像辅助点云的分割方法;针对圆特征阴影和立体结构导致椭圆检测不佳的问题,提出多椭圆筛选策略;针对圆特征不规则不完整的难点,提出了一种点云圆参数拟合方法。最后,对两种数据融合的相关影响因素进行了分析。通过模型实拍数据与仿真实验表明,该捕获方法能够大大提升点云求解的速度,在不同程度的噪声影响下仍然能够稳定求解,并且总姿态角误差保持在0.1度以内,位移误差保持在毫米级以下。对于状态跟踪阶段,本文针对该阶段高精度高动态的要求,采用双目相机与陀螺仪传感器,进行相对状态连续估计的非线性高斯滤波公式推导与相关方法的性能分析,为实现在轨在线高动态估计提供参考。

关键词： 高速公路   短时交通流   智能交通   图像处理   决策树  

摘要： 文章通过对观测点的实时监测数据进行处理，综合考虑交通流量、车速、密度等关键参数，从交通流数据的分析入手，研究了应急车道紧急启用策略。首先借助YOLOv10算法和Sobel边缘增强技术提取出高精度视频数据，结合决策树、自回归积分滑动平均模型(ARIMA)以及多项式曲线拟合(PCF)三种模型，对交通流量、车速和密度进行预测，建立了交通流拥堵预警模型；然后基于交通状态的分级系统设计了应急车道启用决策规划。从数据处理到决策制定，形成了一个系统化的解决方案，旨在为交通管理提供全面的科学依据。

关键词： 持续学习   目标检测   农田杂草识别  

摘要： 在农业智能化不断推进,目标检测技术在农田作物杂草识别中扮演起至关重要的角色。当前大多数目标检测方法依赖静态建模,期望通过一次性采集固定类别的数据进行模型训练,这难以应对农田生态系统中作物杂草表型特征受时间、光照、气候及区域环境影响所带来的动态挑战。实际应用中农田场景往往呈现出明显的差异,加之突发性杂草入侵和区域性生态变化,使得传统目标检测模型在跨时间、跨区域的泛化能力和环境适应性两方面表现不足,进而影响智能除草和精准农业管理的实施效果。针对上述问题,本文引入持续学习回放法,重构可持续学习的农田作物杂草目标检测数据集,构建结合知识蒸馏机制的持续学习目标检测框架,提出分层混合采样策略回放策略,实现模型在不断变化的农田环境中持续稳定地学习新知识,同时有效缓解灾难性遗忘现象。本文主要开展了以下三方面工作: (1)针对农田目标检测面临的数据不足与数据分布漂移问题,提出了一种多源数据构建方法。通过自主采集百合杂草图像,并结合Cropand Weed与Cotton-Weed Det12开源数据集,构建了一个覆盖不同光照条件、不同地块环境及不同采集时段的高质量图像数据集。通过任务流重构的方法将数据集划分为3个域增量任务和6个类增量任务,其中每个域增量任务均包含至少800个有效标注,而类增量任务则涵盖2至3个类别及1000至4000个有效标注,较为真实地模拟了农田生态系统的动态变化特征。 (2)在Faster R-CNN框架基础上设计实现了一种基于回放法的持续学习目标检测框架。该框架由动态任务管理模块、记忆管理控制器、训练优化器和动态模型适配器四大核心模块构成。动态任务管理模块通过递归式目录扫描和结构化标注语义解析,自动识别数据集中新增任务并构建全局类别注册表,确保各任务间类别信息的一致性和无冲突;记忆管理模块构建了可动态调整的记忆库,根据样本分类预测的不确定性和特征代表性按照预设比例从历史任务中抽取样本与当前任务数据混合训练,有效缓解持续任务学习中的灾难性遗忘问题;框架引入知识蒸馏机制,通过软标签约束与特征对齐降低新旧任务间的参数更新带来的性能衰退;设计分类头动态扩展策略,通过向线性层后追加新神经元并采用高斯分布初始化,实现了在不破坏原有模型结构的情况下对新类别的无缝引入,增强了模型在类增量场景下的结构可扩展性,为后续知识保持提供了良好的基础。 (3)为应对持续学习回放法中记忆样本的样本选择问题,提出了一种分层混合采样策略。该策略通过融合随机采样、原型采样和不确定性采样三种方法,按照预设比例混合的方式进行样本选择,在有限记忆容量下选取数据分布的均衡性和样本多样性。实验结果表明,使用该分层混合采样策略的持续学习目标检测模型可以将灾难性遗忘控制在16.0%,显著提高了检测精度和模型鲁棒性,在一定程度上有效缓解了农田场景中,由于作业环境复杂多变所导致的目标检测模型灾难性遗忘问题。

关键词： 深度学习   计算机视觉   目标检测   YOLOv7   安检   危险物品检测   小目标检测   自注意力机制  

摘要： 针对安检小目标物体检测精度偏低的问题，文中提出一种基于改进YOLOv7(You Only Look Once version7)的安检小目标检测模型XS-YOLO(Xray-Spection-YOLO)。使用基于自注意全局感受的特征提取骨干网络SwinT(Swin Transformer Backbone)构建全局注意力，从而获取特征信息。提出基于多尺度分层特征融合的四维检测结构FHD(Four Head Detection),通过引入第4个检测头来提高模型对小目标的识别能力。提出基于分类与定位任务解耦的分支检测策略DCSP(Decoupled Cross Stage Partial),使特征融合后的输出分支各自进行特征图处理。实验结果表明，相较于YOLOv7,XS-YOLO在HiXray数据集上的mAP(mean Average Precision)提升了2.8百分点，在OPIXray数据集上的mAP提升了5.8百分点。

关键词： 反无人机   目标检测   轻量化   目标跟踪   嵌入式平台  

摘要： 近年来,低空无人机在军事和民用领域内得到了广泛的应用,带来的安全隐患日益凸显。对无人机目标实现高效识别与跟踪,是实施各类反制工作的基础前提。在无人机检测与跟踪任务中,由于无人机体积较小并受到拍摄距离、视角变化等因素的影响,其目标通常存在显著的尺度变化,同时易受复杂背景干扰,甚至出现目标暂时消失的现象。针对以上问题,本文围绕无人机的检测与跟踪关键技术展开深入研究,主要工作如下: (1)针对无人机在复杂背景和遮挡物较多的环境中,小目标检测效果差的问题,本文提出了一种基于PCCS-YOLOv8的目标检测算法。该算法基于YOLOv8模型从结构层面对检测网络进行改进,通过增加P2小目标检测层并结合空间金字塔池化(Spatial Pyramid Pooling,SPP)模块与高效层聚合网络(Efficient Layer Aggregation Networks,ELAN)增强多尺度目标检测能力,同时引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)聚焦关键特征。进一步地,为了平衡因P2层的引入而导致模型复杂度的提升,构建轻量化模块减少计算量。实验结果表明,所提PCCS-YOLOv8算法模型的m AP@0.5为94%,m AP@0.5:0.95为50.6%,分别提升了2.9%和2.2%,浮点运算次数(FLOPs)为11.1G,参数量(Params)为2.81M,明显超越了传统对比网络模型的性能。 (2)针对传统无人机跟踪方法在复杂背景和多尺度目标下的预测滞后性问题,本文提出了一种PK-Byte Track红外无人机跟踪算法,进一步满足无人机实时追踪需求。该算法是在Byte Track算法的基础上,结合PCCS-YOLOv8算法构建目标跟踪框架。进一步地,对卡尔曼滤波轨迹预测算法进行优化,更好地预测无人机的运动轨迹。在自制的MOT格式的红外无人机跟踪数据集上进行验证,PK-Byte Track算法在4个不同的视频序列上的MOTA(Multiple Object Tracking Accuracy,多目标追踪准确率)分别提升2.2%,5.7%,2.1%和5.1%。结果表明该方法在红外无人机目标检测与跟踪任务中更为高效,尤其是在复杂背景下的表现优于传统方法,有效减少漏检和误检,提高跟踪精度和稳定性。 (3)为验证所提出算法在实际工业应用中的可行性,本文选用国产嵌入式开发板Orange Pi 5 Pro作为项目实施的微型控制器,并对其硬件配置、系统集成方案及实验结果进行了详细分析。通过在真实环境中的测试,验证了该算法在资源受限场景下依然能够实现高效、稳定的目标跟踪,证明了该系统满足实际应用需求。