关键词： 目标检测   YOLOv8n   轻量级网络   胡麻虫害检测   通道剪枝  

摘要： 高效的农作物虫害监测预警依赖于快速且准确的虫害实时检测。虫害监测预警是农作物生产中重要的一环,现有的检测模型大多存在计算资源消耗大、推理速度慢和针对性不强等问题,难以在资源受限的自然环境种植条件下广泛应用。本文对轻量化胡麻虫害检测模型展开研究,目前,实现虫害检测模型的轻量化颇具挑战性,首先,需要满足虫害监测预警的精度需求,其次,对于资源受限的环境,需要保证模型足够轻量化和高效。针对此类挑战,本文探讨了胡麻虫害数据集的制作方法、基于网络结构优化的轻量化胡麻虫害检测算法和集成模型改进与通道剪枝的轻量化胡麻虫害检测算法。具体研究内容如下: (1)建立胡麻虫害数据集并应用目标检测模型进行初步训练和验证。首先,通过开展实地数据采集作业收集胡麻处于现蕾期、花期和青果期常见的四类虫害图像。为了提高模型的泛化能力和鲁棒性,对采集到的胡麻虫害数据进行数据增强丰富数据集,建立了包含6822张自然环境下的胡麻虫害图像数据集。随后在构建的胡麻虫害图像数据集上应用目标检测模型进行对比,并依据对比结果进行初步判断,YOLOv8n在胡麻虫害检测方面更具有优势,满足快速且准确的实时检测需求。 (2)提出基于改进YOLOv8n结构的轻量化胡麻检测算法LIS-YOLO(Light by Improving Structure-YOLO)。针对模型结构优化的轻量化算法展开研究,以YOLOv8n作为基础框架,将特征增强网络优化为高级筛选特征融合金字塔(High-level Screening-feature Fusion Pyramid Network)结构,减少网络参数并应对多尺度问题;在骨干网络中嵌入坐标注意力机制(Coordinate Attention),显著改善模型的抗环境干扰能力,提升模型性能;使用Inner-SIo U损失函数优化原损失函数,保持模型较高的检测精度。实现了轻量化胡麻虫害检测算法。 (3)提出集成改进YOLOv8n与通道剪枝的轻量化胡麻虫害检测算法LPM-YOLO(Light by Pruning Model-YOLO)。针对数据和特征图的冗余问题,对轻量化YOLOv8n算法展开研究。首先,基于Rep Vi T(Revisiting Mobile CNN From Vision Transformers Perspective)设计了一个适应多尺度的网络结构Multiscale-Rep Vi T,优化YOLOv8n骨干网络,使模型能够高效率处理网络空间信息和通道信息的同时,进一步提升模型在处理复杂场景中的性能。然后,融合Faster Net基本原理优化特征融合网络中的C2f模块,在硬件层面提升模型的推理效率。最后,使用基于幅度的层自适应剪枝评分(Layer-Adaptive Magnitude-Based Pruning Score,LAMP Score)压缩改进模型的参数量和模型大小实现模型轻量化。提出的轻量化算法满足实际胡麻虫害检测需求,保持较高精度并减少了网络特征图中的冗余。实现了轻量化胡麻虫害检测算法。

关键词： 钢材表面缺陷检测   YOLOv8n   GCA注意力模块   CMobileViT网络结构   SPD-Conv卷积  

摘要： 在现代制造业中,钢材质量直接影响产品性能、安全性和生产效率,因此及时有效的缺陷检测至关重要。基于深度学习的目标检测方法,相比传统人工检测具有更高的准确性。然而钢材表面缺陷检测仍面临特征提取困难、模型复杂度高、参数量大导致部署难度增加等挑战。针对这些问题,本文基于YOLOv8n模型进行优化改进,提出了一种轻量化、高精度的钢材表面缺陷检测方法。本文的主要研究内容和创新点如下: (1)针对YOLOv8n模型在复杂特征提取、定位精度和漏检率方面的不足,本文提出一种全局卷积注意力机制(Global Convolutional Attention,GCA)。该注意力机制融合空间注意力和通道注意力,通过多层感知器技术(Multilayer Perceptron,MLP)进一步增强特征表达能力。GCA注意力模块能够动态分配特征权重,显著提升模型对钢材复杂缺陷的特征提取能力。通过与SE、CA和ECA等主流注意力机制的对比实验,验证GCA模块在检测精度和漏检率方面的优越性。 (2)针对YOLOv8n模型参数量和计算量大的问题,本文提出一种改进的CMobileViT网络结构,替换YOLOv8n的主干网络。CMobileViT通过并行计算机制,在减少参数量的同时增强特征提取能力。此外,本文引入空间深度转换卷积(Spatial Depth Conversion Convolution,SPD-Conv),通过空间到深度的转换减少特征图的空间尺寸,显著降低了计算复杂度。实验表明,改进后的YOLOv8n-Simple模型在参数量和计算量上分别仅为原模型的42%和79%,同时检测精度提升了0.9%。 (3)通过集成GCA注意力机制、CMobileViT网络和SPD-Conv卷积,本文提出YOLOv8n-CGS模型。在NEU-DET数据集上的实验结果表明,YOLOv8n-CGS模型的m AP@0.5达到81.5%,较原模型提升了2.6%,同时参数量和计算量分别减少至原模型的54%和44%。与经典目标检测模型及最新YOLO系列模型相比,YOLOv8n-CGS在检测精度和轻量化方面均表现出显著优势。 (4)为了将YOLOv8n-CGS模型应用于实际工业场景,本文设计并实现一套钢材表面缺陷检测系统。该系统基于Py Side6框架开发,并提供友好的用户交互界面。通过系统测试,验证该系统在钢材表面缺陷检测任务中的有效性,能够满足工业生产中对高效、精准检测的需求。

关键词： 深度学习   奶牛个体识别   目标检测   注意力机制   轻量化  

摘要： 随着我国奶牛养殖规模化程度持续提升,精准个体识别技术对优化饲料利用率和畜牧保险业具有关键作用。当前,传统耳标识别存在接触应激与效率问题,而深度学习技术的持续发展推动非接触生物特征识别从理论探索向实际应用转化。本文针对奶牛背部花纹的独特性,提出了一种基于深度学习的奶牛背部特征个体识别方法研究,旨在为奶牛养殖智能化管理提供技术支持,促进畜牧产业智能化升级与可持续发展,主要工作如下: (1)构建奶牛背部图像数据集。本文基于山东省奥克斯鲜淳种业标准化牧场荷斯坦奶牛群体,采用高分辨率2560×1440监控设备采集挤奶场景视频,通过自适应阈值帧间差分法提取有效帧序列,经筛选剔除异常及遮挡样本,形成含100头奶牛、523张原始图像的多目标数据集。进一步采用图像分割技术构建1524张单目标子集,并通过数据增强将训练集扩展至8145张,实现多场景下奶牛个体识别模型的泛化验证。 (2)基于Inception V3的单头奶牛个体识别方法。针对卷积神经网络存在的参数量冗余与特征权重失衡问题,本文提出融合残差结构、通道注意力机制及Sigmoid分类器的SE-Inception V3模型,实现奶牛个体的高精度鲁棒识别。实验结果表明,该模型在Cow-Identification公共数据集准确率为99.79%,在奥克斯鲜淳数据集1上实现87.46%的识别准确率,验证了该模型在多场景下的泛化能力。 (3)基于YOLOv8的多头奶牛个体识别方法。针对密集场景下奶牛检测存在的模型复杂度高与细粒度特征捕获不足问题,本文提出基于轻量化深度可分离卷积和高效多尺度注意力模块的YOLOv8-DFE模型,实现计算负载压缩与关键特征增强的双重优化。实验结果表明,该模型在奥克斯鲜淳数据集2上较YOLOv8m模型参数量降低52.5%的同时m AP@0.5提升至98.9%;精确率和召回率分别达到90.5%和93.3%,F1分数提升20%。 (4)基于Deep Stream的奶牛背部视频流智能分析系统。本文基于Deep Stream框架集成Tensor RT加速引擎,实现了多路视频流的实时分析与处理。并且采用Kafka消息队列构建事件驱动架构,当监测到奶牛的采食行为时,触发Gst-nvmsgbroker插件推送结构化时间消息,由独立消费服务完成图像抓取与对象存储。系统实现了从视频采集到数据分析的全流程自动化,为现代化奶牛养殖提供了高效、可靠的技术支撑。

关键词： 计算机视觉   奶牛跛行   牛行为识别   智慧养殖  

摘要： 奶牛跛行是仅次于乳腺炎和繁殖障碍的第三大健康问题,对奶牛的生产性能、繁殖能力及福祉造成严重影响。在现代大规模奶牛养殖中,人工识别跛行效率低下,为实现奶牛跛行的自动检测,本文提出了一种基于计算机视觉的奶牛跛行识别算法,围绕奶牛实例分割、奶牛特征区域关键点检测和奶牛跛行识别三个阶段展开研究,具体研究内容如下: (1)奶牛实例分割算法研究:针对养殖场环境中光照变化大、栏杆遮挡、污泥覆盖以及奶牛尺度不一等问题,本文提出了一种基于改进YOLOv10n-seg的奶牛实例分割算法。首先,在骨干网络和颈部网络中引入C2f-ODConv,以增强模型对奶牛全身特征的感知能力;然后,将SPPF替换为Focal Modulation Module,以更有效地捕捉不同尺度奶牛个体的上下文信息;最后,采用Freq Fusion结构融合不同频率特征,以提升分割精度。结果表明,改进后的YOLOv10n-seg在精确率、召回率和m AP50分别达到了98.6%、94.5%、97.9%。 (2)奶牛特征区域关键点检测算法研究:使用Deep Lab Cut算法提取视频帧序列中奶牛的头、颈、肩、背部中心、腰、尾部以及四蹄的关键点坐标,对比分析实例分割得到的六种格式输入图像在Mobile Net-V2和Res Net系列主干网络上的训练效果后,最终选择按目标检测框裁剪后的分割结果图和Res Net-152作为Deep Lab Cut算法的最佳输入和最优主干网络。 (3)奶牛跛行识别算法研究:鉴于跛行奶牛在行走时通常表现出头部起伏较大、背部弓起、步态不规律等特征,本文从运动行为特征出发,分别构建基于头颈背部关键点和蹄部特征的奶牛跛行识别算法。针对头颈背部关键点,构建关键点时间序列数据集,并设计了FN-Bi LSTM模型,与多种时间序列模型进行对比分析。试验结果表明,FN-Bi LSTM模型的精确率、召回率和准确率分别达到95.71%、99.04%和97.16%。针对蹄部特征,构建包含前蹄与后蹄相对步长、步长平均值和步长方差的蹄部特征向量,并评估多种跛行识别模型性能,其中Naive Bayes表现最佳,精确率、召回率和准确率分别为80.00%、90.32%和82.76%。 本文旨在为智能化奶牛健康监测提供技术支撑,助力现代智慧养殖畜牧业发展。

关键词： 目标跟踪   物理对抗攻击   通用对抗扰动   对抗攻防演练系统  

摘要： 随着计算机视觉技术的快速发展,目标跟踪算法在自动驾驶、安防监控、人机交互等领域得到了广泛应用。然而,深度神经网络对对抗样本的脆弱性为目标跟踪系统的安全性带来了严峻挑战。现有的目标跟踪对抗攻击方法主要集中在数字域,难以在物理环境中实施有效的攻击,且生成的对抗补丁通用性较差。针对这些问题,本文以目标跟踪物理对抗补丁攻击技术为研究课题,提出了一种兼具高效性与通用性的物理对抗补丁攻击方法,并设计和实现了目标跟踪对抗攻防演练系统,为目标跟踪算法的对抗鲁棒性评估提供了有效的工具和方法。本文的主要研究内容和创新点如下: (1)针对现有物理对抗攻击方法攻击效果不显著的问题,本文提出了目标跟踪对抗补丁劫持攻击技术。该技术通过设计劫持攻击损失函数,使得跟踪器输出的预测框被对抗补丁劫持,朝着攻击者指定的方向移动,从而实现了可控的攻击效果,同时在补丁训练过程中引入了补丁平滑损失增强补丁的隐蔽性。实验结果表明,该方法在多个基准数据集上显著降低了目标跟踪器的性能,攻击效果优于大部分现有方法。 (2)针对目标跟踪物理对抗补丁通用性差的问题,本文提出了目标跟踪通用对抗补丁生成方法。该方法通过将训练数据集划分为多个小批次,构建聚合梯度树,逐步优化补丁,有效提升了对抗补丁的通用性。接着,将该方法与补丁打印损失、物理适配变换以及目标跟踪对抗补丁劫持攻击技术结合成为目标跟踪物理对抗补丁攻击技术,在数字域上的定量评估结果与物理域上的定性分析结果表明,生成的对抗补丁对不同类别的目标具有较强的泛化攻击能力,并能够有效地应用于实际的物理场景中。 (3)为全面评估目标跟踪算法的对抗鲁棒性,本文设计并实现了目标跟踪对抗攻防演练系统。该系统集成了多种目标跟踪算法、对抗攻击方法、对抗防御方法及评估指标,支持用户进行跟踪器脆弱性评估和鲁棒性增强。系统采用模块化设计,具有良好的可扩展性和易用性,为目标跟踪领域的研究者和实践者提供了一个高效、可靠的平台。 本文的研究成果为目标跟踪算法的安全性评估和鲁棒性提升提供了有价值的理论依据和实践指导,对推动目标跟踪技术在安全敏感领域的应用具有重要意义。

关键词： 目标检测   少样本学习   数据稀疏场景   区域建议网络   跨模态融合  

摘要： 在当前人工智能技术的浪潮中,预训练大模型凭借其强大的通用表征能力,成为推动智能制造、智慧金融、智能医疗等领域应用的核心引擎。然而,在工业质检、遥感监测、新材料研发等细分领域,企业常面临标注样本稀缺、场景分布碎片化、域间差异显著等问题,导致模型性能急剧下降。这些问题揭示了传统“大数据喂养”范式的局限性。因此,如何实现“小数据驱动、快速度泛化”已成为AI规模化落地的关键挑战。 少样本目标检测旨在通过少量标注数据实现预训练模型在未见类别上检测能力的泛化,但是当前少样本检测算法仍具有很大挑战。首先,少样本检测打破了传统场景中样本独立同分布的假设,已见类别与未见类别的类别空间互斥,导致区域建议网络在前景概念的理解上出现混淆,从而在场景切换时无法为未见类别给出准确预测。其次,在预训练模型向新场景迁移时,新场景样本极度稀疏,这不仅导致模型难以实现特征之间的有效泛化,还难以为新类别构建一个紧凑的嵌入空间。针对上述问题,本文对区域建议网络和主干网络进行了优化,主要包括以下三个方面: (1)动态前景分布对齐:针对已见类别和未见类别互斥的设定导致的前景概念混淆问题设计动态前景分布对齐模块,通过使用当前图像的全局信息动态推断前景的分布,从而使模型不再依赖于预训练模型所学习到的已见物体的前景原型,大大提升了区域建议网络在未见类别上的泛化能力;(2)跨模态特征融合:使用交叉注意力机制融合视觉特征与文本标签编码特征,通过图像与文本之间的语义共性,利用文本语义信息中包含的类间相关性促进基类特征到新类特征泛化,增强了新类视觉特征的表达能力;(3)语义原型对比损失:通过对比学习对齐视觉特征与标签语义原型,使得类内视觉特征向标签语义原型收敛,类间视觉特征相互远离,促进了新类视觉编码嵌入空间的紧凑性,进而提高了模型的辨识能力。 最后,本文通过使用Pascal VOC和MSCOCO目标检测数据集,模拟了不同设定下的数据稀疏场景,并使用提出的模型FDARCNN进行了一系列实验,结果与当前领域的经典算法进行了对比。实验结果表明,在数据稀疏的场景中,FDARCNN表现出良好的泛化能力。在数据极端稀疏的情况下,其检测精度相较于传统算法具有显著优势。

关键词： 安全帽规范佩戴检测   深度学习   目标检测   CenterNet   MobileVit  

摘要： 在施工安全监督管理工作中,安全帽规范佩戴检测是必不可少的管理措施。规范佩戴安全帽可以避免很多安全隐患,极大地降低施工作业中的死亡风险。但由于施工现场环境复杂,监控又容易受到天气、光照和距离等各种因素的影响,导致模型检测精准度不高。针对这些问题,本文从以下几个方面,展开了相关研究与实验。 为解决安全帽规范佩戴检测任务中,因为天气、夜间施工和设备遮挡等原因造成的低光照问题,本文提出了一种基于改进Enlighten GAN的低光照安全帽规范佩戴检测算法。针对原始Enlighten GAN在特征提取方面存在不足,导致低光照增强后安全帽图像出现的细节信息模糊以及颜色失真的现象,对网络进行了改进。首先,引入局部重要性池化层进行下采样,更好地学习低光照安全帽图像中的细节特征。其次,引入了Faster Net模块替换卷积层进行特征提取,其自带的残差结构有效避免了训练过程中梯度消失或梯度爆炸的问题,又因为轻量化的设计,减少了模型的参数量。最后,与原模型进行了对比试验。实验结果表明,提出的方法在NIQE评判指标下表现出了更好的效果,能够较好保证增强后图像的质量。将增强后的图像应用于目标检测实验,可以提高安全帽规范佩戴的检测效果,有效解决了低光照环境下安全帽规范佩戴检测任务面临的难题。 很多关于安全帽检测的研究都忽略了规范佩戴的重要性,导致可以用于检测是否规范佩戴安全帽的数据集稀少,本文自制了三分类的安全帽数据集,用于研究安全帽规范佩戴检测任务。本文提出了一种基于Mobile Vit和Center Net的安全帽规范佩戴检测算法。首先,使用轻量化的Mobile Vit模型进行特征提取,在保证检测精度的同时提高模型的检测速度,然后通过引入ECA注意力模块来增强模型对目标重要特征的关注,减少因复杂环境引起的误检。其次,为了提高模型对细节特征的有效运用,在上采样的过程中,引入一种ASFF-FPN特征融合结构,进一步提高在复杂背景下的检测效果,并且加入了CARAFE上采样算子,进一步提高了模型的检测速度。实验结果显示,改进的模型在速度和准确率方面都优于原始模型,另外结合了改进的Enlighten GAN模型进行低光照检测实验,通过两种模型的结合可以进一步提高检测的效果。

关键词： 织物手感   计算机视觉   视觉表征   感官测试   多模态融合   知识发现  

摘要： 织物手感评价是纺织品设计与质量控制的核心环节,传统方法依赖专家触觉评价或物理仪器测量(如KES系统),存在一致性差、效率低、成本高等瓶颈。针对上述问题,本研究提出基于计算机视觉的织物手感评价体系,通过织物视觉表征构建、特征提取、多模态融合建模与知识发现四个层次递进式创新,突破触觉依赖的评价范式,实现织物手感的智能、可解释化评价。论文以"视觉可感知的手感性能评价"为核心假设,围绕表面、压缩、弯曲、拉伸四类可视觉化的手感性能,构建“表表征证-特征提取-数据融合-方法集成”四位一体的理论框架,在101种织物样本上完成系统性证。本文主要贡献如下: (1)建立视觉表征与手感评价的关联性证框架。针对视觉评价的适用边界问题,提出基于信号检测理论的双面适用性测试模型,旨在证哪些手感性能可以通过视觉表征进行评价。通过真实触觉、静态图像、动态视频三模态评价场景的对比实证,构建四因素混合效应方差分析模型,对101个织物样本进行感官评价。通过混合效应分析和一致性指数(CCI)计算,结果表明表面、压缩、弯曲与拉伸性能在跨场景评价中表现出较高的一致性(CCI均大于0.74),尤其在动态视频中,弯曲和拉伸性能的光流轨迹与触觉评分显著相关(r=-0.67,p<0.001)。然而,热湿性能因视觉特征解释力不足(R2=0.18)且在视觉场景中的一致性较低(CCI=0.31)被排除。该研究首次通过统计模型界定视觉评价的适用性边界,为后续特征工程划定有效范围。 (2)构建多尺度视觉特征工程体系。针对视觉表征的量化难题,采用特征工程的思路,利用图像和视频处理技术提取反映手感性能的量化指标。针对101个样本,初步设计33个视觉特征,包括图像的表面特征(如粗糙度)、弯曲特征(如弯曲刚度)和悬垂特征(波形数)等。为确保特征的有效性和非冗余性,本研究引入方差膨胀因子和Lasso回归进行特征筛选,最终保留22个关键特征。这些特征与KES物理测量数据(粗糙度、压缩恢复率、弯曲刚度等)的一致性分析显示,平均绝对百分比误差低于2%,且与感官评分的相关系数均在0.79以上,证所提指标体系的物理可解释性和统计一致性。该体系突破传统图像特征的碎片化局限,建立具有物理可解释性的视觉指标库。 (3)设计多模态融合的端到端评价模型。为克服单一模态信息缺失问题,进一步提出一种多模态融合的端到端手感评价模型TAIL(Textile Attribute Integration and Learning),将上述22个数值型特征与图像、视频数据相结合,实现手感评价的全面建模。该模型通过动态时间规整对齐多模态特征,并采用注意力机制和时序卷积网络进行融合,针对回归任务(手感评分预测)、分类任务(风格分类)和决策任务(用途适配性推荐)进行联合训练。在101个样本的测试中,模型在回归任务重的均方误差(MSE)为0.258,分类任务的Micro-F1值为0.921,决策任务的准确率为92.3%,显著优于单模态和双模态基准模型(MSE=0.412,F1=0.823)。实证结果表明,多模态融合充分利用数值数据的量化能力、图像数据的静态细节和视频数据的动态信息,实现对手感性能的全方位表征。 (4)提出可解释性增强的知识发现模型。考虑到TAIL模型的可解释性不足,本研究提出一种基于知识发现的织物手感评价知识发现方法,结合层次分析法(AHP)与粗糙集理论(RST)构建混合模型。该模型首先通过AHP优化感官描述词权重(一致性比率CR≤0.1),然后利用RST进行属性约简和知识挖掘。在101个样本上提取155条IF-THEN解释性映射,如表Smooth(5)→Silk”,映射的置信度和覆盖度通过双目标Pareto优化得到均衡提升(调和均值提高18.7%),实证结果显示,模型的F1-score达0.91,决策准确率为87.3%,专家评价其可理解性(4.3/5)和逻辑合理性(4.6/5)均优于传统经证映射库(3.1/5)。这一方法不仅增强评价系统的透明性,还为面料选材和产品设计提供显示化决策支持。 (5)实现智能化评价软件系统。本研究将视觉特征提取、多模态融合模型(TAIL)和AHP-RST解释功能集成于织物手感评价软件系统,实现从多源数据输入到手感预测与解释输出的端到端智能化流程。系统通过数据输入模块处理图像、视频和感官评分,特征提取模块生成22个量化指标,预测模块输出评分、分类和推荐结果,解释模块提供显式映射,可视化模块增强交互性。系统的核心优势在于其自动化与高效性,用户只需上传织物样本的多模态数据,即可获得从量化评分到风格分类,再到用途推荐的全方位评价结果,同时通过可视化界面直观展示特征分布与决策依据。相较传统手动流程,系统效率显著提升,为纺织工业的质量控制与面料选材提供高效、透明的数字化工具。 综上所述,本论文

关键词： 4D毫米波雷达   多传感器融合   自动驾驶汽车   3D目标检测  

摘要： 环境感知能力已成为提升自动驾驶安全性和智能决策水平的关键因素。目前,自动驾驶感知系统主要依赖摄像头、激光雷达和毫米波雷达等传感器,其中,4D毫米波雷达因其全天候工作能力、较低成本及优异的速度感知性能,在自动驾驶领域展现出广泛的应用前景。与传统毫米波雷达不同,4D毫米波雷达不仅能提供目标的距离、速度和方位角信息,还能获取目标的高度,从而提升3D目标检测精度。然而,4D毫米波雷达的数据稀疏性、目标分辨率的限制以及缺乏语义信息,导致现有基于4D毫米波雷达的目标检测算法面临诸多挑战。本文针对4D毫米波雷达在3D目标检测任务中存在的数据稀疏性、目标分辨率受限及缺乏语义信息等问题,运用自注意力机制与多模态数据融合方法,采用网络优化与实验验证,开展基于4D毫米波雷达的3D目标检测及多模态感知研究,主要研究内容如下: (1)3D目标检测研究背景及技术方法分析。本文系统回顾了3D目标检测的研究背景,并分析了主流技术方法。研究涵盖基于图像、点云及多传感器融合的检测方法,并详细阐述了毫米波雷达的工作原理及4D毫米波雷达技术特点,为后续算法优化提供理论基础。 (2)基于自注意力机制的SA-SECOND检测方法设计。针对4D毫米波雷达点云数据的特性,本文提出了一种基于自注意力机制的改进SECOND网络(SA-SECOND),通过引入残差自注意力模块,优化了全局特征表达能力,从而提升了对稀疏目标和远距离目标的检测精度。实验结果表明,SA-SECOND在TJ4DRad Set数据集上表现优于传统SECOND点云检测方法。 (3)基于4D毫米波雷达与视觉传感器融合的BEV-DAFusion检测算法设计。为增强多模态感知能力,本文提出了一种基于4D毫米波雷达与视觉传感器融合的3D目标检测算法—BEV-DAFusion。该算法通过Swin-Transformer提取图像特征,并结合SA-SECOND网络处理雷达点云数据,将特征投影至BEV空间进行融合。为提升多模态特征匹配度,本文引入动态对齐机制和残差特征调制策略,从而提高了复杂场景中的检测精度。通过使用TJ4DRad Set数据集进行实验验证,结果表明,所提出的融合算法在提升复杂场景中的检测精度方面取得了显著的改善。 (4)构建自动驾驶感知系统实验平台并验证融合算法。本文构建了自动驾驶感知系统实验平台,集成了单目相机和Arbe Phoenix 4D毫米波雷达,并进行了传感器标定与数据同步,构建了高质量的多传感器数据集。