摘要： 随着工业智能化和数字化技术的迅猛发展，酒类生产行业逐步迈入智能制造的新时代。传统生产模式中存在的质量管控效率低下、监控手段滞后、人工成本高昂等问题，已成为制约行业发展的主要瓶颈。人工智能与计算机视觉技术的深度融合，为酒类生产线的智能化改造提供了全新解决方案。本文围绕酒类生产线的核心需求，提出了一种基于人工智能与计算机视觉的智能监控系统设计方案，全面分析了其架构、关键技术及实现路径。全球工业4.0浪潮的推动下，智能制造正成为酒类生产行业转型升级的重要方向。然而，酒类生产的复杂性、多样性以及精细化要求下，

关键词： 激光靶标   激光光斑识别   图像处理   动态目标检测   FPGA  

摘要： 动态瞄准训练是军事与警用射击训练中的核心环节,通过模拟实战环境中目标的随机运动来达到更好的训练效果。由于实弹射击经济成本高,且易受到场地和外界环境干扰,目前多采用激光模拟射击来代替。传统动态瞄准训练激光靶标多采用光电传感器或图像传感器进行判靶测试,存在判靶识别精度低、命中反馈延迟大、抗干扰能力弱等问题,难以满足现代训练需求。针对以上问题,本文以智能式激光靶标为研究对象,通过对多目标动态图像识别捕捉、光斑定位算法等关键技术的研究,基于FPGA的硬件架构设计,构建了一套高精度、低延迟的智能化动态瞄准训练系统,满足了模拟射击训练的准确性和实时性等需求。具体研究内容如下: (1)分析了动态瞄准训练的需求和指标,给出了系统的总体框架,并详细描述了系统关键技术的工作流程。采用FPGA作为激光靶标的主控芯片,用verilog语言对系统整体硬件部分进行模块化设计,通过摄像头采集图像进行图像处理,实时计算出激光射线指向屏幕的坐标位置,与采集到的动目标图像范围比对,判断是否击中目标。 (2)研究了多运动目标的识别定位技术。将图像进行多步预处理,包括灰度化、二值化,腐蚀膨胀操作后,提出了改进的四帧间差分算法使其在FPGA平台上实现,利用相邻四帧两两差分得到二值图像,四帧间差分法对噪声和背景变化的抗干扰能力更强。 (3)研究了激光光斑中心定位技术和命中反馈算法,基于FPGA设计了颜色识别激光光斑识别算法。该算法首先对靶位图像进行RGB转HSV处理,并通过中值滤波处理抑制背景噪声,然后通过调节阈值从而定位激光光斑图像,最后通过最小二乘的椭圆拟合法确定激光光斑中心坐标。根据光斑坐标和包围盒算法选中的动目标图像几何位置比较来判定激光光斑中心点是否命中目标。 (4)最后本文采用完整的系统验证与测试流程,对于激光靶标的各个模块进行单独仿真以及联合调试,测试其仿真性能达标后进行上板测试。最终可以实现对激光光斑中心定位精度达2mm,激光靶标整体响应时间≤40ms,最多可以同时识别到4个动态目标,实现对判靶实时性和准确性的目的。

关键词： 无人机目标   小目标检测   深度学习   特征学习   轻量化  

摘要： 低空空域的开放和操纵无人机飞行的简易性,促使公众飞行活动愈发频繁。然而,无人机拍摄带来的个人隐私侵犯和禁飞区域“黑飞”带来的安全隐患,使得对无人机飞行活动的侦测和管控成为有关部门亟需解决的问题。视觉探测手段可实现对无人机的检测识别,并且传感器成本低,隐蔽性好且检测结果清晰直观,是无人机探测常用的技术手段。针对不同环境下的反无人机视觉监测,以深度学习理论为基础,就小型无人机目标检测开展了研究,主要工作和创新点如下: (1)建立小型无人机目标图像数据集。针对目前公开的无人机检测数据集大多是低分辨率图像,并且无人机目标在图像中尺度过大的问题,为了贴合实际检测场景需求,并为检测算法提供高质量的图像数据,建立了一个小型无人机目标图像数据集。该数据集涵盖居民小区、体育馆、学校教学楼和景区建筑等多种场景,分辨率为3840×2160。数据集中绝大部分无人机目标的尺寸低于32×32像素,属于典型的小目标。在数据集采集过程中采用无人机拍摄无人机的方法,从多角度、多姿态拍摄无人机目标,并且让无人机在摄像机成像范围的各个位置飞行,确保目标位置分布均匀,从而提高数据集的多样性和鲁棒性。 (2)提出一种小型无人机目标检测算法SC-UDet。解决无人机微小目标特征难提取、复杂背景特征干扰检测目标特征的问题。在小型无人机目标检测任务中,目标检测场景复杂多样,例如居民小区、学校教学楼、体育馆等。在这些场景中,小型无人机与背景的区分度较低,这使得算法模型难以有效提取目标的特征,进而影响神经网络的学习能力,导致检测精度不佳。检测目标属于小型飞行物体,而现有的检测算法大多针对大、中尺度目标进行训练和检测,对于小目标的检测能力明显不足。因此,需要对现有的算法进行改进设计,以适应小目标检测的需求。基于此,选择对YOLOv8n算法模型进行改进,提出了SC-UDet算法。具体改进措施包括:提出一种新的特征提取模块CSPPW模块,以替换YOLOv8n模型骨干网络中的C2f模块,从而有效提高算法模型对于无人机目标特征的提取能力;引入SA注意力机制,增强网络对无人机特征的关注能力,并减弱了背景信息的干扰;引入小目标检测层,融合浅层高分辨率的目标特征,提高了特征信息的丰富程度。 (3)提出一种轻量化的小型无人机目标检测算法LSC-UDet。解决在不降低算法原本检测精度的前提下,尽可能减少目标检测算法模型的参数量和计算量的问题,从而进一步压缩模型。在目标检测领域,将检测算法部署到移动端或边缘计算嵌入式设备具有重要的实用意义。然而,大多数嵌入式设备内存资源有限,这使得高性能的算法模型运行在这些平台上时会降低精度,甚至无法被部署。因此,轻量化的算法模型显得十分必要。针对无人机目标检测算法SC-UDet,进行轻量化改进,提出一种新的轻量化模块CSPDH,以替换SC-UDet中特征融合网络的C2f模块,从而有效降低网络参数和计算量。此外,使用模型剪枝方法降低模型参数量和计算量,进一步压缩模型大小。 综上,本文将深度学习技术应用于小型无人机目标检测任务,并通过算法优化改进有效实现了多场景下的小型无人机目标的精确检测与识别。

关键词： 光学遥感图像   军用飞机   深度学习   目标检测   YOLOv8  

摘要： 军用飞机以其高速敏捷的机动性能、灵活多变的作战样式、全面立体的保障效能,在现代战争中发挥着夺取制空权、攻击拦截、远程投送等至关重要的作用。在战场上,快速准确地定位和识别敌方军用飞机,对掌握战场态势、调整战术战法、实施精确打击等方面具有重要的意义。光学遥感作为现代军事侦察中的重要手段,以其侦察范围广、目标信息量大、几何纹理清晰等优势,为获取高质量军用飞机图像数据提供了有力保障。 由于光学遥感图像中军用飞机成像的特殊性,使其在实际目标检测任务中面临着背景复杂、尺度变化大、计算复杂度高等问题和挑战。基于此,本文以YOLOv8算法为基础,从检测精度与轻量化两个角度出发,对光学遥感军用飞机检测算法进行针对性创新优化,分别为计算资源丰富的应用场景和计算资源有限的移动端部署设计了高精度检测算法YOLO-RSMA和轻量化检测算法YOLO-FCD,以满足战场的实际应用需求,为作战指挥决策提供可靠的信息保障。具体研究内容如下: 1.针对光学遥感图像背景复杂以及不同型号军用飞机高度相似等问题,本文提出了一种基于双骨干网络与注意力机制的遥感军用飞机检测算法YOLO-RSMA。算法通过在骨干网络中引入辅助可逆分支构建双骨干网络结构,更好地保留语义信息并优化梯度流,增强检测网络对目标深层特征的挖掘。利用最大池化和空洞卷积的各自优势,构建了双路径特征金字塔网络DSPPF,通过双路径间的信息交互和聚合实现对局部显著特征和更大感受野全局特征的提取。通过设计大可分离核-空间重参数化注意力机制LSK-SRA,利用核分解配合串联卷积,搭配重参数化技术,使模型更加聚焦于图像的关键区域。此外,YOLO-RSMA通过将可变形卷积融入C2f模块,增强算法对尺度、形状多变的军用飞机目标的适应性。在MAR20数据集上的实验结果表明,YOLO-RSMA算法的m AP0.5:0.95达到82.3%,相比于基线模型提升了1.5%,在平均精度均值等指标上优于当前主流算法,验证了其对遥感军用飞机检测精度的提升效果。 2.针对当前算法计算复杂度高、参数量大,在移动端部署和快速检测中所面临的挑战,本文提出了一种基于特征融合与模型压缩的轻量化遥感军用飞机检测算法YOLO-FCD。在算法结构的改进上,通过移除大目标检测层并设计更加高效的下采样Rep Down模块,将下采样操作在空间和通道上解耦,搭配重参数化卷积,在减少模型参数量的同时增强其特征表达能力。设计了轻量级双尺度特征融合颈部网络DFFNet,利用卷积模块搭建相邻特征层融合路径,有效整合细节特征和上下文信息,增强模型对于尺度变化的适应性以及对小尺寸军用飞机的检测能力。提出了更加高效的SSDH检测头,通过共享卷积减少模型参数,利用可分离批归一化消除算法对批大小的依赖,更好地适应不同特征图的局部变化。此外,YOLO-FCD通过基于LAMP分数的通道剪枝进一步压缩模型,并提出跨任务协议一致性与掩码生成融合的知识蒸馏方法恢复剪枝后模型的精度。实验结果表明,YOLO-FCD在MAR20数据集上的m AP0.5:0.95达到79.6%,相比于基线模型提升了0.2%。同时,其参数量和模型内存占用仅为基线模型的6.6%和11.1%,推理速度提升了108FPS,能够有效满足移动端部署的轻量化需求。

关键词： 无人机   目标跟踪   粒子滤波   位姿估计   模型预测控制  

摘要： 移动目标跟踪是计算机视觉与智能控制领域的核心问题,在航空航天、智能驾驶、安防监控、智能农业、搜索救援等领域具有广泛应用。无人机作为一种高机动性、适应性的智能平台,为移动目标跟踪提供了全新的技术路径,能够在多种视角与地形下实现大范围高动态目标的跟踪。 在不同的环境下,基于无人机的移动目标跟踪无论是传统方法还是学习算法,都会受到光照变化、遮挡、运动模糊以及动态环境的干扰,同时无人机自身运动也会受到环境影响、计算资源受限、载重受限以及全球卫星导航系统(GNSS)信号受限等问题。因此,本文的主要工作可以分为目标识别与位姿估计、无人机自主定位、轨迹跟踪三部分以应对各种问题。 更具体地,本文的主要工作如下: (1)针对移动目标出现遮挡、运动模糊以及超出视场等问题,提出了一种基于粒子滤波的轻量级视觉目标位姿估计方法,实现对移动目标逐帧精确位姿估计并允许目标在被遮挡或离开视场范围后的重新识别跟踪并通过实际测试与仿真对比实验验证了算法的精确性与有效性。 (2)针对无人机在GNSS通信受阻情况以及低纹理环境下的自主定位问题,提出了一种基于扩展卡尔曼滤波的视觉与惯性测量紧耦合的方法通过紧耦合目标观测模型与无人机惯性测量数据实现实时相对定位,通过仿真对比实验验证了算法的有效性。 (3)针对无人机在轨迹跟踪过程中受到干扰问题,设计了一种基于鲁棒模型预测控制的轨迹跟踪算法,通过对无人机所处环境中各类干扰予以抑制,从而实现平稳飞行保证安全快速精准的到达指定位置,并在仿真干扰环境下验证了所提方法的精确性。

关键词： 机器人焊接   焊缝跟踪   计算机视觉   图像分割   模型轻量化  

摘要： 智能焊接机器人通过融合深度学习技术和机器人技术,能够高质量、高效且安全地完成复杂的焊接任务,在航空航天、船舶制造等高端制造领域的工业自动化中展现出了巨大的应用潜力。智能焊接机器人的关键技术挑战之一是如何在焊接过程中实现对目标焊缝的实时精确感知。然而,焊接过程中产生的焊接弧光、飞溅等图像噪声,往往会对机器人的焊缝跟踪系统造成严重干扰,导致机器人无法有效定位焊缝位置。传统的基于图像处理的焊缝提取方法通常针对特定的噪声进行设计,在灵活性和算法鲁棒性方面存在明显不足,难以自动适应复杂的焊接条件。现有的基于深度学习的焊缝分割方法虽然在精度和鲁棒性方面表现良好,但普遍没有充分考虑到算法的实时性问题。在实际的应用中,若算法实时性不足,机器人将无法修正焊缝偏移,进而可能导致严重的焊接质量问题。因此,针对深度学习算法在工业应用的实时性问题,本文基于深度学习的常用模型轻量化算法对实时焊缝结构光图像分割进行研究,旨在提高分割效率的同时降低计算资源的消耗,主要工作如下: 1.基于高效网络结构设计方法,本文提出了基于自适应特征压缩和中心聚合框架的实时焊缝分割算法。该算法通过中心聚合框架有效地将卷积神经网络和自注意力机制的两者优势相互结合,在保持高分割精度的前提下,显著减少了算法的计算开销。此外,针对焊缝图像的独特数据特征,本文还设计了轻量级的编码模块和注意力模块对网络的特征提取能力进行增强,提高编码效率。实验结果表明,所提算法相较于基线模型,不仅在精度上提升了0.2%,而且将推理速度提高了约33倍。充分体现了其在精度和实时性的显著优势。 2.基于通用模型压缩方法,本文提出了基于源初知识蒸馏的焊缝分割模型轻量化算法。此方法基于教师模型对学生模型进行初始化构建,并在知识蒸馏的过程中通过结构化剪枝对学生模型进行精简,无需手动选择适配的学生模型。通过这一策略,算法能根据实际的工业场景中的设备性能自动调整模型的规模和复杂度,同时保持教师模型中新方法带来的性能优势。实验结果显示,所提算法将教师模型参数量减少了约10倍,推理速度提升了约14倍,而分割精度仅下降了0.4%,取得了速度和精度之间的最佳平衡。

关键词： 航拍检测   目标检测   YOLOv8   多目标跟踪检测   交通异常事件检测  

摘要： 高速公路交通路网的不断发展与完善,给人们带来了方便快捷的出行方式,也促进了经济发展,但随着车辆数量的增加所导致的交通安全问题也日益引发关注。因此,实现对高速公路交通异常事件准确且高效的检测成为至关重要的问题。传统的检测方式由于检测成本高且检测效率过低已无法满足当前检测需求,而无人机技术与深度学习的出现成为了高速公路交通巡检的未来发展趋势。 基于无人机巡检视频图像序列,结合深度学习目标检测与跟踪算法实现对高速公路上车辆目标的检测和跟踪,将交通异常事件检测作为主要研究目标开展研究,以提高对交通异常事件检测的实时性和准确度作为目标,构建高速公路交通异常事件检测模型。 对高速公路交通异常事件进行定义,将收集到的高速公路视频以及图像数据进行筛选和处理,并对图像数据中的目标进行标注,建立检测数据集。为了实现对高速公路上车辆目标与抛洒物的准确检测,本文选择基于深度学习中YOLOv8n目标检测算法。为改善YOLOv8n存在的不足和提升算法模型的检测精度与效率,对该算法进行优化改进并提出MCF＿v8n检测算法。采用Mobile Net V3网络结构对主干网络进行轻量化处理,降低模型复杂度与计算量;嵌入CBAM注意力机制与C2f模块相结合,使模型更聚焦于目标特征的关键信息提升检测精度;引入Focal-EIo U损失函数,使模型加大对小目标样本的训练权重和均衡对不同难度样本的学习能力,最终提高整体检测精度和模型泛化能力。依据实验结果表明,改进后算法具备更高的检测精度,并且在无人机巡检任务中具有更好的适用性。 为实现对交通异常事件的准确检测,采用基于Deep Sort目标跟踪算法对高速公路车辆目标进行跟踪,同时为进一步提高跟踪性能,对该算法进行优化改进。通过引入Res Net18网络和嵌入ECA注意力模块,提高网络对目标特征提取能力和缓解梯度异常问题,同时注意力模块可以使得网络有效的融合不同层次的特征得到更加全面、丰富的特征信息,提高整体跟踪性能。其次与本文改进后的目标检测算法相结合构建高速公路交通异常事件检测模型,并对检测模型进行仿真实验测试,在不同高速公路场景下测试检测模型对车辆目标的跟踪效果以及对交通异常事件的检测性能。经实验表明,检测模型具备良好的检测性能,能够满足对高速公路交通异常事件的检测任务。 依据所研究内容,基于PyCharm软件环境利用Qt Designer等设计工具进行高速公路交通异常事件检测系统的设计以及各个功能模块的实现。通过最终实验测试结果,本文所构建的高速公路交通异常事件检测系统能够对高速公路上的车辆和交通异常事件进行有效检测,能够满足检测任务的需求。

关键词： YOLO   目标检测   农作物识别   病虫害检测  

摘要： 随着全球人口增长和气候变化的加剧，农业生产面临严峻挑战，迫切需要高效、精准的农作物及病虫害识别方法．YOLO算法因其在速度和精度上的优势，成为农业领域的研究热点．首先，系统综述了YOLO算法从v1到v10的演变历程，分析了各版本在网络结构、训练策略、推理效率和精度评估等方面的技术创新和性能提升．其次，通过评估具体的应用案例，探讨了YOLO算法在农作物识别及病虫害检测中的实际表现．最后，总结了当前YOLO算法在农业应用中仍面临轻量化设计、多传感器数据融合、自适应学习、智能标注等挑战，并提出了未来的研究方向．旨在为提升农作物识别及病虫害检测的效率和准确性提供科学依据．

关键词： 目标识别   YOLOv7   量化感知训练   Grad-CAM   遥感图像  

摘要： 随着高分辨率遥感影像和深度学习技术的快速发展,机场作为空中力量投送、国家战略保障和应急救援的关键枢纽,在国防安全、航空运输、应急响应等领域的自动化监测需求日益增加。准确掌握机场分布、规模与变化,对于军事情报预警、灾害应急指挥、民航安全管理等具有重要意义。然而,机场数量众多、分布广泛,部分机场隐蔽或具备临时扩建特性,传统人工方法难以满足大范围、实时监控需求。因此,如何在大规模遥感影像的复杂环境中高效、可靠地提取机场位置信息与尺度特征,成为当前战略情报与智慧管理领域的研究热点。 针对遥感影像中机场尺度多样、结构复杂、背景干扰强等难点,本文基于YOLOv7网络,设计了一套端到端的机场检测闭环方案。主要包括:利用大气条件模拟等数据增强技术,构建高质量、多样化的机场遥感影像数据集,提升模型对国产及多源卫星数据的泛化能力;优化YOLOv7的锚框尺寸、感受野、输出分支及损失函数,实现多尺度机场目标的精准检测;引入量化感知训练(Quantization-Aware-Training,QAT)技术进行INT8量化,压缩模型体积、加速推理,适应边缘计算和嵌入式部署;设计集图像预处理、目标检测和梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)可视化于一体的系统,实现自动定位与可解释决策。主要创新点如下: (1)采用了数据驱动的锚框尺寸优化方法,通过统计分析机场目标分布,优化锚框聚类,模型精确率、召回率和平均精度均值在交并比0.5时(Mean Average Precision at Io U=0.5,m AP50)分别提升3.85%、10.39%和3.49%。 (2)基于感受野分析优化网络结构,调整输出分支,提升多尺度分支覆盖能力,精确率、召回率、m AP50和推理速度分别提升5.21%、4.59%、1.77%和11.18%。 (3)采用QAT技术实现模型量化,模型体积压缩29.27%、推理速度提升91.82%,精度仅小幅下降。 本研究为机场遥感影像的自动化、智能化识别与实时监控提供了高效可靠的技术支撑,具有重要工程应用前景和战略意义。