关键词： 无人驾驶方程式赛车   点云数据处理   YOLOV5   目标检测   传感器数据融合  

摘要： 为了快速准确的检测无人驾驶方程式大赛中赛道锥桶的特征信息，论文提出一种融合激光雷达点云数据和相机图像数据的检测方法。首先对点云数据进行感兴趣区域（Region of Interest，ROI）提取并对噪点进行滤波，针对目前地面欠分割和过分割问题引入自适应地面分割算法，并采用欧式聚类对锥桶空间位置信息进行提取；其次采集和标注图像数据集并使用YOLOv5进行训练后检测，完成锥桶颜色信息的提取；然后将激光雷达检测的锥桶空间位置信息和相机检测的锥桶颜色信息进行融合；最后设计实验进行验证，结果表明，论文所提出的融合检测方法能够弥补单传感器检测锥桶带来的问题，能够快速准确的检测出赛道中的锥桶，为规划和决策提供了保障。

关键词： 复杂环境   轻量化YOLOv8算法   目标检测   二维码导航  

摘要： 针对传统二维码辅助导航的检测方法在复杂工业、物流运输场景中存在识别失败的情况，本研究通过使用成熟且可以提供相对位姿信息的AR码，提出了一种改进的轻量化YOLOv8-AR模型来进一步增强识别效率。在网络模型方面，主干引入超强轻量级StarNet网络来降低目标检测的算法计算量；在颈部网络中优化并构建C2f-EMSC模块，以增强复杂环境下AR码特征的提取，同时降低了计算负载；此外，本文提出了轻量级细节增强共享卷积检测头LSDECD-H，以提高细节特征表达能力，从而提升小目标和多目标的检测精度。实验结果表明，该模型的参数量和计算量分别为1.46M和4.7GFLOPs，仅为基线的51%和42%，在帧率满足实时检测情况下，mAP高达0.962，具有较高的鲁棒性。在解码之前快速确定其位置，从而提升识别效果来达到精确定位，适合于二维码路标导航等应用场景。

关键词： 故障识别   目标检测   算法改进   地面测试  

摘要： 近年来，随着科技的迅猛发展，深度学习技术在航天领域应用日益增多。液体火箭发动机地面测试成本高、子样少，故障的发生和发展速度快、破坏性大，需要迅速、有效地捕捉故障发生位置并及时进行处理。本研究通过对某次出现故障的测试进行分析后发现，利用高速摄像机拍摄的视频图像中故障出现时间点比数据波动报警阈值时间点要早。因此，探索采用YOLOv5目标检测技术，并依据训练精度、检测速度等指标对模型进行改进，结合深度学习技术对液体火箭发动机地面测试全过程进行监测并识别，既有助于现场指挥员对故障及时处理、准确定位故障发生时间及部位，又助于故障发生后对故障原因进行分析。

关键词： 对比学习   引导增强   引导特征映射   对比损失   自监督学习  

摘要： 在自动驾驶的实际场景中，3D点云数据的采集会面临多种复杂因素，例如物体遮挡、传感器信号的中断以及目标物体的旋转变化等，这些都增加了数据的复杂度，给目标检测带来了巨大的挑战。为了解决3D点云在复杂场景下目标检测的效果，本文在融合点-体素特征融合的基础上提出了对比学习的3D目标检测新框架，以自监督的方式获取一种更具有鲁棒性的特征表达方法，有助于特征空间上相似的点更加接近，以应对数据多样性的挑战。该方法通过引入引导增强、引导特征映射和对比损失等自监督学习方法，提升模型特征表达的能力，从而提升在复杂场景下的3D点云目标检测的鲁棒性与泛化能力。基于PV-RCNN的主干网络，本文方法将点云和体素特征深度融合，并通过对比学习增强特征一致性，显著提高了模型在KITTI数据集上的检测性能，尤其在高难度任务中表现出色。实验结果表明，与现有方法相比，本文提出的框架在3D目标检测任务中具有更高的检测精度与效率，具备广泛的应用潜力。

关键词： 开放世界   遮挡目标检测   特征融合   图卷积神经网络  

摘要： 解决遮挡目标检测问题是开放世界自动驾驶目标检测研究中一项充满挑战的任务。本文主要研究在开放世界自动驾驶场景中，由于未知遮挡模式的多样性，被遮挡目标在图像中呈现的特征稀疏性与语义模糊性以及目标形态的不确定性，利用不同维度特征图的信息差异性以及目标整体与部分间和部分内的关系进行遮挡目标检测。提出了一种基于多层次特征融合和增强特征表示的遮挡目标检测算法。首先，设计了共现空间图模块完成部分内与部分间的特征增强，提高遮挡目标的特征表现，增强遮挡区域的语义恢复能力。其次，采用跨层次尺度的特征金字塔网络增强核心特征的上下文信息和特征之间的关联性。最后，通过并行自适应特征融合模块融合不同层次的特征，缓解特征丢失，提高目标检测性能。所提方法在数据集Pascal VOC，BDD100K和自制数据集上与现有检测算法进行比较，相较Top2算法的未知类召回率和mAP的增值范围在1.4%-1.9%和0.5%-1.5%（相对）。该算法旨在提升开放世界自动驾驶场景中遮挡目标的检测精度，通过学习遮挡目标的特征关联性，有效缓解了特征稀疏与语义模糊带来的不利影响。实验验证了本算法可以有效提升遮挡目标的检测性能，展现了很好的泛化能力，并增强对未知目标的检测能力。

关键词： 围堤排水沟   渗流量监测   非接触式   无人机   图像处理  

摘要： 针对现有围堤排水沟大于300 L/s的流量监测方法存在费时耗力或成本高的弊端，基于无人机图像识别提出了一种适用于长距离围堤排水沟大渗流量监测方法。该方法通过复核排水沟监测断面的几何参数，标定曼宁公式糙率，结合无人机采集监测断面水尺图像及图像处理技术，快速识别各监测断面的水深，进而获得监测断面的渗流量，实现对围堤排水沟渗流量的高效监测。工程实例分析表明，该方法通过对监测断面尺寸进行复核以及对曼宁公式系数进行标定，即能基于无人机采集的排水沟水尺图像快速获得监测断面渗流量；监测的渗流量与常规流速仪法测量的渗流量之间的误差在5%～7%。

关键词： YOLOv11   目标检测   深度学习   注意力机制   太阳能电池板  

摘要： 针对现阶段太阳能电池板缺陷检测方法精度低、速度慢的问题，提出了一种基于改进YOLOv11的缺陷检测算法。首先，在骨干网络中引入SimSPPF模块，优化了特征提取过程。此外，采用Slide Loss损失函数提升了模型对困难样本的关注度。同时，在C2PSA中引入LSKA注意力机制，利用分离卷积核增强特征提取能力，并应用Mish激活函数增强网络非线性。最后，引入Strip Pooling策略，提高了模型对目标形状和分布变化的适应性。实验结果显示，改进算法Persion达到86.8%，较原始算法提高3.3%，mAP@0.5达到90.1%，较原始算法提高2.6%，检测速度达到149.254fps，满足工业生产中太阳能电池板缺陷检测高精度、高效率的要求。

关键词： 改进YOLO-v8   缺陷检测   图像处理   管件   机器视觉系统  

摘要： 随机缺陷具有微尺度、形态和类型多样的特点，传统机器学习模型的缺陷检测精度和泛化性能欠佳，为此提出基于改进YOLO-v8的多源管件表面缺陷检测方法.为了获取管件全局信息，构建基于焦距可调的管件全表面图像采集系统，对不同类型管件样本进行快速、高效的高清成像.针对样本来源多样性问题，在YOLO-v8模型的主干特征提取模块中嵌入渐进特征金字塔网络（AFPN）架构，在瓶颈卷积特征层中融合封装-激励（SE）注意力机制，有效提升缺陷检测模型的泛化性.通过视频抽取关键帧及静态定焦拍摄相结合的方式，对标定后的图像构建训练集和测试集，采用改进YOLO-v8算法自动识别管件表面缺陷.实验结果表明，所提方法在推理阶段的检测m AP50为82.2%，相比传统YOLO-v8提升了3.1个百分点.该结果为金属目标的缺陷通用性检测提供了参考.

关键词： 异常侵限障碍物   三维目标检测   激光雷达   随机采样一致性算法   障碍物检测  

摘要： 障碍物侵限具有随机性、突发性、不可预料性等特点，对轨道交通运输安全运营有着严重危害。现有检测算法对远距离小目标障碍物的识别精度不足，难以满足实际应用需求。为及时检测出障碍物侵限以避免造成安全事故，利用激光雷达作为视觉传感器，提出了一种基于三维目标检测的轨道侵限障碍物检测算法，以实现高效、精准的铁路侵限障碍物检测。为避免铁路沿线噪声点云对检测算法精度及速率的影响，采用了直通滤波和基于RANSAC算法的钢轨拟合等点云预处理操作得到铁路限界内点云数据，随后利用改进PointPillars三维目标检测算法对铁路限界内区域进行侵限障碍物检测。为进一步提高算法检测精度并优化PointPillars算法对小目标物体检测性能较差的问题，引入残差MLP模块增强了算法对特征信息的聚合能力及算法对点云局部特征的提取与利用能力，从而有效提高了算法对侵限障碍物的检测精度；同时在PointPillars下采样处理中加入了SCConv模块，增强了算法对特征空间及通道冗余的整合与利用，减少了中间特征映射的冗余计算并促进了局部特征的学习，使得算法对远距离小目标障碍物的检测能力显著提升的同时检测速率进一步提高。实验数据集采用自用铁路障碍物点云数据集，目标类别包括人（People）、箱子（Box）和骑自行车的人（Cycist）。实验结果最终表明，该算法对铁路常见障碍物行人（People）的检测准确率为91.83%，箱子（Box）的检测准确率为89.74%，骑自行车的人（Cyclist）的检测准确率为89.74%，相较于原算法平均检测精度在BEV视角上提高了2.55%，在3D视角上提高了2.81%；同时检测速率达到了55.56Fps，满足铁路现场的应用需求。

关键词： 铁轨缺陷检测   小样本学习   深度学习   图像处理   机器视觉  

摘要： 铁轨缺陷检测对铁路安全和降低维护成本非常重要。面对铁路网络扩张和缺陷样本稀缺带来的挑战，尤其是小样本条件下的过拟合问题，提出了一种基于多尺度WideResNet的小样本铁轨表面缺陷检测算法，通过数据增强等图像处理技术扩大有限的训练集，提高模型的泛化能力。利用迁移学习策略，将预训练的WideResNet模型提取多尺度特征应用于铁轨缺陷检测任务，减少对大量标注数据的依赖，加快小样本模型训练快速收敛。设计小样本深度学习模型策略，构建度量学习模块，从有限的标注数据中快速学习并进行有效的泛化。结果表明，该算法在10-shot小样本条件下能够有效地检测铁轨表面缺陷，模型精度mAP达到83.6%，召回率高达93.8%。本研究为铁轨表面缺陷自动化检测提供了新技术，对于提升铁路运输安全和经济性具有重大意义。