关键词： 无人机技术   公路桥梁   结构损伤   识别与评估   图像处理   机器学习  

摘要： 随着交通流量的增长,公路桥梁的安全监测变得愈发重要。无人机技术凭借其独特优势,在公路桥梁结构损伤识别与评估中发挥着关键作用。本文详细介绍了无人机技术在公路桥梁检测中的应用,包括无人机类型、特点及优势,分析了公路桥梁常见的结构损伤类型及危害,深入探讨了基于无人机技术的损伤识别与评估方法,涵盖数据采集、损伤识别算法和损伤评估模型等方面,旨在为公路桥梁的安全监测提供高效、准确的技术支持,推动桥梁检测技术向智能化发展。

关键词： 遥感图像   YOLOv8算法   边缘增强   多尺度特征提取  

摘要： 为了提升YOLOv8算法在遥感任务中对不同尺度目标的特征提取能力及检测精度，提出一种多尺度边缘增强提取YOLOv8算法。引入浅鲁棒高效多尺度降采样和深鲁棒高效多尺度降采样模块，分别增强低层和深层特征细节的保留能力；引入高效边缘增强上采样模块，提高网络在多尺度及复杂背景下的检测能力；引入部分自注意力机制模块，增强全局信息建模能力，有效抑制背景噪声。结果表明：相较于YOLOv8算法，文中算法在DIOR数据集上表现更佳，精确率提升了0.7%，召回率提升了2.4%，交并比为0.50的平均精确率均值提升了2.0%，交并比为0.50～0.95的平均精确率均值提升了2.8%。

关键词： 目标检测   现场可编程门阵列   边缘计算   硬件加速  

摘要： 针对目标检测算法难以在功耗敏感和资源受限的边缘计算场景中部署的问题，设计了一种基于现场可编程门阵列的YOLOv4-tiny网络硬件加速器。首先，将网络进行8位动态定点量化，并将批量归一化层进行融合，降低了计算复杂度。其次，为了降低片外访问带来的功耗和延迟，提出了权重数据重用和输出数据重用相结合的混合重用方案。然后，根据不同大小卷积核的特点，采用循环展开、循环流水和乒乓缓存等方法对卷积运算进行细粒度优化。最后，经过验证，相比于其他加速器，处理速度提升了1.7～6倍，数字信号处理器效率提升了7.6～8.6倍，能耗效率和查找表效率也均有优势。

关键词： 吨袋   吨袋吊带识别   图像处理  

摘要： 吨袋作为一种大容量、轻质且装卸便捷的柔性运输包装容器，在散装货物装运中应用广泛。当前，吨袋装卸多依赖人工摘挂钩，自动化程度低。由于工作环境恶劣，这种方式不仅效率低下，还极大增加了工人劳动强度。实现自动化摘挂钩的关键在于对挠性吊带的精准识别与抓取，此技术对于提升装卸效率、改善工作环境及降低人力成本极为迫切且必要。该研究通过图像灰度化处理，将彩色图像转换为灰度图像，减少数据量并突出灰度特征；利用高斯滤波等方法降噪，去除图像中的噪声干扰，提升图像质量；采用Sobel算法进行边缘检测，凸显出吨袋吊带的边缘轮廓；并通过特征提取获取关键特征。随后，运用深度学习技术，构建基于神经网络的吨袋吊带识别模型。训练和测试结果显示：该模型识别准确率高达 97.73%，相较于传统方法有显著提升；F1 分数达 94%，有效平衡了精确度和召回率，在实际工程应用中，可大幅提升装卸效率，降低人工成本，为挠性构件摘挂钩自动化的实现提供了重要的实践参考与借鉴。

关键词： 遥感影像   目标检测   少样本学习   迁移学习   特征金字塔   特征融合   正则化   均衡损失  

摘要： 针对遥感影像少样本目标检测模型易出现过拟合且检测精度低的问题，本文提出基于迁移学习的遥感影像少样本目标检测模型。在基训练和少样本微调阶段，主干网络中设计自适应特征金字塔模块，通过重新调整、整合、提炼3个步骤增强特征图的表达能力，使不同尺度的特征充分融合，为小目标提供更为准确的特征表示。通过在少样本微调阶段引入Dropblock正则化操作，有效抑制少样本目标检测模型在训练时易出现的过拟合现象，提高目标检测精度。在训练过程中结合均衡损失函数，增强模型对遥感影像数据集中尾部类别的关注，进而提升模型的分类准确率。在10-shot任务设定中，本算法与FSCE方法相比，在NWPU VHR-10.v2和DIOR数据集上检测新类的平均精度均值分别提升7.3%和3.2%。实验结果表明，本算法对基类和新类的检测结果优于已有的同类算法。本算法显著提升了遥感影像少样本目标检测的泛化能力与分类精度，为新类和基类的识别提供了有效解决方案。

关键词： 视觉目标跟踪   Transformer   高低频特征   编解码器   自适应相似性计算  

摘要： Transformer中的自注意力机制可以有效捕获特征的远程依赖，近年来出现了许多Transformer结构的目标跟踪算法。然而，随着网络层次的加深，Transformer会逐渐过滤掉目标特征中的高频信息，丢失图像边缘轮廓等局部细节。为解决该问题，提出了基于双频特征的Transformer视觉目标跟踪算法(DFFTrack)。设计了一种双频分组(DFG)模块，将图像特征沿通道维度分为两组，分别进行高频和低频特征增强；采用双分支编解码器结构，编码器基于DFG模块将目标和搜索区域特征分为高频组和低频组，并使对应分组的模板和搜索区域充分交互，解码器通过一个可学习的目标查询嵌入与来自编码器的全局特征交互获得目标表示；提出了自适应相似性计算模块(ASC)，将目标查询嵌入、搜索区域高频特征和低频特征三者充分融合，生成最佳的精细尺度匹配。在LaSOT、GOT-10k和TrackingNet三个具有挑战性的大规模跟踪数据集上与多个先进算法进行对比，实验结果表明，DFFTrack取得了优异的跟踪性能。

关键词： 目标跟踪   跨模态特征交互   模态特异性特征   分层决策  

摘要： 红外图像与可见光图像具有互补优势，将红外模态引入目标跟踪能够显著增强跟踪算法对复杂环境的适应能力。近年来，一些研究将模态特异性特征提取与跨模态特征交互相结合，使跟踪性能取得了显著提升。然而，这类方法往往采用粗粒度的结合方式，难以兼顾视觉模型不同层级对特征的差异化需求。为解决这一问题，并考虑到模型各层级对不同特征的内在偏好，本文提出了一种层次感知的动态跟踪框架。该方法采用分层决策的机制，自适应地提取满足各层特定需求的特征，并通过设计简洁高效的特征处理模块，以更细粒度的方式实现模态特异性特征提取与跨模态特征融合。该机制继承了以往多种框架的优势，构建出结构上更具自适应性的多模态跟踪方法。实验表明，本文所提出的方法在多个数据集上均取得了优越的跟踪性能。

关键词： 渐进混合编码   跨尺度交互   特征融合   无人机检测   目标检测  

摘要： 基于视觉的无人机目标检测方法，在无人机监管和国防安全领域具有重要作用。然而，由于无人机目标较小，在复杂背景下容易存在目标特征提取困难、检测率低、模型计算量大等问题。为解决上述问题，本文在RT-DETR方法上进行改进，提出了基于渐进混合编码层PHE(Progressive Hybrid Encoding)的无人机目标检测方法（PHE-DETR）。该方法通过设计渐进混合编码层来实现解耦内尺度交互与跨尺度融合操作。具体的，渐进混合编码层包含内尺度交互模块和自适应跨尺度特征融合模块。内尺度交互模块可进一步提取无人机目标的深层次特征；自适应跨尺度特征融合模块可实现渐进特征融合并减少非相邻层特征之间的语义差距。实验结果表明，本文PHE-DETR方法在Det-Fly和ARD-MAV两个无人机检测数据集上均取得了最优性能。在Det-Fly数据集上，本文方法比次优方法 MHAF-YOLO，在mAP50指标上提升0.9百分点；在ARD-MAV数据集上，本文方法比次优方法 RT-DETR，在mAP50指标上提升4.5百分点。同时相比于基准RTDETR方法，本文方法参数量和计算量下降了约30%。

关键词： 目标跟踪   无人机轨迹预测   扩展卡尔曼滤波   RTS平滑   SG滤波   数据融合  

摘要： 针对扩展卡尔曼滤波（Extended Kalman Filter，EKF）在预测无人机轨迹过程中存在的波动性问题，从实际拦截任务的角度出发，考虑轨迹的平滑性与精准性对拦截成功率的影响，提出一种基于固定滑动窗口的 EKF-RS 算法。该算法实时结合萨维茨基-戈莱（Savitzky-Golay，SG）滤波方法与固定区间平滑（Rauch-Tung-Striebel，RTS）算法，对滑动窗口内的 EKF 后验状态估计值进行优化。基于数据融合思想，通过构建并优化目标函数得到最优权重系数并对两类优化结果进行加权融合，获得兼顾平滑性与运动趋势的预测轨迹。最后，通过建立仿真无人机轨迹数据集对算法进行验证，实验结果表明该方法能够有效提高预测轨迹的平滑性与精准度，为提升拦截器的跟踪与拦截性能提供支撑。

关键词： 织物疵点   疵点检测   YOLOv8   Transformer   BiFPN   Focal-EIoU  

摘要： 针对YOLOv8模型在织物疵点检测任务中特征提取能力弱与误检现象频繁等问题，提出一种基于改进YOLOv8的织物疵点检测算法（YOLOv8-SEBF）。针对织物疵点特征提取能力弱的问题，引入EnhanceDATransformer，通过Transformer模拟织物纹理的长程依赖关系，全局建模并强化特征；针对误检的问题，引入SCConv，联合空间与通道维度的特征重建来增强模型表达能力，并通过空间-通道协同过滤显著降低纹理背景导致的误检；在融合层中用BiFPN取代PAN，通过跨尺度加权融合机制，强化融合特征的表达能力；优化CIoU为Focal-EIoU，通过引入动态加权机制，加强难易样本平衡与微小疵点的梯度回传，以提高模型检测准确率和稳定性。改进的算法在实际生产数据集上进行试验，结果表明：YOLOv8-SEBF算法的mAP值达93.8%，较原始YOLOv8提升16.0个百分点，在保证检测速度的前提下，显著提升了模型的整体性能。