关键词： 公路隧道   超前地质预报   地质雷达   深度学习   目标检测  

摘要： 在当今隧道工程的建设中，广泛采用了地质雷达超前预报法对掌子面前方地质进行探测预报，就这种技术提出并实现了一种基于自主开发的自动去噪程序与人工智能结合的地质雷达法超前地质预报智能检测方法，在一定程度上解决了目前地质预报主要靠人工解译导致结果不准确及速度较慢的问题。通过自主开发地质雷达数据提取与处理程序，利用深度学习中目标检测(Object Detection)算法，提出一种基于数据自动去噪的针对隧道围岩破碎区域的Faster R-CNN目标检测模型。通过自主开发的程序提取地质雷达数据进行自动一维离散小波变换与低通滤波去噪处理，用以训练Faster R-CNN目标检测模型，以甘肃省马坞西寨段高速公路隧道地质雷达实测数据对模型进行训练、验证和测试。研究结果表明：自主开发的程序可以提高提取数据的兼容性并支持多种不同于传统地质雷达软件的数据处理，有效提高了地质雷达图像质量，且可以绘制处理后的图像；对比目前应用较多的简单分类模型，可以实现对围岩破碎区域的精确定位；采用程序提取处理后的数据准确率比未处理的数据有显著提高，最高平均准确率（mAP）为74.18%，体现出更好的检测能力。

关键词： 激光熔覆   孔隙   计算机视觉   深度学习   目标   优化  

摘要： 为了提升激光熔覆损伤修复件中孔隙的检测精度，以调整激光熔覆工艺参数，从而减少熔覆层气孔、开裂等缺陷，提升激光熔覆层质量，开展IN718镍基合金不同工艺参数下的激光熔覆试验，并开发一种改进型SP-YOLOv5孔隙检测算法。在输入层与卷积层之间增加Coordatt注意力机制模块，从而增强特征图的空间位置信息权重；改写YOLOv5网络结构，以增强网络模型对孔隙类小目标的检测能力；采用Soft-NMS代替原有NMS（非极大值抑制）进行检测结果后处理，进一步降低网络漏检率；将SP-YOLOv5算法孔隙检测结果与YOLOv5、FasterRCNN、RCNN以及ImageJ软件分析结果进行对比，得出SP-YOLOv5算法模型比其他算法模型的精度最高提升了10.57%；在此基础上，通过对激光熔覆熔池温度、熔池面积及熔覆层横截面孔隙率、熔宽、熔高、熔深等的测量，基于Stacking算法建立激光熔覆工艺参数与孔隙率的回归预测模型，并采用目标优化算法获得了较优激光熔覆工艺参数组合（激光功率1 330 W、扫描速度460 mm / min、送粉率13 g / min），对熔覆件进行孔隙参数测量，结果显示，在这些优化参数下，Stacking模型预测的孔隙率与实际测量值的一致性达到97.5%，验证了优化方法的有效性，研究结果可为激光熔覆层孔隙缺陷的有效控制提供理论依据。

关键词： 深度学习   单目三维目标检测   Transformer   深度可分离卷积  

摘要： 近年来，基于深度学习的单目图像三维目标检测由于数据来源简单、成本低等优点，被广泛应用于自动驾驶、战场感知等领域。但由于单目图像中深度信息的匮乏，导致现阶段模型性能较低。为此，本文提出了一种新的单目三维目标检测Transformer模型DM-Transformer（Depth-aware Monocular Transformer）。该模型以ResNet50为骨干网络对单目图像提取视觉特征；通过交叉注意力机制构造深度信息表现模块，并将深度感知解码器输出的视觉信息和深度信息作为输入进行融合学习，使模型学习物体局部的深度信息以及物体之间的特征联系；最后基于融合了深度和视觉特征进行三维物体检测，并在公共目标检测数据集KITTI 3D上验证了该模型的性能，与当前单目三维目标检测模型相比，有效提高了三维物体检测精确度。

关键词： 分布式多目标跟踪   航迹随机有限集   加权算术平均融合   TPHD滤波器   TCPHD滤波器  

摘要： 分布式多传感器多目标跟踪方法可通过信息融合充分利用各传感器量测信息，有着优秀的跟踪性能、鲁棒性与组网灵活性，在军事以及民用领域有着广泛应用，是当今的研究热点。其中，基于航迹随机集的分布式多目标跟踪方法由于无需额外处理即可直接输出平滑的航迹估计，有着极高的研究价值。然而，在航迹随机集理论框架下，已有的实现方法无法兼顾航迹状态空间结构以及最小信息差异准则（Principle of Minimum Information Difference， PMDI）的要求。本文在基于加权算术平均（Weighted Arithmetic Average， WAA）融合准则的分布式多目标跟踪框架下，结合航迹概率假设密度滤波器（Trajectory Probability Hypothesis Density， TPHD）滤波器与航迹基数概率假设密度（Trajectory Cardinality Probability Hypothesis Density， TCPHD）滤波器，提出了一种基于状态空间结构（State Space Structure，SSS）的分布式跟踪方法，并给出了基于高斯混合模型（Gaussian Mixture Model，GMM）的方法实现。该方法利用航迹状态空间结构信息，将航迹随机集的信息融合问题分治为多个独立的单一线性空间内子随机集信息融合问题，基于PMDI推导得出各子随机集融合后验分布，将其合并后即为航迹随机集融合后验分布，并以此为理论基础设计了基于GMM的实现方法以及基于目标状态估计的航迹状态估计方法。新方法满足PMDI，可高效利用各传感器的后验估计信息，且仅对同一子空间内的起始时刻与状态维度相同的航迹信息进行WAA融合，可采用目标随机集的实现方法。仿真实验比较了新方法与多种跟踪方法的跟踪性能，表明了该算法的有效性。

关键词： 目标检测   黑烟检测   YOLOV8   轻量级模型   注意力机制  

摘要： 柴油车辆排放黑烟是道路交通环保执法的重点和难点。由于复杂环境条件的影响，针对目前黑烟检测存在精度和速度方面的不足，提出一种基于改进YOLOV8的轻量级柴油车辆排放黑烟的检测模型。首先，在YOLOV8主干网络的基础上，设计一种轻量化特征提取模块C2f-FasterRep提高模型的特征提取能力，同时C2f-FasterRep模块引入上下文锚框注意力机制模块来捕捉长距离的上下文信息，利用全局平均池化和条形卷积增强特征图中心区域的特征，从而提高检测精度；其次，在颈部部分提出一个新的网络结构用于融合主干网络提取的特征，并使用通道注意力模块和维度匹配机制对不同尺度的特征进行特征融合，增强了模型的多尺度特征融合能力；最后，使用Transformer解码器结构优化YOLOV8模型的检测头，同时，采用交并比感知的查询机制，有助于解码器查询的优化，提高了模型的分类和定位的性能。为保证实验的真实性和有效性，利用部署在河南许昌某道路断面的检测设备采集数据并进行测试验证。实验结果表明，所提方法的mAp为95.4%，精确率为94.5%，召回率为97.5%，与现有的黑烟检测方法相比，具有更高的检测精度和更快的检测速度。消融实验结果表明提出轻量化特征提取模块、特征融合模块和检测头有利于提高模型检测精度。

关键词： 无人机图像   目标检测   YOLOv8n   特征提取  

摘要： 无人机由于其效率高、成本低、机动性好等优点,在各种复杂地形环境检测中的应用越来越广.然而,航拍图像中的目标分布密集、尺度变化大且存在大量小目标,其目标检测成为当前无人机技术研究的热点和难点.针对这一问题,提出一种基于改进YOLOv8n的无人机小目标轻量化检测算法DCD-YOLO(dynamic capture drone YOLO).具体为,在主干网络部分,利用CDR模块的多速率扩张卷积和残差结构,实现基本特征提取;在颈部,引入加权双向特征金字塔模块(BiFPN),利用跨尺度连接和加权融合输入特征,更快速高效地实现多尺度特征融合;内容引导卷积和自注意力(CGCA)融合模块融合浅层特征图和深层特征图,通过学习到的空间权重调整输出特征图,缓解了梯度消失问题,增强了细节特征;在检测头部分,引入动态检测头,实现检测头和注意力的统一,提高检测能力.实验表明,在Vis Drone2019无人机数据集上,DCD-YOLO实现了0.407的m AP@0.5综合检测精度,相比基线模型YOLOv8n提升了21.9%,相比主流的算法和YOLO系列目标检测算法,DCD-YOLO具有更优秀的检测性能,较好地实现了模型检测精度和模型大小的平衡.

关键词： 3D目标检测   点-体素   感受野融合   几何聚合   小目标检测  

摘要： 交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别，本文着重于提升小目标检测的性能。本文设计了全新的多模态特征编码方案：基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法。另外，本文模块均针对两阶段模型的前期特征强化，提前规避细节错误；本文模块独立性强，可扩展到所有两阶段模型中。实验对比使用KITTI数据集的两阶段3D检测模型，结果显示本文方法在不同遮挡难度中，行人类对象和骑行类对象的准确率可分别实现3%和5%的显著提升。并且对比KITTI数据集行人类3D检测SOTA，本文方法在基本同步的时间延迟下，在其整体准确率提升的同时，小目标对象检测的准确率更高。

关键词： 小目标检测   NWD损失函数   小目标检测层   可变形卷积  

摘要： 针对YOLOv8算法在无人机视角下小目标性能不佳的问题，提出了一种改进后的YOLOv8-NDTiny算法。改进原有的CIoU损失函数，引入NWD损失函数，提高算法对于小目标的敏感度；在保持算法原有参数量的同时，将原有C2f模块中的卷积模块替换成可变形卷积，使得模型能够适应复杂的场景；优化了颈部结构，将原有的检测头替换成小目标检测层，使模型更加轻量化，并提高网络对小目标的感知能力。经实验数据表明，改进后的算法相比原算法在VisDrone2019数据集上mAP50%和mAP50%:90%分别提高了2.4%和1.8%，并且参数量为原先的71%。

关键词： 单站无源运动定位   多目标跟踪   高斯混合   有限集统计   容积卡尔曼滤波  

摘要： 针对单站无源运动定位中的多目标定位问题，基于随机有限集(random finite set， RFS)的高斯混合多目标滤波器（Gaussian mixture multi-target filter，GM-MTF）提出了一种多目标单站无源运动定位方法。首先，基于单站无源运动定位方法，将定位问题等效为目标跟踪问题，同时构建无源定位体系下的多目标跟踪非线性量测模型。其次，基于GM-MTF，给出融合了容积卡尔曼滤波器的高斯混合实现过程以适应量测非线性模型，并给出完整的实现过程。在此基础上，联合相位差变化率定位法提出了一种二次滤波的单站无源多目标定位方法。所提方法通过将单站无源运动定位和随机有限集多目标滤波器进行巧妙融合，从而将单目标定位场景进一步拓展到复杂的多目标场景。同时，通过仿真结果表明，对比传统的相位差变化率定位法，所提方法不仅定位精度优势明显，而且在复杂的杂波环境下具备一定的抗干扰能力和鲁棒性。

关键词： 输电线路   山火检测   烟雾检测   图像处理   目标检测  

摘要： 山火监测与定位是提高输电线路可靠性的关键。然而，高压电沿线山火图像数据具有一定的复杂性且检测目标易混淆，传统的目标检测算法无法满足山火检测任务在识别精度与速度方面的需求。为此，提出一种两阶段的高效低报警率山火检测算法，以实现高召回率高精确率的实时山火检测系统。算法架构中，第一阶段采用基于正负山火图像样本的目标检测算法，以神经网络模型YOLOv7作为目标检测器，在训练时使用足量且比例均衡的正负样本图像，提升模型的可靠性；第二阶段采用易混淆目标分类算法，以轻量级神经网络MobileNetV3作为特征提取网络，并根据第一阶段得到的易混淆类别选择不同的分类权重参数，提升易混淆目标的易分性。此外，分析了训练数据对山火目标检测算法的影响，并在山火检测数据集上进行了将所提出方法与主流目标检测器的对比实验，结合模型的多进程并行推理帧率，验证了所提出算法的有效性。