关键词： 无人机   目标跟踪   轨迹规划   可视区域   视点优化  

摘要： 在无人机目标跟踪任务中,实时规划一条安全、有效且具有高度目标可见性的轨迹,是实现目标稳定跟踪的关键.为保证无人机在复杂未知环境下实现目标稳定跟踪,提出了一种无人机主动观测轨迹规划方法.首先,使用预测模型获得一系列离散的未来目标轨迹点;其次,根据当前环境地图信息,在每个目标轨迹点周围生成可视区域和初始视点,并设计一系列代价函数对视点进行优化;最后,结合每个目标轨迹点的最优视点位置约束对无人机跟踪轨迹进行优化.仿真结果表明,所提出方法能够在各种复杂环境中完成目标实时稳定跟踪任务,较好地解决了现有方法存在的目标被遮挡问题.

关键词： YOLOv5s   细粒化卷积模块   C3TR   损失函数   软非极大值抑制算法   解耦合头  

摘要： 航拍图像中普遍存在目标尺寸微小、尺度多变以及背景繁杂等问题，从而导致YOLO系列算法的检测精度较低。为此，基于YOLOv5s提出YOLO-SC2算法，该算法首先在YOLOv5s的网络结构基础上添加细粒化卷积模块、融合基于Transformer架构的C3TR层，并采用C2F模块替换C3模块以增强目标特征信息提取能力；接着，通过替换Focal-EIoU损失函数，使用软非极大值抑制算法增强小目标检测准确性；最后融合解耦合头，提高多目标下的检测精度。实验数据表明，在VisDrone2019公开数据集上进行实验，相较于原始模型，改进后的模型在P、mAP＿0.5、mAP＿0.5:0.95指标上分别实现了6.2%、8.2%和8.4%的提升。通过与其他算法对比，验证了该改进算法的有效性。

关键词： 深度学习   钢板表面缺陷   目标检测   表面缺陷   评估指标  

摘要： 钢板作为现代制造业的基石，其表面质量对产品的性能和可靠性具有决定性作用。因此，钢板表面缺陷检测具有重要的研究意义和应用价值。钢板表面缺陷检测研究面临的主要挑战包括钢板表面缺陷类型多样、特征不明显以及实时性要求高。采用深度学习技术对钢板表面缺陷检测进行研究，系统总结了钢板表面缺陷常用的数据集及目标检测算法在表面缺陷中的应用，同时全面整理并分析了这些算法的优缺点。探讨了有监督学习、无监督学习和半监督学习等检测方法在钢板表面缺陷检测中的应用，评估了当前算法性能的关键指标，讨论了未来钢板表面缺陷检测面临的挑战，并对未来的研究趋势进行了展望。

关键词： 自监督对比学习   计算机视觉   堆叠胶合板计数   数据增强技术   损失函数优化  

摘要： 自动化胶合板计数是工业生产中的一大难题，传统基于人工计数和物理计数的方法耗时且低效。然而，堆叠胶合板图像又存在着边缘不均匀、厚度不规律等干扰因素，现有的深度学习算法提取到的特征代表性不强，导致计数结果不准确。针对上述问题，提出一种用于堆叠胶合板计数的自监督学习框架——CountNet。CountNet针对计数问题优化了损失函数的使用方式，该损失函数利用对比学习的方法，可以进一步放大正负样本间的差异，使网络能提取到更具代表性的视觉特征。最后将该特征投入下游任务中，完成计数。实验结果表明，该方法在准确率、损失下降等方面均优于其他常见的计数模型，证明了其在计数能力上的优越性。

关键词： 3D目标检测   激光雷达点云   自适应下采样   点注意力  

摘要： 点云下采样与特征提取是基于激光雷达点云的自动驾驶3D目标检测算法中不可或缺的步骤。然而，传统的下采样方式对点云中所有的数据点都是无差别选择，这使得目标上的点被均匀稀释，点数较少的目标可能会丢失其全部点，且目前的点云特征提取方式只保留特征中相同维度的最大值，不能充分利用点云特征。为改进以上不足，提出一种基于激光雷达点云自适应下采样和点注意力特征聚合的3D目标检测方法，通过使用学习式的点云自适应下采样，可以获取数据点的类别信息，从而实现激光雷达点云的分类下采样。同时，使用点注意力特征聚合方法，依据点之间的注意力系数进行采样点的特征聚合，可以充分利用点云的特征信息。在KITTI数据集上中等难度场景中对车、行人和骑行者的检测精度分别达78.49%、44.82%、63.59%，验证了该方法的有效性。与其他方法相比，其对点数较少目标物体的检测精度有明显提升。

关键词： 目标检测   旋转测量   轨迹预测   深度学习   检测精度  

摘要： 物体在高速运动过程中受到的外力改变了其角动量，从而导致旋转的发生，而旋转产生的马格努斯力使物体轨迹变得难以预测。想要完成高速旋转目标的准确测量与轨迹预测离不开目标的检测、追踪以及运动建模。为提高研究人员对高速旋转目标转速测量与轨迹预测的了解程度，梳理体育、军事、自动驾驶等领域中关于高速旋转目标的研究文献，涵盖了从传统方法到深度学习算法的演变，重点分析计算机视觉算法及其难点、旋转测量与轨迹预测方法。通过全面梳理相关内容，发现现有高速旋转目标的转速测量及轨迹预测算法仍存在稳定性和实时性不足等挑战，后续仍需深入探索与实践。

关键词： 目标检测   复杂环境   数据增强   自动驾驶  

摘要： 为提高光照变化、模糊、噪声和遮挡等复杂环境下视觉感知系统目标检测模型的性能，基于YOLO 11x模型，结合数据增强方法，分析了目标检测模型在不同复杂环境下的性能变化情况，结果显示，不同类型的环境干扰对模型性能的影响各有特点，其中高斯噪声和运动模糊的影响较为显著，亮度调整和随机遮挡的影响相对较小。

关键词： 目标检测   金属表面缺陷   深度学习   损失函数   注意力机制  

摘要： 金属表面缺陷在飞机和航天器制造等领域易致结构失效，带来巨大的事故风险。针对传统YOLOv5s算法检测金属表面冲孔、丝状斑点、月牙形缺口等性能差的问题，现提出一种改进的YOLOv5s算法。该算法将Ghost网络加入到Backbone部分；在Neck网络中增加了MHSA注意力机制；将原损失函数替换为DIOU。经实验验证，改进后的网络与原网络相比，mAP@0.5提升了3.2%；提高了模型的检测精度并且误检、漏检率低，证实了该方法在金属表面缺陷检测上的有效性。

关键词： 舱门图像   图像增广   生成对抗网络   涂装增广   目标检测  

摘要： 舱门检测网络是自动驾驶登机桥检测舱门的重要实现途径。而在舱门图像带有复杂涂装的场景下，舱门检测网络对舱门图像的检测准确率、召回率和mAP大幅降低。针对这一问题，提出了基于生成对抗网络的舱门图像涂装增广方法，用以提高舱门检测网络训练集中带复杂涂装的图像样本的数量，从而提高舱门检测网络在复杂涂装场景下的检测准确率、召回率和mAP。通过将待增广图像的边缘图像和涂装图像的边缘图像进行边缘融合，再经过已训练的生成对抗网络填色，实现舱门图像数据集的涂装增广。实验证明，与传统的基础增广方法相比，基于生成对抗网络的舱门图像涂装增广方法对Yolov5s的检测准确率、召回率和mAP提升更高。

关键词： 软线   视觉感知   深度相机   图像处理   坐标计算   曲线重构   位姿转换   机械臂抓取  

摘要： 针对使用机器人对柔性物体进行操作的复杂任务，设计了一种简洁高效的软线抓取方法。首先利用双目相机和图像处理方法对软线进行测量，结合坐标系间的转换关系，从图像中还原了其特征点的空间坐标信息；采用Frenet标架对软线进行了建模重构，以获取软线上任意点的位置与弯曲方向信息；提出了六自由度机械臂的位姿表示及转换方法以及相机的标定流程，将曲线任意弧长处的坐标值和Frenet标架方向转换为夹爪末端的位姿参数，最后开展了目标点处沿软线弯曲方向抓取软线的地面实验，验证了方法的有效性。