关键词： 无人机   多目标跟踪   集群信息共识   协同决策   自组织  

摘要： 分布式无人集群通过自主决策与信息交互，可实现协同跟踪与动态任务分配，在复杂多变的动态目标跟踪控制场景中展现出较大的应用潜力。针对单一无人集群难以对多个分散运动的目标进行有效跟踪的挑战，提出了一种基于信息共识的集群无人机（Unmanned Aerial Vehicle, UAV）自组织动态决策方法。首先，考虑到无人机间的通信距离约束与通信时延，设计了基于最新时戳转发原则的集群信息共识算法，实现集群无人机的信息共识。其次，提出了基于求助应答的集群协同决策算法，实现了成员调配决策与自组织分组。最后，设计了基于自协调机制的目标跟踪控制算法，实现控制分量权重的自适应调整以及自组织的目标跟踪。与现有关于多目标跟踪的研究相比，本文方法可在目标跟踪过程中实现动态目标分配决策，可根据各目标的逃逸风险大小确定为各目标分配的无人机数目。仿真结果表明，所述方法可在目标分散运动时实现集群的自组织分组，分组的无差率在0.9以上。

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： 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： 算术平均融合   多扩展目标跟踪   Log-Cholesky距离   PMBM滤波器  

摘要： 在多传感器多扩展目标跟踪过程中，邻近目标由于质心距离过近导致难以准确分辨，直接采用扩展目标泊松多伯努利混合滤波算法去跟踪容易出现目标漏检情况。针对此问题，提出了一种改进算法。在多传感器信息融合阶段，基于对数-珂拉斯奇（Log-Cholesky，LC）距离提出了改进的椭圆外形度量方法，该方法不仅能够提供稳定的质心距离度量，还能够捕捉不同扩展目标外形矩阵的微小差异，实现了对不同传感器下同一扩展目标后验密度的有效关联。此外在局部传感器滤波阶段，对邻近区域内丢失目标对应的伯努利分量进行补偿，有效解决了因量测分布紧密被划分到同一子集导致的目标漏检问题。仿真结果表明，改进的算法具有良好的跟踪性能。

关键词： 桥梁预制构件   截面几何参数   尺寸识别   计算机视觉   深度学习  

摘要： 为解决现有桥梁预制构件几何参数测量方法存在效率低、依赖人工的问题，以某高速公路桥梁通用装配式预制构件为对象，基于深度学习和计算机视觉开展截面几何参数识别方法研究。首先，以所拍摄的桥梁预制构件横截面图像为对象，融合Canny算子和数学形态学方法，提取桥梁构件截面的边缘特征点。然后，以所提取图像的边缘坐标为输入，以预先确定的桥梁构件截面的控制参数为输出，建立用于预制构件横截面几何参数识别的深度学习模型，通过改变控制参数和噪声生成数据集，用于模型训练。最后，开展现场测试以验证所建立方法的精度。结果表明，建立的集成参数识别方法可以有效识别桥梁预制构件的截面几何参数，误差可控制在5%以内。

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： 车辆目标检测   YOLOv10n   C2f模块   恶劣天气  

摘要： 针对在复杂天气、恶劣天气情况下，车辆目标检测受到光照、雨雪、沙尘等因素影响，出现错检、漏检等问题，提出了一种YOLOv10-vehicle目标检测算法。首先，设计了一种新的注意力机制模块WT-PSA，在复杂天气下提高模型对于车辆目标的关注度；其次，改进了SPPF模块，通过引入平均池化操作，改善因最大池化操作导致的特征信息提取不足问题；然后，设计了改进的C2f-OD模块，提升主干网络提取图片特征信息的能力；最后，更换模型损失函数为Focal EIoU，提高收敛速度，减少损失；在车辆数据集UA-DETRAC上进行对比实验，改进后的算法的平均准确率（mAP@0.5）相较原算法提升了5.1%，表明了YOLOv10-vehicle算法在复杂天气、恶劣天气下车辆检测方面的优越性。同时在VOC公共数据集上进行实验验证，YOLOv10-vehicle算法在检测车辆目标时检测精度提高了2.8%，证明了本文改进算法的泛化性。

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： 多目标跟踪   Transformer   广视角目标捕捉   轨迹置信度建模  

摘要： 基于无人机视频的多目标跟踪是一项重要的视觉任务，具有广泛的应用前景。然而，由于无人机视角范围广、远距离小尺寸目标难以追踪且目标运动迅速，传统方法面临诸多挑战。为此，提出了一种基于Transformer技术的多目标跟踪方法，称为WideTrack。该方法设计了广视角特征融合记忆网络，以增强对远距离小尺寸目标的捕捉能力。同时，为更好地适应无人机运动特征，在滤波中引入了轨迹置信度建模。此外，通过结合运动特征提取模型和基于空间信息的WIoU匹配算法，设计了一种数据关联方法，综合目标的外观和运动信息以跟踪快速移动的目标。实验结果表明，WideTrack在VisDrone-MOT数据集上的MOTA分数较现有最优模型提高了5.3%。此外，模型在VisDrone-MOT数据集和UAVDT数据集上的处理速度分别达到每秒16帧和29帧。验证了其在无人机视频多目标跟踪任务中的有效性。

关键词： 机器视觉   碳纤维张力   图像处理   神经网络   非接触式检测  

摘要： 纤维张力是制约碳纤维产品质量的关键因素，机器视觉检测方法因模型测量极限无法精确测量碳纤维丝束微张力。在现有机器视觉张力测量模型的基础上，本文提出一种引入神经网络的机器视觉碳纤维丝束微张力分类检测方法。根据纤维图像特征改进ResNet18模型，将纤维图像分类为振动图像和下垂图像，结合图像分类结果和图像处理算法，获取横向振动模型的测量下限，引入下垂弦模型解算纤维丝束微张力。结果表明：所提方法相比于SVM、传统CNN和ResNet18模型验证集准确率分别提升了14.2%、9.2%和10.5%，图像识别时间为3.5 ms。通过图像分类实现纤维张力分段解算的方法，突破单一横向振动模型的测量下限，在1.5～3 cN微张力区间内，机器视觉测量值与张力传感器测量值相对误差降低至±10%，碳纤维丝束的下垂高度和实际张力拟合优度达0.964。该方法有效提高碳纤维丝束微张力的检测精度。