关键词： 无人机检测   无人机跟瞄   机器视觉   目标检测   深度学习   嵌入式部署   YOLOv8  

摘要： 无人机因其多功能性和经济效益,在众多民用领域中得到了广泛应用。然而无人机的发展增加了对强大的反无人机系统的需求。作为反制的首要环节,如何快速、有效地检测、跟瞄目标无人机具有重要意义。基于视觉检测的低成本和易部署优势,本研究提出了一种基于机器视觉的轻量级无人机跟踪与瞄准系统,并针对无人机视觉检测中的数据集缺乏、小目标检测难、嵌入式平台部署及检测范围扩展四个问题进行研究,具体包括以下方面: (1)数据集构建与算法分析:针对无人机检测领域缺少数据集的问题,本研究构建了一个包含10800张图像及其标注文件的高质量数据集。这些图像由4K分辨率高清相机拍摄,涵盖了多样化的拍摄角度、背景、光照条件和飞行高度,确保了数据的多样性和代表性。无人机的相对距离范围为5至200米,飞行高度在0至100米之间。此外,基于该数据集,本研究使用七种典型深度学习算法进行实验,探究拍摄角度、图像灰度、目标尺度及训练-测试图像分辨率对算法表现的影响。实验结果表明,拍摄角度、目标尺度、图像灰度及分辨率对算法性能有显著影响,且大多数算法在小目标检测方面存在较大困难。 (2)YOLO-Drone算法优化:为解决小目标检测的难题,本研究提出了一种名为YOLO-Drone的改进算法。该算法引入多尺度密集连接以提高小目标的检测效果。同时,为避免改进带来的计算量和参数增多,采用多层共享检测头以减少YOLOv8解耦头的参数和计算量。实验表明,YOLO-Drone算法在精度上较基准模型YOLOv8n提升了0.1%,召回率提高19%,mAP50提升9.6%,mAP50:95提升6.7%,检测头参数减少80%。 (3)嵌入式端优化与加速:为保证YOLO-Drone在算力有限的嵌入式设备上依然具备高精度和快速检测能力,本研究在服务器端采用LAMP剪枝以进一步减少算法的参数和计算量,同时引入基于响应的知识蒸馏方法以弥补剪枝带来的性能损失。实验结果显示,剪枝后模型的参数减少88%,计算量降低40%,且性能下降不超过1.1%。与其他深度学习模型相比,YOLO-Drone在小目标检测方面表现最佳,推理速度居于第二。最终,嵌入式端使用TensorRT进一步加速YOLO-Drone的运行,实验表明加速效果超过50%,模型在嵌入式设备上实现了14.7ms的推理延迟,满足实时检测需求。 (4)云台相机跟踪系统:为扩大固定相机的检测范围,本研究设计了一种云台相机跟踪系统,成功实现了地面云台相机对无人机的跟瞄功能。系统利用YOLODrone检测算法获得的目标坐标,计算视野中心与无人机之间的偏差角度,通过伺服电机控制云台调整角度,以消除偏差,确保无人机始终位于相机视野中心。该跟踪技术显著提升了无人机检测的灵活性和效率,使其不再受限于固定角度或背景。实验表明,在测试环境下,该系统在7-66米的有效跟踪距离内,能够跟踪的目标无人机最大横向速度为53.6 km/h,最大纵向速度为18 km/h。 最后,本文对研究内容进行了总结,并对未来研究方向进行了展望。

关键词： 电力载波   PLC   地址编码   图像处理   DMX   归零码   LED  

摘要： 本文主要阐述了电力载波通信(Power Line Communication, PLC)在LED灯具中的应用原理，并详细介绍了一种新的编码方式，实现高效的LED灯具重新排序，让杂乱的LED实现有序的组合，实现不规则布局下的灯光控制。

关键词： 机器视觉   目标检测   深度学习   可编程逻辑控制器(PLC)  

摘要： 采用低成本硬件结合Python软件与可编程逻辑控制器（PLC）通信动态采集图片，使用深度学习算法来训练模型，实现装配孔的智能化检测；对装配孔下方的胶条，利用计算机视觉来检测与装配孔之间的距离，从而判断门槛胶是否粘连或堵塞装配孔。该检测系统具有算法简单、检测性能优越、硬件要求低等特点，对门槛胶状态自动检测和生产制造数字化工作有一定促进作用。

关键词： 道路工程   落石检测   Yolov8   轻量化模型   注意力机制   目标检测  

摘要： 为确保道路交通安全、及时检测并预警滚落到公路上的落石，构建面向落石灾害的数据集，设计一套基于机器视觉的落石检测系统，并提出一种改进的YOLOv8算法（YOLOv8-GCB）,该算法在提升检测精度的同时，优化模型计算效率，便于部署于边缘计算设备。首先，在YOLOv8-GCB算法中设计幻影主干网络，将主干网络中的普通卷积单元替换为幻影卷积单元，降低模型的参数量和计算复杂度，提升模型在低算力设备上的运行效率。其次，在主干网络中引入通道空间混合注意力机制，使模型能够更好地关注落石的关键特征，增强对复杂背景的适应能力。最后，设计跨越加权融合网络，将跨越连接和加权融合的思想融入到特征融合网络中，进一步提升模型对不同尺度落石目标的检测性能，并与YOLOv8算法进行对比试验。研究结果表明：YOLOv8-GCB算法的平均精度在AP@0.5上提高了1.2%,在AP@0.75上提升了1.1%,模型参数量下降了14.1%,模型计算量下降了16.1%;上述改进为边缘设备在有限算力条件下实现公路落石灾害的智能检测提供了可行的技术解决方案，在确保检测精度的同时，有效兼顾了实时性与资源受限的双重约束，为公路落石灾害的智能化监测与预警奠定了技术基础。

关键词： 数字图像处理   新工科   课程思政  

摘要： 在新工科建设的背景下，本文旨在探讨如何在数字图像处理课程中运用模块化设计理念，深入挖掘各章节中的思想政治教育元素。通过在关键章节中巧妙地融入思想政治教育的相关案例，例如诺贝尔奖中数字图像处理的应用实例、“嫦娥工程”的伟大成就、李德仁院士的科研创新精神以及傅里叶变换所体现的科学精神等，旨在有效提升学生的社会责任感，并实现知识传授与价值引领的有机结合。

关键词： 水表读数   图像处理   目标检测   YOLOv8   GMSC   LSKA   ShapeIoU  

摘要： 随着我国老龄化趋势的加剧,智慧居家养老服务需求显著增加。该服务结合了物联网和大数据技术,以实现个性化、便捷和安全的居家养老方案。其中,自动用水监测是智慧居家养老服务中重要的一环,它通过拍摄并识别水表图像,记录老年人的用水情况,从而预防潜在的健康问题或突发情况。但由于水表管道排列杂乱,导致拍摄的水表图像出现倾斜、模糊、半字等问题,加之表盘兼具指针和数字示数,进一步增加了水表图像识别的难度。为此,本文把水表读数识别分为水表字符读数识别和水表指针读数识别。 本文把水表字符读数识别看作目标检测任务,通过目标检测算法输出的预测框信息,提取水表读数,并建立了水表数据集,优化了算法结构。选用YOLOv8n作为基准模型,提出一种基于分组多尺度卷积的目标检测算法:GMS-YOLO。首先,采用分组多尺度卷积(GMSC)替换了Bottleneck模块中的卷积,增强模型特征提取能力。其次,将大核可分离注意力(LSKA)引入SPPF模块,提高对细小特征的感知能力。最后,选用Shape IoU作为边界框损失函数,提高模型定位能力。在水表图像数据集进行测试,GMS-YOLO的m AP@0.5达到了92.4%,精确率达到了93.2%,相较于YOLOv8n提升了2.0%和2.1%。 针对水表指针读数的识别,本文采用了传统图像处理算法进行研究。首先,采用灰度化、滤波去噪、锐化等图像预处理方式增强图像中表盘和子表盘的边缘轮廓。其次,利用Hough圆检测分割出表盘和子表盘,并对倾斜的表盘采用仿射变换进行校正。再结合Canny边缘检测和形态学处理分割出指针形状。最后,通过指针轮廓的坐标集合计算指针重心和指针尖点,确认指针指向和偏移角度,进而获取指针读数。为了验证算法的鲁棒性,进行了一系列的复杂性测试。

关键词： 图像处理   图像增强   伽马校正   曲线调整   图像融合  

摘要： 针对夜间、逆光、恶劣天气等条件下图像通常存在亮度低、对比度低和细节匮乏等问题，提出一种非线性自适应暗部细节增强算法，用于低光照图像的自适应增强。首先，为保持图像色彩的真实性，将原始图像转换至HSV空间，并提取亮度分量V；针对低光照图像亮度不足且对比度较低的特性，采用改进伽马校正算法对图像进行自适应亮度调整；随后结合低通滤波算法，提出亮度自适应对比度增强算法，对高频细节部分进行自适应增强，凸显暗部区域的纹理和边缘信息；最后，提出一种亮度引导的自适应图像融合算法保证高光区域的边缘细节，避免过曝。实验结果表明，所提算法能够更好地适应低光照环境的图像特性，不仅有效提高了低光照图像的亮度和对比度，而且在保留色彩真实性的同时，凸显了暗部细节。

关键词： 图像处理   深度学习   无人机   安防系统  

摘要： 阐述深度学习原理及其在图像处理中的优势，分析无人机安防系统的设计与实现，包括数据采集与处理、模型训练与优化等。实验验证表明，该系统显著提高了目标识别与跟踪的准确率。

关键词： 无人机航拍   小目标检测   深度学习   YOLOv8-n   特征融合  

摘要： 为有效应对无人机目标侦测失误和侦测遗漏等情况，提出基于YOLOv8的改进模型EED-YOLO.该模型通过设计多尺度特征融合网络结构，将不同层次的特征信息进行融合，提升模型对不同尺寸目标的检测能力.添加第四侦测头，增强对小目标的识别能力；使用EIoU替代CIoU,进一步细化预测框的质量考核标准；将ECA模块引入颈部结构，专注于捕捉通道间的动态依赖关系.在VisDrone2019数据集上，改进后的航拍检测模型mAP50提升4%及mAP50-95提升2.7%.

关键词： 遥感图像   目标检测   上下文感知   特征融合  

摘要： 针对遥感图像目标检测过程中，目标背景区域复杂、小目标特征信息过少等因素造成漏检和检测精度不高的问题，提出一种基于上下文感知与稀疏特征融合的遥感图像检测方法。首先，设计了一种上下文感知单元，在特征提取过程中挖掘空间方向的上下文特征信息，增强对小目标特征的捕获能力。其次，提出一种稀疏特征融合策略，通过学习稀疏表示，引导网络中的浅层特征与深层特征进行更有效的特征融合。最后，在网络颈部引入Slim-Neck设计范式减轻网络模型复杂度。实验结果表明，在NWPU VHR-10和DIOR遥感数据集上，所提方法的计算量和参数量分别比YOLOv8s降低3.1%和6.3%，检测精度分别提升1.6百分点和2.6百分点。与当前主流的6种检测方法相比，所提方法表现更好。