基于红外感知图像与可穿戴物联网的小目标检测方法优化及系统实现

《Journal of Radiation Research and Applied Sciences》：Improved method for small target detection based on infrared sensing images and wearable IoT

本文针对红外感知图像中小目标检测存在的精度低、计算资源消耗大等问题，提出了一种结合可穿戴物联网技术的改进检测方法。通过优化图像处理流程、引入注意力机制和多传感器数据融合算法，构建了完整的检测系统，并采用自适应回归损失函数改进YOLOv5模型。实验结果表明，该方法显著提升了小目标检测精度，为军事侦察、环境监测等领域的实时精准识别提供了有效技术方案。

　　

在遥感技术和物联网飞速发展的背景下，红外感知图像凭借其独特的探测能力，在小目标检测领域展现出重要应用价值。然而，小目标尺寸微小、对比度低、易受噪声干扰等特点，使得传统检测方法难以兼顾精度与效率。尤其在可穿戴设备资源受限的场景下，现有算法计算量大、能耗高的问题更为突出。如何实现高效精准的小目标检测，成为制约技术应用的瓶颈。

为解决上述问题，南京工业大学的研究团队在《Journal of Radiation Research and Applied Sciences》上发表论文，提出了一种结合红外感知图像与可穿戴物联网的改进检测方法。该研究通过系统分析遥感图像检测与可穿戴物联网技术的基本原理，聚焦物联网输入图像处理、遥感图像识别中的注意力机制、多传感器数据融合算法等关键技术，设计了完整的小目标检测方案，并引入自适应回归损失函数和多种改进算法优化检测模型。

研究团队采用了几项核心技术方法：首先，针对物联网终端资源受限的特点，利用FPGA（现场可编程门阵列）并行计算特性对卷积神经网络进行加速，通过优化网络结构和设计高效计算模块实现快速目标检测；其次，在图像识别中引入CBAM（卷积块注意力模块）结构，通过池化通道注意力模块和池化空间注意力模块提升特征提取能力；第三，采用贝叶斯推理和D-S证据理论实现多传感器数据融合，通过集成加速度计、陀螺仪等多种传感器数据构建更全面的目标特征模型；此外，还通过增加P2检测头、引入BiFPN（加权双向特征金字塔网络）结构优化YOLOv5模型的多尺度预测能力。

在系统架构设计方面，研究团队构建了包含用户层、模型训练评估层和检测效果展示层的三层系统结构。用户层通过PyQt开发图形界面，提供数据集导入、模型训练和可视化检测功能；模型训练层基于PyTorch框架实现算法设计，支持用户自定义超参数和GPU加速训练；检测展示层则实现检测结果的可视化输出和中间层特征图分析。

5.1. 系统检测精度结果分析

通过对比SSD算法在引入FPN架构前后的性能表现发现，当IOU（交并比）低于0.8时，mAP（平均精度均值）显著提升。改进后的算法对高架桥、停车场、卡车、汽车四类目标的检测精度均有提高，其中停车场目标的检测精度从0.8687提升至0.9098（IOU=0.5），验证了FPN架构在遥感目标检测中的有效性。

5.2. 数据集消融实验结果分析

通过对P2检测头、CBAM模块和BiFPN网络三种改进策略进行消融实验，在TinyPerson测试集上的结果表明：单独使用CBAM模块使mAP@0.5从22.826%提升至23.257%；单独使用BiFPN网络提升至23.721%；单独使用P2检测头提升至23.797%。而三者结合时，mAP@0.5达到25.722%，mAP@0.5:0.95达到7.703%，显著优于单一改进策略。

在验证集上的实验进一步证实了改进效果：完整模型在TinyPerson验证集上的mAP@0.5达到26.633%，较基线模型提升6.099个百分点。这表明多技术融合能有效提升小目标检测性能，且改进策略在验证集上的提升幅度大于测试集，显示出良好的泛化能力。

研究还对比了不同参数选择对检测时间的影响。基于时间模型优化的参数将检测时间从438.123ms缩短至377.929ms，证明通过卷积并行策略可有效提升物联网终端的运算效率。在损失函数优化方面，采用Smooth L1 Loss替代传统的L1、L2 Loss，结合GIoU、DIoU、CIoU等边界框回归损失函数，使模型在32000次迭代后达到收敛，平衡了训练稳定性与收敛速度。

该研究的创新性在于将红外感知技术与可穿戴物联网设备深度结合，通过算法优化和硬件加速的协同设计，解决了小目标检测在资源受限环境下的应用难题。提出的改进检测方法不仅在技术上具有创新性，在军事侦察、智能安防、环境监测等实际应用场景中也展现出广泛价值。通过多传感器数据融合和注意力机制的应用，显著提升了复杂背景下小目标的识别准确率，为遥感图像的自动化处理提供了可靠的技术支持。