基于多模态融合与YOLOv10的无人机低空巡检道路交通目标检测算法研究开题报告.docx

PAGE

基于多模态融合与YOLOv10的无人机低空巡检道路交通目标检测算法研究开题报告

本开题报告围绕无人机低空道路交通巡检场景下的目标检测精度与算法部署适配问题，提出以YOLOv10单阶段检测框架为基线，融合可见光影像、红外热成像两类模态数据，构建轻量化、高鲁棒性的检测算法方案。研究计划通过公开数据集自建与实地采集结合的方式构建多模态样本库，完成算法改进、消融实验、实机部署验证全流程。预计形成适配无人机机载算力平台的检测模型，在复杂光照、部分遮挡场景下的小目标检测精度较基线YOLOv10提升8%以上，为低空交通巡检的工程化落地提供可复用的技术路径。

一、研究背景与现实需求

低空经济是当前国内交通与航空领域重点发展的方向，无人机凭借灵活、成本低的优势，已经在公路巡检、应急处置、交通流监测等场景大规模落地。传统人工巡检方式效率低、安全隐患多，单架次无人机巡检的道路覆盖里程是人工巡检的10倍以上，但现有机载目标检测算法在复杂环境下的表现远达不到实用要求。

道路交通巡检的实际痛点

当前无人机巡检采集的影像90%以上为可见光波段，在夜间、大雾、逆光、树荫遮挡等场景下，对事故车辆、抛洒物、行人、锥桶等目标的漏检率超过40%。红外热成像虽然可以在低光照下捕捉车辆与行人的热辐射特征，但缺乏纹理细节，对低温抛洒物、与环境温度接近的目标识别能力弱。单模态检测的固有缺陷，已经成为制约低空巡检自动