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

PAGE

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

摘要

本开题报告面向2027届人工智能专业本科毕业论文（设计），以城郊快速路与乡镇主干道的无人机低空巡检场景为对象，提出基于多模态融合与YOLOv10的小目标检测算法改进方案。针对现有可见光航拍数据在夜间、雨雾环境下漏检率偏高、道路沿线小目标置信度偏低、模型推理速度难以适配机载边缘设备等问题，设计可见光与红外图像跨模态融合、小目标检测头适配、轻量化剪枝优化的技术路线。研究周期覆盖2026年11月至2027年5月，共设7个里程碑节点，[已脱敏]，同时保持单帧推理时间低于15毫秒，形成可落地的巡检目标检测原型系统。

研究背景与现实问题

无人机低空巡检是当前城郊道路、乡镇公路日常运维的重要技术手段。传统人工巡检依赖地面巡查车与路勤人员，单次覆盖30公里双向快速路通常需要4至6小时，遇到拥堵、事故、路侧设施损坏时响应延迟普遍超过20分钟。搭载可见光相机的消费级无人机将单公里巡检成本压低至人工方式的15%至20%，但在实际作业中存在三个长期未解决的痛点。

第一是夜间与恶劣天气下的检测失效。普通可见光传感器在照度低于5lux的环境下，对道路上的行人、锥桶、抛洒物等小目标的成像信噪比大幅下降，YOLO系列基线模型在夜间航拍帧上的漏检率可超过35%。第二是小目标召回率不足。无人机作业高度通常在80至12