在高等教育与科研创新的前沿领域，安徽大学电气工程与自动化学院教师竺德凭借其在教学指导与学术研究中的双重突破，成为智能汽车技术与目标检测算法领域的标杆人物。他不仅带领学生团队在全国大学生智能汽车竞赛中斩获多项大奖，更在变电站设备红外图像识别领域提出创新算法，为电力行业智能化巡检提供了技术支撑。
一、竞赛指导：从实验室到全国总决赛的跨越
在全国大学生智能汽车竞赛的赛场上，竺德以指导教师的身份，带领两支学生团队——“安大5G 2队”与”安大Rose1队”——实现了从区域赛到全国总决赛的跨越。其中，”安大5G 2队”在2025年12月28日于济南举办的全国总决赛中，凭借5G通信、远程控制与无人驾驶系统集成的技术优势，以总分第一的成绩夺得室外赛全国一等奖；而”安大Rose1队”则在安徽省赛中以创新性的路径规划算法获得二等奖。
1. 技术整合：5G与无人驾驶的系统级创新
竺德团队在竞赛中突破了传统智能汽车”单车智能”的局限，将5G通信的低时延特性与远程控制技术深度融合。例如，在”安大5G 2队”的方案中，车辆通过5G基站实现与云端控制中心的实时数据交互，云端算法根据环境感知模块传回的图像与点云数据，动态调整车辆的行驶策略。这种”车-云-边”协同架构，使车辆在复杂路况下的决策响应速度提升40%，同时降低了车载计算设备的硬件成本。
2. 团队协作：跨学科人才的融合实践
竺德在团队组建中强调”电气工程+计算机科学+自动化”的跨学科背景。例如，”安大5G 2队”的5名成员分别来自自动化、通信工程与软件工程专业，其中队长负责系统架构设计，两名成员专注5G通信协议优化，另两名成员开发基于深度学习的环境感知算法。竺德通过每周两次的联合例会与代码审查机制，确保各模块的技术接口与开发进度高度同步。
3. 竞赛成果的行业影响
该团队的竞赛方案已被某电力巡检企业采纳为技术原型，其5G远程控制模块经适配后，应用于变电站无人巡检车的开发。据实测数据，采用该技术的巡检车在复杂天气下的设备识别准确率达98.7%，较传统方案提升22个百分点。
二、科研突破：CA-YOLOv8算法在电力巡检中的应用
在学术研究领域，竺德作为合作作者在《红外技术》期刊2025年第9期发表的论文《基于CA-YOLOv8的目标检测算法研究》，针对变电站红外图像中设备识别精度低、误检率高的痛点，提出了创新性解决方案。
1. 算法创新：CA模块与SIoU损失函数的协同优化
传统YOLOv8算法在红外图像处理中存在两大缺陷：一是特征提取网络对小目标设备的敏感性不足；二是边界框回归损失函数在设备重叠场景下的收敛速度慢。竺德团队通过引入改进的坐标注意力（CA）模块，使模型能够动态聚焦于红外图像中温度异常区域，同时采用SIoU损失函数替代传统IoU损失，将边界框回归的收敛速度提升35%。
2. 实测验证：变电站场景下的性能对比
在某500kV变电站的红外图像数据集（包含2.3万张标注图像）上，CA-YOLOv8算法的mAP（平均精度）达96.2%，较YOLOv8-base模型提升8.1个百分点；在设备重叠率超过40%的复杂场景中，误检率从12.3%降至3.7%。例如，对于直径仅15cm的绝缘子串，算法能够准确识别其表面污秽导致的温度异常，识别距离较传统方法延长2倍。
3. 行业落地：电力巡检机器人的核心算法
该研究成果已被纳入某省级电力公司的智能巡检系统标准，其算法模块通过容器化部署于边缘计算设备，支持实时处理8K分辨率的红外图像流。据统计，采用CA-YOLOv8算法的巡检机器人单日可完成120个设备的缺陷检测，效率较人工巡检提升15倍。
三、教学理念：竞赛与科研的双向赋能
竺德在教学中倡导”以赛促研、以研反哺赛”的闭环模式。例如，他将竞赛中积累的5G通信经验应用于目标检测算法的分布式训练，通过将数据集分割至多台边缘设备并行处理，使模型训练时间从72小时缩短至18小时；同时，科研中开发的轻量化网络结构又被优化为竞赛车辆的嵌入式算法，使车载计算设备的功耗降低60%。
这种双向赋能机制不仅提升了学生的工程实践能力，更推动了学术研究的场景化落地。据统计，竺德指导的学生团队中，85%的成员在毕业后进入智能汽车、电力自动化等领域的技术岗位，其中12%的学生继续深造攻读博士学位。
从智能汽车竞赛的全国冠军到电力巡检算法的行业突破，竺德的研究与实践始终围绕”技术落地”这一核心。其提出的5G-无人驾驶协同架构与CA-YOLOv8目标检测算法，不仅为高等教育提供了产学研融合的典范，更为能源、交通等关键行业的智能化转型提供了可复制的技术路径。未来，随着边缘计算与大模型技术的融合，竺德团队的研究或将进一步拓展至动态环境下的多模态感知与决策领域，为智能系统赋予更强的环境适应能力。