关键词： 目标检测   无人机   航拍图像   深度学习  

摘要： 近年来，无人机凭借其卓越的灵活性、机动性以及对目标的精准感知能力，在众多领域发挥着重要作用，将基于深度学习的目标检测方法与无人机系统相结合，已成为当前研究和应用的焦点之一。然而，在实际模型部署和检测过程中，无人机系统往往易受到计算资源限制、复杂背景干扰以及图像分辨率不足等因素的影响，导致模型性能下降，难以实现高效准确的检测任务。鉴于此，本文首先系统阐述了无人机航拍图像目标检测领域所面临的难点与挑战。随后，针对上述问题，重点综述了基于深度学习的检测方法和优化策略。其次，对现有的航拍图像数据集及其特性进行详细概述，为后续研究提供数据支持。最后，总结展望该领域在未来的研究方向和发展趋势，指出亟需深入探究的关键问题，以期为后续研究提供有益的参考和指导。

关键词： 图像处理   图像去雾   卷积神经网络   边缘先验   特征融合  

摘要： 针对卷积神经网络图像去雾方法在处理图像边缘纹理时出现的边缘模糊和边缘细节丢失等问题，本文提出了一种多级边缘先验信息引导的单幅图像去雾网络(EPIGN)设计方法。该设计方法集成边缘特征提取块、边缘特征融合块和去雾特征提取块，由边缘特征提取块对有雾图像进行丰富的边缘特征提取，并重建出边缘图像，由边缘特征融合块将边缘先验信息与有雾图像的上下文信息进行有效融合，再由去雾特征提取块对图像进行多尺度深度特征提取并对重要通道添加注意力机制。在RESIDE数据集上对本文方法进行了大量实验并与主流去雾方法作比较，其中室内数据集PSNR与SSIM分别达到了37.58和0.991，参数量与计算量仅为2.024M和24.84G，实验结果表明本文方法在有效去雾的同时减少了大量的参数量与计算量，具有良好的性能和边缘细节保持能力。

关键词： 目标检测   点线特征   同步定位与地图构建   动态环境   位姿估计  

摘要： 为了解决视觉SLAM系统在室内动态环境建图中存在耗时严重、动态对象干扰、特征点不足所导致实时性不高、建图精度低以及位姿估计不准确等问题，本文提出一种基于目标检测和点线特征关联的视觉SLAM算法——LDF-SLAM。针对耗时严重、动态对象干扰等问题，首先引入MobileNetV3替换YOLOv8主干网络，减少网络参数量。同时设计无参注意力增强的ResAM模块与MobileNetV3网络共同组成轻量级检测网络，增强检测网络表征能力，快速检测出动态对象。其次，融合多视图几何方法补偿过滤潜在动态特征点并剔除，利用剩余静态特征点构建稠密点云地图，提高SLAM系统建图精度。此外，针对静态特征点不足导致位姿估计不准确的问题，提出一种融合FLD线特征提取方法，以提升位姿估计准确度。同时设计线段长度抑制来保证系统实时性，提高视觉SLAM系统的鲁棒性。在TUM数据集和Bonn数据集上进行实验，实验表明LDF-SLAM的绝对轨迹误差RMSE均有所下降，且小于其他主流SLAM算法，显著提高SLAM系统在动态环境中的鲁棒性和准确性。

关键词： 激光选区熔化   深度学习   铺粉异常检测   图像处理   实时监控  

摘要： 本文提出了一种创新的基于深度学习的激光选区熔化（SLM）铺粉状态识别方法，以应对传统铺粉异常检测方法中效率低下和精度有限的问题。通过模拟五种常见的铺粉状态（正常铺粉、划痕、铺粉不均匀、粉末不足和粉末过多），构建了一个包含1327张多角度图像的数据集。采用VGG-16、ResNet-101和EfficientNetV2-XL三种深度学习模型进行训练和测试。实验结果表明，该方法在实时检测铺粉异常方面相比传统方法具有显著优势。其中，VGG-16模型在保持高精度的同时推理速度最快，达到68.24 FPS，适合工业实时监控应用；而Res Net-101和EfficientNetV2-XL模型则在处理更复杂的异常类型（如铺粉不均匀）时表现更为出色，但推理速度相对较慢。基于Grad-CAM技术的注意力区域分析显示，VGG-16更适合检测局部异常，而ResNet-101和EfficientNetV2-XL在处理复杂背景和大范围异常上具有优势。通过多角度图像数据集的构建和深度学习模型的比较分析，为SLM工艺的实时质量监控提供了新的解决方案，并为未来的模型优化和多模态传感器集成应用指明了方向。

关键词： SAR图像   船舶检测   注意力机制   特征融合   微小目标检测  

摘要： 近年来，卷积神经网络在合成孔径雷达（synthetic aperture radar， SAR）图像船舶检测中取得了突出成就，但小目标检测方面仍然存在较大不足。本文提出了一种基于YOLOv5的改进检测网络，结合通道注意力、自注意力机制和上下文特征融合策略，以提高小型船舶的检测性能。首先，通道注意力机制抑制了背景信息并强调目标特征，显著提高检测精度。其次，在YOLOv5的骨干网络和检测层中引入自注意力模块，以捕获全局信息，增强定位能力。最后，通过融合浅层和深层特征，补充特征提取中丢失的小目标信息，进一步提高检测精度。基于LS-SSDDv1.0数据集的实验结果表明，改进后的网络的全类平均精度(mean average precision，mAP)指标达78.9%，显著优于现有方法。

关键词： 山体滑坡   目标检测   VanillaNet   动态检测头   全局通道剪枝  

摘要： 山体滑坡实时检测对于减少人员伤亡和财产损失至关重要。为了解决传统图像识别方法在滑坡监测中的时间滞后和误判问题，本研究构建了一个多域数据集，以增强对山体滑坡和沙尘暴视觉特征的理解，并提出一种山体滑坡自动检测模型PE-Net。该模型基于改进的VanillaNet网络，结合动态多头注意力检测模块，显著提高了山体滑坡场景的视觉感知能力。此外，采用PAGCP（Performance-aware Approximation of Global Channel Pruning）全局通道剪枝算法对该模型进行了压缩，以适应嵌入式部署。实验结果表明，所提出的模型在达到实时检测的前提下，显著提高了山体滑坡场景检测的准确性，对山体滑坡自然灾害监测与预警具有参考价值。

关键词： 交互式多模型   马尔可夫转移概率   机动目标跟踪   先验信息  

摘要： 针对交互式多模型滤波算法应对强机动目标跟踪过程存在响应滞后、精度偏低的问题，本文提出了由空中目标战术机动先验辅助的层次性交互多模跟踪方法。所提方法利用隐马尔可夫模型，对目标机动轨迹分段地进行战术类别的识别、战术状态的区分，建模了不同战术下的机动模型转移矩阵，由此实现了战术机动似然概率与交互多模机动似然概率的有效交互，构建了双层交互式多模型跟踪算法。实验考虑复杂战术意图下空中目标机动轨迹，表明所提算法结合战术机动先验有效解决了状态估计精度与机动转移响应时效之间的矛盾，明显改善了机动目标跟踪精度。

关键词： 结构健康监测   变形识别   层间位移   计算机视觉  

摘要： 通过基于计算机视觉的接触式位移识别技术分析结构振动视频来捕捉结构层间位移响应，可以解决极端荷载作用下结构层间位移观测困难的问题。结合结构层间变形机理与多特征检测算法，提出了结构弯剪耦合变形识别方法，并在理论中验证了此方法均在结构发生多种变形情况下的适用性。该方法利用倾角仪数据与视觉识别结果计算得到结构的层间位移、有害层间位移、无害层间位移及部分位移在总位移中的占比，并在缩尺模型振动台试验中验证了该方法的准确性与有效性。研究结果表明，此方法可用于建筑结构在地震过程中的关键变形监测，即通过结构不同层间变形成分的比例可以准确判断结构各层实际受力状态。该方法通过多数据计算显著提高了层间位移的识别精度，为建筑层间受力状态评估提供了重要依据。

关键词： 计算机视觉   监测   密度   热压   定向刨花板   断面密度梯度  

摘要： 【目的】断面密度梯度（VDP）是影响定向刨花板物理力学性能的重要因素。为了快速地实时获取热压过程中定向刨花板的VDP，基于计算机视觉构建高效的VDP在线监测方法。【方法】利用计算机视觉快速准确地识别标记刨花，并构建VDP在线监测方法。在实验室制备陡峭型和平坦型两种VDP的定向刨花板，在热压过程中采用VDP在线监测方法跟踪记录标记刨花位置并计算压缩比例，使用热敏电阻同步记录板坯表芯层温度，将压缩比例、区域密度的实际结果与监测结果对比，以验证该技术的可靠性。【结果】（1）基于计算机视觉开发了一种在线监测定向刨花板VDP的方法，该方法具有快速、准确、数据完整的特点；（2）板坯瞬时平均压缩比例与标记刨花的瞬时平均压缩比例的相关系数均值大于0.990，区域密度的预测值和实际值的相关系数大于0.840，说明VDP在线监测方法能够准确获得瞬时压缩比例和板坯区域密度；（3）该监测方法能够直观反映热压过程中VDP的形成过程，为解译VDP的形成原理提供新的技术手段。【结论】本研究基于计算机视觉开发了一种快速准确监测定向刨花板VDP的方法。计算机视觉的应用可以为人造板的生产优化提供新的技术支撑和新的选择。

关键词： 人工智能   YOLO系列算法   电力行业   目标检测   改进模型   未来趋势  

摘要： 为了研究你只看一次(you only look once,YOLO)系列算法在电力行业目标检测领域的应用情况,分析其未来在该行业的发展趋势。首先分析了较新的YOLO版本10(YOLO version 10,YOLOv10)算法的网络结构,然后探讨了YOLO系列算法在电力行业从发电、输电、变电到用电环节中目标检测的应用,最后从潜在改进方向、与大模型的融合2方面分析了YOLO系列算法的发展趋势。研究发现,YOLO系列算法在检测速度和精度方面取得了明显进展,特别是在电力行业的缺陷检测、故障检测、设备监控、智慧管理、安全监测等方面表现出极大的潜力;但在复杂背景下,该系列算法仍存在检测精度不高的问题。YOLO系列算法要在电力行业中实现更广泛的应用,还需进一步优化算法的速度与精度以应对实际应用中的挑战。