关键词： YOLOv8n   多尺度卷积   特征金字塔   轻量检测头   NWD  

摘要： 针对遥感图像中存在因背景复杂、尺度变化大、小目标密集而导致的目标检测准确率低等问题,提出了一种改进YOLOv8n的检测算法:MGL-YOLO。首先,设计MSConv减少模型参数,基于MSConv重构C2f模块,提高多尺度特征提取能力;其次,基于GLSA和GSConv模块改进Bi FPN结构,简化颈部网络,增强网络的特征处理能;在头部设计Light-head进一步轻量化模型,加强小目标特征提取能力;最后引入NWD损失函数替换原损失函数,增强对小目标的定位精度。在DIOR-R、DOTAv1.0和VEDAI数据集上验证,实验结果表明MGL-YOLO模型在DIOR-R数据集上准确率和m AP@0.5比基准模型提高了1.7%和1.3%,在DOTAv1.0数据集上提高了1.0%和1.1%,在VEDAI数据集上提高了2.4%和2.1%。参数量降低47%,计算量降低32%,与其他小目标检测算法相比也得到了较好的检测性能。

关键词： 电喷雾萃取电离源   特征提取   直线检测   区间Hough变换  

摘要： 电喷雾萃取电离源目前在诸多领域已获得了广泛的应用，但其空间位姿参数的高效测量问题仍未得到解决，基于图像处理的影像测量方法是解决此问题的首选方法，其中直线特征的提取算法非常关键。因此，提出一种基于图像处理的直线特征提取方法，将电喷雾萃取电离源图像转换到灰度空间进行Otsu阈值分割和二值化处理；采用分水岭算法对图像进行形态学运算以去除像素点过曝区，再经过高斯滤波后进行Canny边缘检测；在直线检测阶段，提出一种区间Hough直线检测算法，重新定义了标准Hough直线检测的角度累加器，成功提取得到电喷雾萃取电离源的两边缘直线特征。实验结果显示，相较于标准Hough直线检测算法，区间Hough直线检测算法的平均检测速率提升至4.95倍，检测准确率提升至1.99倍。结果表明该方法具有较高的检测效率和准确率，能够满足电喷雾萃取电离源直线特征提取的需求。

关键词： 激光雷达   三维目标检测   通道注意力   空间注意力   点云自注意力  

摘要： 针对目前基于点与体素混合的激光雷达三维目标检测算法对小目标检测性能差的问题，提出一种基于多注意力机制的三维目标检测算法（MA-RCNN）；以PV-RCNN为基准算法，首先引入通道注意力机制处理体素被压缩后的鸟瞰图特征，从而使空间信息扩散到特征通道层次；其次引入空间注意力机制来放大局部重要信息，从而增强特征的表达能力；然后在细化候选框网络中设计点云自注意力机制来构建关键点之间的相互关系，从而增强算法对空间结构的理解能力；在KITTI数据集中的实验结果表明，相比于基准算法，MA-RCNN对小目标的行人和骑行者的平均精度均值分别提高3.20百分点和1.64百分点，表明其有效性。相比于目前主流的三维目标检测算法，MA-RCNN仍达到较好的检测性能，表明其先进性。将MA-RCNN部署在实车硬件平台进行在线检测，结果验证了其工业价值。

关键词： 预成端盒   目标检测   目标识别   实例分割   模板匹配  

摘要： 预成端盒是一种连接和管理光纤网络物理分布的重要光传输设备,现阶段对该类设备的巡检主要依赖人工完成.为了降本增效,亟需上线智能化巡检方式.然而,受制于设备部署场景复杂的光照条件、多样的端口连纤状态及遮挡问题,利用现有的图像识别技术对端口信息(端口连纤状态和连纤条码信息)进行自动化识别具有极大的难度:既难以保证端口信息识别的精度,又难以将识别结果与其实际物理位置相匹配.为此,提出基于空间匹配校准的预成端盒端口信息自动化识别方法,包括:基于空间多尺度匹配和多角度补偿的端口状态识别和校准方法,采用多尺度模板校准算法自适应地匹配端口实例的状态信息及其物理位置,并设计多角度补偿方案完成端口的校准识别;基于自适应矫正与动态极小值匹配的光纤尾端条码信息识别方法,自动检测条码成像姿态并有效切割和识别条码,利用动态极小值匹配算法进行空间匹配校准,实现连纤端口的条码信息识别.构建一个真实数据集,并基于此进行大量实验,实验表明所提出的方法在端口信息的识别精度和效率上均优于同类应用场景;同时,将所提出的方案在移动设备上进行部署测试,可实现准确高效的预成端盒端口信息自动化识别.

关键词： 深度学习   目标检测   算法设计   Bi-LSTM   变电站   违章识别  

摘要： 为了提高变电工程施工现场的安全管控水平，基于视频采集、环境监测、大屏展示、视频存储服务器、智能监管平台服务器等应用场景设计智能视频监控算法。所提算法可以抽象为一个融合卷积计算、池化运算及Softmax分类器的深度神经网络，能快速、准确地将低级别的特征图替换为高级别，进而实现对作业现场典型违章行为的识别。此外考虑到采集视频帧的时效性，算法引入双向长短期记忆网络来替代传统深度网络中的全连接层，在提升特征提取效率的同时，还避免了网络训练的梯度消失现象。实地部署测试结果表明，所设计的算法不仅可以完成多个目标的智能检测，且算法的整体mAP可达96.23%,较传统的CNN提升约3.74个百分点。

关键词： 城市轨道交通   障碍物检测   计算机视觉  

摘要： 本文针对城市轨道交通因轨行区障碍物而影响行车安全问题，提出了一种应用于轨道交通的基于计算机视觉的障碍物识别系统。通过对轨行区障碍物种类、分布特点的分析，介绍了该识别系统的应用特点及工作原理、流程，并以厦门轨道交通1号线试车线为实验场地，分别对多个尺寸、类型的遗留物进行了实验测试。测试表明，该系统在一定条件下，对障碍物的识别具有良好的效果。

关键词： 显著性目标检测   低光照场景   无源领域自适应   伪标签   教师-学生网络   集合熵最小化   选择性投票  

摘要： 为了解决低光照条件下校园环境等场景监控摄像头图像质量和监控效果受影响而带来的安全问题，提出一种低光照显著性目标检测（SOD）方法，以提高低光照条件下目标检测能力。针对低光照条件下图像的显著性特征弱化和缺乏大规模标注数据的问题，提出一种无源领域自适应（SFDA）方法，将正常光照图像（源域）下训练的模型知识迁移至低光照条件图像（目标域）。该方法采用两阶段策略：在第一阶段，利用源域模型生成低光照图像的伪标签，为提高伪标签生成的质量，提出集合熵最小化损失抑制高熵区域，同时引入选择性投票方法来增强伪标签的生成；在第二阶段，采用基于增强引导一致性的教师-学生网络自训练方法对显著图进行精细化，进一步提高检测结果的精度。在SOD-LL数据集上的实验结果表明，所提出的方法在低光照场景下总体性能优于其他图像显著性检测方法，相较于正常光照的SOD方法，其平均绝对误差（MAE）降低15.15%,加权F1值（wFm）提高4.73%。

关键词： 弯曲   大豆   主茎骨架   目标检测   株高测量  

摘要： 准确测量大豆的生理株高是大豆考种的重要任务之一。传统基于计算机视觉的株高测量通常采用植株端点的直线长度或对植株进行像素分割等方法，存在茎秆自然弯曲的生理株高测量误差大、数据标注成本高等问题。本研究提出了一种利用改进的YOLOv8n模型重构弯曲大豆主茎骨架实现生理株高的准确测量的方法。在原有YOLOv8n模型的基础上引入CA注意力机制(Coordinate Attention)、融合小目标检测层实现对主茎节点的检测获取其位置信息，再使用YOLOv8n-seg模型实现根部分割获取根茎交界点的位置信息从而排除根部长度影响，最后根据植株的生长方向结合主茎节点和根茎交界点的位置信息构建大豆植株主茎骨架，利用其能够准确反映生理株高的形态信息提高测量的精度。试验结果表明，改进的YOLOv8n模型的平均精度值为91.52%,较原始网络提升了2.09百分点，YOLOv8n-seg模型的平均精度值为95.54%,可实现大豆植株主茎骨架的高精度重构，重构大豆主茎骨架实现生理株高测量的平均绝对误差为1.67 cm,均方根误差为1.91 cm,平均绝对百分比误差为3.25%,与测量检测框长度推算弯曲大豆生理株高相比平均绝对百分比误差下降了8.46百分点，更适合于大豆生理株高测量。研究结果表明，该方法能获得准确的大豆生理株高测量结果，可为大豆智能考种提供方法与技术支撑。

关键词： 纸张质量   图像处理   计算机视觉技术  

摘要： 纸张质量检测作为现代纸张生产中的关键环节，有助于确保产品质量和生产效率。随着造纸企业生产规模的不断扩大和质量要求的日益提高，传统的纸张质量检测方法已无法满足现有的需求。计算机视觉技术凭借其高效性和准确性成为纸张质量检测的重要技术，推动纸张质量检测技术向数字化、智能化方向发展，以期实现更高效、更可靠的质量控制与管理。

关键词： 深度学习   特征融合   目标跟踪   模板更新   注意力机制   多尺度结构   单流框架  

摘要： 为解决目前基于Transformer的目标跟踪算法采用单一注意力机制，难以有效区分背景和目标的优先级，以及全局注意力操作导致计算负担过重的问题，提出一种基于双层路由注意力的目标跟踪算法。双层路由注意力特征融合模块将单一注意力分为两个层次，上层对图像的区域特征进行相似度筛选，下层对筛选出的区域进行注意力计算。所提算法在LaSOT、GOT-10K、OTB100多个数据集上进行对比实验，实验结果表明，所提算法跟踪表现优良，性能优于现有的多个跟踪器。