关键词： 木材缺陷检测   YOLO   目标检测   缺陷权重   模糊综合评价  

摘要： 针对当前竹木加工机械性能不足及竹木材料固有缺陷所导致的加工成品质量不稳定问题，聚焦于木材智能制造过程中的缺陷检测关键技术，提出了一种基于改进YOLO(You Only Look Once)目标检测算法的集成化质量评估系统。该系统创新性地引入了多参数缺陷权重机制，通过量化分析缺陷尺寸、缺陷特征及缺陷严重性等关键指标，构建了基于模糊综合评价的木材质量分级模型。实验结果表明：该系统能够有效地将木材产品划分为优等品（A级）、良品/合格品（B级）及不合格品（C级）3个等级。在Plywood木材缺陷数据集上，实现了91.3%的全类别平均精度均值（mean Average Precision@0.5, mAP@0.5），其动态权重分级策略与人工评估结果的误差低于5%（欧氏距离0.063，杰卡德指数0.892），为木材智能制造提供了高效、可扩展的质量评估范式，具备显著的工程应用价值。

关键词： 综采工作面   图像处理   三维动态电子围栏   目标识别   异常检测  

摘要： 煤矿井下综采工作面尘雾复杂、光照多变，导致图像感知性能下降，影响智能监测系统的稳定运行。传统二维电子围栏方法存在空间适应性差、三维深度信息缺失、误检、漏检率高等问题，难以实现对矿井人员入侵的精准识别与预警。为提升图像质量与空间感知能力，研究提出融合暗通道先验与改进限制对比度自适应直方图均衡化（CLAHE）的图像预处理方法，实现环境光照精确估算与尘雾图像增强。针对二维电子围栏识别精度低的问题，通过建立MSS-YOLO（MSEE SCDH SPSC-YOLO）的井下目标关键点检测算法，结合FE-SGBM(Feature-Enhanced Semi-Global Matching)双目立体视觉匹配模型获得拖缆槽关键点检测与空间深度信息感知，实现基于拖缆槽关键特征点的三维动态电子围栏构建。进一步引入基于Unity3D的矿井人员与三维动态电子围栏虚拟碰撞检测方法，搭建综采工作面人员入侵检测预警系统，实现综采工作面矿井人员精准检测与异常预警。实验结果表明，该系统在尘雾、光照变化等复杂环境下人员误检率仅为4.56%，虚拟平台对人员入侵危险区域的碰撞预警帧匹配率为94.4%，处于危险区域内报警帧匹配率为98.5%，具有良好的识别准确性与实时性。该研究为煤矿智能化综采工作面三维安全预警系统的构建提供了可行路径与技术支撑。

关键词： 目标检测   YOLOv11   选择性特征融合   边缘特征选择   轻量化  

摘要： 在真实棉田环境中，棉花目标呈现多尺度密集分布，不同尺寸目标在特征表达上差异较大，且复杂背景与枝叶遮挡易导致边缘退化与特征残缺，以上因素共同加剧了检测过程中的误检、漏检与定位不准等问题。为此，本文改进YOLOv11设计了一种轻量级棉花检测算法MFDF-YOLO，以提升复杂场景下的检测性能。该算法设计多尺度边缘特征选择模块（C3k2-MSEFS），通过多尺度边缘特征增强与双域选择机制强化高频边缘信息并抑制背景信息，从而增强对多尺度目标的感知与定位能力；其次，利用上下文锚点注意力机制（CAA）改进高级筛选特征金字塔网络（HSFPN）并重构颈部网络，保持多尺度特征融合过程中的小目标和遮挡目标响应；最后，设计轻量高效检测头（LEDH），采用分组卷积与参数共享的精简结构，在显著降低计算量的同时提高目标检测精度。于自建棉花数据集上的实验结果表明，MFDF-YOLO较基线模型的mAP@0.5指标提升5.2%，模型参数量降低30.4%，计算量降低12.7%，模型大小减少27.7%。此外，通过COCO指标和TIDE指标验证MFDF-YOLO在多尺度目标检测、定位能力和背景抑制方面表现出显著优势，且在公开数据集上进一步验证其良好的泛化能力。

关键词： 边缘特征   野生菌识别   深度学习   目标检测   自然环境  

摘要： 为实现自然环境下对野生菌种类的精确识别，提出一种基于改进YOLOv8s的野生菌识别算法YOLOv8s-EAS。首先，使用EIE模块改进原C2f模块的Bottleneck结构，进一步捕获目标的空间信息和边缘特征信息，加强特征提取能力；其次，通过引入ADown模块，增强模型的特征提取能力；然后，提出一种融合MultiSEAM注意力机制的检测头，实现多尺度的野生菌检测，使模型能够更准确地检测出被遮挡情况下的野生菌，从而提升识别精确率；最后，替换损失函数为WIoU函数，加快模型的收敛，进一步提升模型的检测性能。试验结果表明，改进的YOLOv8s-EAS模型在野生菌识别任务中，其mAP@0.5和mAP@0.5:0.95较原YOLOv8s模型分别提高2.1、1.6个百分点，精确率和召回率也分别提升5.2、1.3个百分点。YOLOv8s-EAS模型对比目前主流的目标检测模型，YOLOv8s-EAS对自然环境下的野生菌识别精度具有明显优势，能够更好地满足实际农业需求。

关键词： 深度学习   目标检测   计算机视觉   智能检测   缺陷检测  

摘要： 随着自动驾驶技术和智能交通驾驶系统的高速发展，铁路部门中多种运维系统的智能化转型成为工程研究的热点方向。其中，对于地铁轨道缺陷的维护工作通常采用人工或半自动方式进行，存在效率较低和可靠性较差的问题。利用深度学习方法对轨道缺陷进行日常检测成为更加高效的方案。针对轨道缺陷日常检修效率低下的问题，开发了一种高效精准的轨道缺陷检测方法，有效提升了轨道缺陷检测的效率和稳定性。具体来说，围绕较为先进的差分Transformer编码器为核心构建方案，开发了一套端到端缺陷检测系统，为上述问题提供了新的解决方案。充分的实验研究表明该系统能够胜任地铁轨道缺陷检测任务，并且能够适应多种环境下检测任务。

关键词： 目标检测   可见光图像   Darknet 19   YOLO网络  

摘要： 搭载不同分辨率可见光相机的无人机可以对复杂地域进行多角度航拍，但形成的图像中标的物大小不一、分布无规则，给目标快速检测带来了难度。为此，提出一种改进YOLO网络用于可见光图像的目标检测。利用Darknet 19作为特征提取器，对网络结构进行优化，去掉全连接层、设置锚点，改进训练算法，进而实现目标识别精度的提升。结合工程项目中确定地理测绘定位参考点的任务需求，利用多幅无人机航拍图像作为数据集训练网络，直至获得稳定的收敛性。结果表明：利用改进YOLO网络对特定地域中的目标进行识别，仿真对比表明识别结果具有较高的准确度，可以作为选址决策的辅助依据。

关键词： 目标检测   煤矿井下受限场景   YOLOv8n   感受野注意力卷积   高效多尺度注意力   可变形卷积   动态检测头  

摘要： 在煤矿井下受限场景中由于目标尺度变化复杂、目标部分被遮挡和有效特征提取困难，导致目标检测精度低。针对上述问题，提出一种基于改进YOLOv8n的煤矿井下受限场景目标检测算法。在主干特征提取网络采用感受野注意力卷积（RFAConv），更好地处理受限环境下的目标空间位置信息，并根据特征的重要性动态调整权重，从而更关注目标的关键特征；在颈部网络引入高效多尺度注意力（EMA）模块，融合不同尺度的特征信息，提高了对尺度变化目标的检测精度；将新型可变形卷积（DCNv3）与动态检测头（Dynamic Head）结合，通过将尺度感知注意力、空间感知注意力和任务感知注意力相统一，有助于模型关注空间尺度信息和适应不同的检测任务，提高了对多尺度目标和部分被遮挡目标的检测能力；引入考虑预测框权重分配的Unified-IOU（U-IOU）损失函数，通过动态调整在不同质量预测框上的关注度，使模型更专注于高质量预测框，提高模型的收敛速度和精度。实验结果表明，改进YOLOv8n在煤矿井下输送带异物检测中的mAP@0.5相较于YOLOv8n提高了5.6%；在不同综采工作面作业场景下的总体mAP@0.5相较于YOLOv8n提高了4.8%，有效减少了误检和重复检测的情况。

关键词： 图像处理   量子图像隐写   最低有效位   龟壳隐写算法  

摘要： 针对现有的图像隐写术存在载体图像质量下降、容量冗余等问题，提出一种基于LSB和龟壳的量子图像隐写方案。该方案将量子载体图像划分为连续的不重叠块，根据块中的最大像素差值，将块属性分为边缘或平滑，并相应地选择LSB或龟壳替换算法来隐藏秘密信息。对LSB算法做出改进，修改载体图像的2个低有效位，可以实现3位秘密信息嵌入；去除了龟壳算法中的距离比较，并减少了关联点的数量。此外，通过交换量子图像中相邻的量子位，对秘密图像进行预处理，设计了相应的量子电路。实验结果表明，该方案在不可见性、嵌入能力和鲁棒性方面都具有优越的性能。

关键词： 无人艇   YOLOv8   数据增广   目标检测  

摘要： 无人艇在自然海域应用过程中，光学图像成像质量低、侧视视角致使目标特征局部化和深度方向畸变、盐渍水滴造成透镜形变、极大极小目标并存等现象，上述现象导致基于深度学习的图像目标检测算法性能下降，漏检误检率居高不下，进而导致避碰决策算法发散或频繁紧急告警。为提升无人艇光学图像目标检测效果，本文基于YOLOv8算法模型，引入Copy-Paste算法和非配对图像风格迁移算法，构建目标多视角图像和异常环境导致的低质量图像，解决数据集中低质量图像占比低的问题；其次在检测网络中增加专用小目标检测头并优化损失函数，在保留原模型目标检测能力的同时强化了小目标检测能力。构建的目标检测模型经增广数据集训练，在测试集上目标检测平均精度达到96.2%。

关键词： 计算机视觉   卷积神经网络   叶片病害检测   病害类型   病害等级   目标检测  

摘要： 农作物叶片病害检测对保障农业生产安全至关重要。传统病害检测方法存在效率低、成本高和主观性强等缺陷，难以满足现代化农业发展的需求。近年来，基于卷积神经网络（convolutional neural network, CNN）的农作物叶片病害检测技术成为研究热点。通过系统分析国内外文献，该文从全局图像识别和目标检测两个方面，梳理了CNN在农作物叶片病害检测领域的研究进展。对于全局图像识别，该文将其细分为病害类型、病害等级及类型-等级复合型识别三种检测任务进行了概述。综述结果表明，相关研究的发展趋势正向着检测精准性提升、模型轻量化和抗干扰性增强的方向发展。该文分析了双阶段与单阶段目标检测算法在病害检测中的应用，并重点探讨了YOLO系列算法作为该领域热点算法的研究进展。然而，该领域仍面临诸多挑战，包括病斑特征相似导致的混淆、复杂多变的场景以及有限数据集对模型泛化能力的限制等。最后，从轻量化高精度模型研发、跨时域数据集构建、多模态数据融合分析、多种病害的同步识别和大田场景下的病害检测技术等方面，对未来的研究工作进行展望。