关键词： 低照度图像   目标检测   图像增强   注意力机制  

摘要： 针对低光照环境下目标检测精度下降问题，提出了基于增强型金字塔网络的端到端检测方法 EP-YOLO。构建E-PENet(Enhanced-Pyramid Enhancement Network)图像增强网络，其中设计空间-通道细节处理模块(Spatial-Channel Detail Processing Module,SCDPM)，通过双路径注意力机制融合空间与通道特征，引入可学习Sobel算子实现自适应边缘增强；提出自适应低频增强滤波器(Adaptive Low-frequency Enhancement Filter,ALEF)，利用分支级通道注意力优化多尺度低频信息处理。将E-PENet与轻量化检测器YOLOv9s进行端到端融合，同时在YOLOv9s中集成ContextGuided Block构建CGBRep4特征提取架构，提高特征提取效率。ExDark数据集上的实验结果表明，E-PENet的PSNR和SSIM分别达到26.92dB和0.84,EP-YOLO的mAP@0.5提升至74.8%，模型参数量减少12%，实现了精度与效率的协同提升。

关键词： 深度学习   InSAR   目标检测   形变区域识别   Yolov11n  

摘要： 干涉合成孔径雷达（InSAR）技术凭借其地表形变监测精度高、覆盖范围广的优势，已成为地表形变监测的重要手段。然而，形变目标通常存在显著的尺度和形态差异，且在形变密集区边界呈现模糊和不规则特征。现有检测模型在细粒度和边缘信息表征方面存在不足，导致小尺度形变区漏检及密集区边界定位不准确。为解决这一问题，本文提出了一种融合InSAR与目标检测算法的形变区域快速识别方法。该方法首先利用SBAS-InSAR技术获取形变速率图，然后在YOLOv11n的特征提取与特征融合层中引入多尺度空洞卷积、动态上采样和上下文引导下采样等模块，构建了高精度InSAR形变检测网络，实现了对不同尺度与复杂形态形变区域的高效精准识别。在甘肃白龙江流域的实验中，本次研究基于改进Yolov11n模型的InSAR形变区域快速检测方法在形变区域检测中取得了较高的召回率（89.5%）、准确率（91.7%）和平均精度（AP50=91.3%）。此外，在公开贵州省InSAR数据集上的泛化实验进一步验证了该方法在不同区域的鲁棒性和稳定性。本文提出的方法在保证计算效率的前提下，实现了广域InSAR形变区域的高精度识别，能够满足广域地表形变监测的实际需求。

关键词： 技工院校   图形图像处理课程   小组合作模式   教学研究  

摘要： 图形图像处理是技工院校平面广告设计专业的基础课程,主要培养学生在平面设计制作、材质制作、网页设计等岗位的核心能力,具有极强的实践性与应用性。小组合作模式作为契合现代教育理念的新型教学组织形式,能够帮助学生拓宽认知边界、积累设计经验,显著提升图形图像处理课程的学习质量。基于此,本文将深入探究该模式在图形图像处理课程中的应用策略,力求为教学实践提供切实可行的参考依据。

关键词： 环境感知系统   硬件层   感应传感器   安全距离   计算机视觉   目标检测算法  

摘要： 为提升智能驾驶汽车在复杂环境下的感知能力与行车安全性，对基于改进R-CNN与SSD的环境感知系统进行了研究；通过多源传感器集成构建智能感知模块（IPM），结合异构计算架构实现硬件层的数据同步与高效处理；在算法层引入多尺度候选框生成策略、多尺度自注意力与动态权重分配机制，并优化前馈网络与池化操作，形成一种两阶段与单阶段检测相融合的感知模型；实验测试表明，该系统能够准确计算与障碍物的安全距离，在正常、雨雾、夜间及拥堵等多种场景下均能稳定感知环境，危险指数函数值始终低于0.12，帧率最高可达35.1 FPS，满足智能驾驶实时性与安全性要求；结果表明，所提系统能够有效实现复杂环境下危险目标的精准与实时感知，具备实际应用于智能驾驶汽车的潜力。

关键词： 水下图像增强   生成对抗网络   颜色校正   注意力机制   卷积神经网络   深度学习   图像处理   端到端  

摘要： 针对光的散射和吸收导致水下成像技术存在颜色失真与细节模糊等问题，文中提出了一种基于GAN(Generative Adversarial Network)改进的水下图像增强网络(Underwater Image Color Correction Enhancement Network， UICEN-GAN)。不同于传统GAN，所提网络在生成器首部添加宽范围感知模块和双重注意力机制，宽范围感知模块采用较大的卷积核覆盖更大的接受域，双重注意力机制通过将空间、通道注意力并联来增强图像的细节信息。尾部添加颜色校正模块，该模块采用自注意力计算分配相关权值，将图像特征映射到RGB颜色空间，从而解决颜色失真问题。实验结果表明，所提网络的增强结果优于其他先进网络，增强后图像的峰值信噪比、结构相似性指数相比指标次之的网络分别提升了10.6%和1.8%，在主观评价和客观评价方面均取得了良好的效果。

关键词： 机械设计   自动控制   机器视觉   生物检测   图像处理  

摘要： 针对人工成本高涨、人工操作效率低及化验检测质量不佳等问题，对基于电气控制的肿瘤标志物自动化检测系统进行了研究;对系统整合机械臂模块、样本加样模块、温育模块、洗涤模块、撬壳模块、视觉识别模块等硬件部分并结合软件控制的设计方案进行了分析，采用电气控制技术和视觉检测技术，在系统硬件整合与软件协同控制方面实现技术创新;经实验测试，该系统实现了从样本加注到检测分析过程的自动化，能显著减轻人工操作负担并提高检验准确率;经实际应用，该系统有望在未来临床应用中发挥重要作用。

关键词： 目标检测   古建筑火情隐患   轻量化模型   YOLOv11算法   哈尔小波分解  

摘要： 为解决古建筑焚香祈福场景中火情安全隐患的分类与检测问题，提出一种基于改进YOLOv11算法的轻量化目标检测模型。该模型在主干网络中引入哈尔小波分解模块，以降低特征提取过程中的信息损失，减少模型参数量；在颈部网络中设计轻量化的跨尺度特征融合模块，以增强对小目标及多尺度目标的检测能力。针对火源目标体积小、特征模糊的特点，删减原有大尺度检测头并新增小尺度检测头，以提升对小尺度火源的检测精度。实验结果表明，与其他主流YOLO模型相比，改进后的模型在精确度、召回率、平均精度及多阈值平均精度方面分别提升了2.6%、1.4%、1.4%和3.6%，检测速度略下降2.7%，满足实际应用对实时性的要求。

关键词： 人工智能   计算机视觉   多智能体   图像生成   情感可控  

摘要： 随着人工智能生成内容技术的迅速发展，传统的图像生成模型通常主要关注语义层面的显性表达，缺乏对情感的深入理解与控制，难以满足情感化生成需求。为此，本文提出一种多智能体协作的情感认知可控图像生成框架，通过引入多智能体协作机制，将情感建模、语义理解与图像生成进行分工与协作：策划智能体负责提取与表示情感特征，生成智能体在融合多源信息的基础上完成高质量图像生成，评价智能体则对整体生成过程进行优化与调控。实验结果表明，该方法在保持高质量图像生成的同时，能够有效提升情感一致性和语义相关性，为实现情感可控的智能图像创作提供了新的思路与理论支持。

关键词： 双量子图像加密   图像处理   混沌系统   位平面   量子阿诺德变换  

摘要： 随着量子计算技术的发展，传统图像加密算法面临抗量子攻击能力不足的挑战，而现有量子图像加密算法存在量子比特消耗大、混沌系统参数空间有限等问题。针对上述待解问题，本文提出一种基于混沌系统的双量子图像加密算法，以实现低资源消耗与高安全性的平衡。首先，提出双位平面量子图像表示模型（DBRQI），仅需2n+4个量子比特存储2n×2n灰度图像，较 BRQI 模型减少50%量子比特消耗，其次，构建三维超混沌系统（3D-CHCMM），4个控制参数的参数空间较现有系统提升33%，3个李雅普诺夫指数均为正值且通过15项NIST测试，可生成高随机性伪随机序列。算法通过DBRQI映射量子态，经奇偶位平面置乱与行列随机置乱打乱像素信息，再与伪随机序列执行异或操作生成密文。实验结果表明：加密图像水平相关性低至0.0041、信息熵达7.9993、NPCR为99.6251%，抗攻击与抗干扰能力显著增强。本文算法为当前量子硬件受限场景下的图像加密提供了高效解决方案。

关键词： 显著性目标检测   边缘增强   差分卷积  

摘要： 当前,显著性目标检测技术正在迅速发展,但仍然存在一些问题亟待解决.大多数现有的显著性目标检测方法在处理高分辨率图像任务时,存在计算资源需求过高或者检测质量较差等问题.其次,许多现有算法采用的传统卷积操作缺乏针对性,无法有效增强边缘细节特征,导致边缘分割模糊不清.为了在降低算力消耗的同时提高物体边缘分割质量,并提升小尺度目标的检测性能,提出了基于边缘增强的宽解码器显著性目标检测方法.采用残差网络和Swin Transformer组合结构作为特征编码器,以降低算力消耗.并且将传统卷积替换为差分卷积模块,通过多种不同类型的差分卷积并行使用,从图像中提取了更加丰富的边缘信息.设计了多尺度注意力模块,对4层不同尺度特征进行注意力计算,以更好地关注不同大小的目标.此外,采用含有大卷积核的多级宽解码器,对融合特征进行长距离的上下文建模,减少冗余信息,进一步提升了网络的检测性能.