关键词： 模态融合   目标检测   生成对抗网络   注意力机制  

摘要： 传统的目标检测方法在处理复杂场景时存在局限性,尤其在夜间低光照和白天阴影环境中难以取得理想效果。现有多模态图像融合技术多偏重红外图像在低光照场景中的重要性,却忽视了白天复杂环境对红外与可见光融合的需求平衡。因此,针对全天候、多场景的目标检测需求,提出了一种基于特征图分类与生成对抗网络(Generative Adversarial Network,GAN)的多模态融合目标检测方法。与以往强调图像视觉质量的融合方法不同,该方法着眼于提升融合图像的目标检测性能。通过多尺度注意机制将特征图分类为显著性和细节特征图,并在交叉对抗训练网络中通过生成器及显著性、细节判别器优化融合效果,捕捉各模态的关键信息,以满足不同场景的检测需求。实验结果表明,所提出的方法在TNO,RoadScene和M3FD数据集上的表现优异,显著提升了多模态融合目标检测的性能。

关键词： 公路隧道   分布式光纤传感   振动探测   数据采集   信号检测   测试分析  

摘要： 公路隧道位于错综复杂的地下城市交通网络中,周遭环境多变,其运营安全常常受到外界施工的侵扰。为了解决这一难题,利用分布式光纤测振系统及时预警潜在的破坏性施工活动,为公路隧道的防破坏监测提供了有力工具,从而有效保障了隧道的安全运营。

关键词： 枸杞识别   YOLOv8   目标检测   实例分割   风沙噪声   图像分类  

摘要： 20250601风沙噪声影响下基于改进YOLOv8的枸杞识别算法//DOI:10.25165/***.20251802.9052鉴于中国西部地区风沙大的自然环境,枸杞识别与沙尘噪声之间存在显著关系,因此需要一种高精度的算法来解决这一问题。该研究旨在开发一种能够准确检测和识别枸杞的算法。YOLOv8是由Ultralytics推出的一种算法,支持图像分类、目标检测和实例分割任务。

关键词： 铁路运输   智能检测   计算机视觉   检车装置  

摘要： 为提高货运列车运输安全检查的高效性，文章开展了货运列车在站智能检测技术的研发，提出了基于高清彩色线阵相机采集图像的检测技术方案，并开展了高清图像切割拼接算法、AI智能模型算法和低速测速算法等研究，完成了图像智能、声音和温度监测等关键技术验证。完整的闭环检测装置包括双向窄波测速装置模块、列车编组智能比对模块、三维高清图像智能监测模块，实现了整车装载状态的智能检查。列车在站智能检车装置可提升交接工作效率，使检车流程更加智能化和规范化。

关键词： 计算机视觉   建筑   施工   危险   前兆   信息识别  

摘要： 为提升建筑施工安全管理的智能化水平，文章开展基于计算机视觉的建筑施工危险前兆信息识别研究，介绍基于计算机视觉的危险前兆信息识别方法，详细分析目标检测、数据预处理、模型训练及信息识别等关键技术环节，并提出一种融合YOLOv4目标检测算法与单应性矩阵空间映射的施工危险预警模型。结果表明，该方法能够有效识别施工现场中的危险相关对象，实现对危险前兆信息的准确提取与量化，为施工安全风险的早期预警提供技术支持。

关键词： 油茶果   YOLOv11   注意力机制   目标检测   GhostConv   特征融合  

摘要： 针对自然场景下油茶果检测精度较低及复杂模型难以部署的问题，提出一种基于YOLOv11（you only lookonceversion11）模型的改进检测算法YOLO-Camellia。首先，在骨干网络中引入幽灵卷积模块（GhostConv）以替代部分标准卷积，通过高效特征生成机制减少计算冗余，同时保持关键特征的表达能力；其次，嵌入平行级联注意力机制，增强模型对目标区域的关注能力，提高油茶果特征提取的精准度和抗干扰性；此外，构建Multi-PANet结构，优化多尺度特征融合策略，以提升不同尺度油茶果的检测能力。结果表明，YOLO-Camellia的准确率、召回率和平均精度分别达到95.1%、94.3%和94.8%，较基准模型分别提升2.3、2.9和2.2百分点，同时参数量降至28.7 M，浮点操作次数降低至95.6 G，推理速度提升至116.2 f·s-1，在保持高检测精度的同时降低了计算复杂度。在JetsonXavier NX嵌入式系统上，YOLO-Camellia的平均精度为93.2%，准确率和召回率分别为93.9%和93.4%，推理速度达到51.7 f·s-1，满足油茶果检测的实时性要求。该模型在保障检测精度的同时显著降低复杂度，适用于嵌入式部署，为油茶果实时检测提供更准确可靠的工具。

关键词： 籽粒表型   图像处理   颜色通道   百粒重   高通量  

摘要： 为提高作物籽粒表型获取的效率和自动化程度，研发了一套软硬件系统。首先获取均一光照条件统一背景下的作物籽粒图像；然后对图像进行预处理、背景去除，引入基于连通域的粘连籽粒分割算法，以快速准确获取单个籽粒图像；最后提取籽粒形态、尺寸、颜色、重量等20个表型指标。结果表明，与人工方法相比，花生籽粒百粒重的测量精度决定系数（R2）为0.99，均方根误差（root mean square error, RMSE）为0.71；花生籽粒宽度和长度的测量精度R2分别为0.88、0.94,RMSE分别为0.48、0.60。每个样本（大于100粒）测量耗时小于10 s。研究结果显著降低了作物籽粒表型获取的时间和人力成本，为解析作物籽粒基因型差异提供表型数据支持。

关键词： YOLOv8   注意力机制   可形变卷积   复杂道路场景  

摘要： 当今交通目标检测中小目标检测仍存在一定漏检率,复杂道路背景下目标识别率低等缺点。针对上述现象,提出了一种基于YOLOv8的道路交通目标检测优化算法。具体针对小目标检测漏检情况,引入高效多尺度注意力(efficient multi-scale attention, EMA)机制提高模型对小目标的感知能力;利用可变形卷积网络第三代(deformable convolutional networks version 3, DCNv3)替代模型中普通卷积,通过动态调整采样位置来提升特征图中不规则形状的特征提取能力,从而提高模型对遮挡重叠目标的检测能力。同时引入基于最小封闭框的交并比(generalized intersection over union, GIoU)损失函数,优化交通目标检测算法。改进算法在测试数据集中进行实验,平均精度均值m AP50与mAP50:95的值最好达到87.4%和53.6%,对比基线模型分别提升了5.2%和3.7%,有效证明YOLOv8优化模型在复杂道路场景下对于交通目标检测的有效性。

关键词： 微藻检测   Transformer   感受野注意力   RT-DETR  

摘要： 藻类细胞检测对生态系统的监测具有重要意义，然而目前藻类细胞检测仍依赖于人工，不仅耗时费力，还消耗大量成本。本文将计算机辅助检测与Transformer目标检测模型结合，并用于微藻细胞检测任务，针对微藻细胞特征模糊的问题，设计一种融合感受野注意力（Receptive Field Attention, RFA）与通道注意力（Coordinate Attention, CA）特征强化卷积模块，并选择ResNet50、ResNet34和ResNet18三种不同的主干进行实验。实验结果表明，Kaggle公开微藻图像数据集中的扁藻、小球藻、盐藻、黄藻、紫球藻和红球藻六种微藻利用改进后的模型所获得的最高检测精确率分别为87.6%、73.3%、85.7%、95.2%、97.7%和99.0%，由此证明Transformer模型在微藻目标检测领域具有可行性和科学性，可为人工智能在生态学研究和微藻检测领域提供了新的思路和方法。

关键词： 多态料面   先验信息   空洞垂直偏移卷积   先验聚焦注意力   网络剪枝  

摘要： 传统的单一状态料面目标检测网络未能考虑高炉冶炼状态的交替变化，在复杂环境下整体准确度较低，针对上述问题，本文提出一种先验信息导引的多态料面目标检测网络BurdenNet。首先，提出基于原始信号距离向精度的图像预分类方法，构建三类典型状态的料面图像数据集，并以预分类的状态为先验信息对网络通路进行剪枝。其次，将料面细长低曲率的形状特征与雷达采样信号的稀疏性质作为先验信息，提出空洞垂直偏移卷积(Atrous vertical deformable convolution， AVDC)模块提取多态料面特征。在此基础上，利用机械探尺数据构建先验空间注意力特征图，提出先验聚焦注意力(Prior focusing attention， PFA)模块，使网络优先聚焦于图像中的料面区域。最后对于边界框的回归，提出条带交并比(Band intersection over union， BIOU)损失函数进一步提升目标检测的速度与准确性。在钢铁公司高炉的实测数据上进行实验，结果表明，本文的BurdenNet相较于单一状态目标检测网络，在多态料面数据集上整体精确率提升了13.9%与5.2%，综合性能(F1-Score)提升了8.1%与4.3%，为复杂环境下多态料面图像的目标检测提供更准确的方法。