关键词： 图像处理   生成对抗网络   缺陷损失函数   铺粉缺陷图像   激光粉末床熔融  

摘要： 在激光粉末床熔融(LPBF)增材制造中，铺粉缺陷样本稀缺及其类别不平衡影响铺粉缺陷检测算法的泛化能力。为此本文提出了一种铺粉缺陷图像生成网络DPR-GAN。通过在BicycleGAN网络判别器中引入谱归一化层，提高图像生成质量的稳定性；在生成器中引入ECA通道注意力机制，加强生成网络对缺陷特征的感知；并构建缺陷区域重建损失，加强缺陷细节的生成，以提高缺陷区域的生成质量；最后依据缺陷语义标签图像生成区域、类别可控的铺粉缺陷图像。实验结果表明：与现有方法相比，本文网络生成各类缺陷图像更为真实，缺陷细节提升明显，峰值信噪比与结构相似度相比于BicycleGAN平均提升4.34和3.56%。经本文网络数据增强后，基于Mask-RCNN和YOLACT网络的铺粉缺陷目标检测与实例分割的mAP@0.5较传统增强方法分别平均提升3.09%和2.39%，验证了本文网络的有效性与应用价值。

关键词： 激光焊接   过程监测   熔池   镜面微区   图像处理  

摘要： 焊接过程监测是智能激光焊接流程中的关键环节之一；熔池则是获取过程信息的常用观测对象。本文利用照明光束和高速摄像仪分居熔池表面法线两侧，通过观察照明光束在熔池表面的镜面反射区域以获取表面特征。结果表明：熔池表面中的镜面微区（点状斑点）表现出时而聚集、时而分散的特征，且呈现出从匙孔口向熔池两侧及熔池尾部“翻滚”状的运动特征。熔池表面图像经过滤波降噪、图像增强、形态学操作等预处理后，再通过非锐化掩模图像增强算法与固定阈值图像分割相结合的方式，可实现熔池表面和镜面微区总面积的提取。熔池表面面积相对较大，其时变行为无明显的周期性；镜面微区总面积的时变行为则呈现出规则的周期性特征，其波动周期约为0.5-0.6ms。进一步分析表明镜面微区总面积的时变行为更能表征熔池表面的波动特征。通过原位观察熔池表面中镜面微区总面积的变化规律，有望获得激光焊接匙孔内光斑中心在匙孔前壁表面的运动特征。

关键词： 前视声呐   目标跟踪   ByteTrack   图像序列  

摘要： 前视声呐在水下远距离目标检测与跟踪中发挥着重要的作用。然而,前视声呐图像序列帧率较低、目标特征不清晰,容易出现目标丢失的问题。在使用前视声呐进行目标跟踪时,需要对声呐载体旋转和目标遮挡进行补偿,避免目标丢失。为解决以上问题,结合声呐图像序列的特征和目标特征,改进现有的跟踪算法。针对Byte Track算法应用在声呐跟踪上容易出现目标丢失问题,结合前视声呐图像特征,改进关联方式,在第1关联提出了一种基于卡尔曼滤波的运动特征和目标外观特征结合的方式作相似性度量,提升了跟踪的准确性。针对前视声呐载体旋转导致目标运动过快的问题,利用声呐姿态数据对Byte Track算法加入旋转补偿,提升了匹配的准确性;最后,通过相似性度量算法对比实验,证明了改进后的关联方式和目标外观特征结合的方式的优越性。对比了Deep Sort、TransTrack和Byte Track主流目标跟踪算法,改进后的模型跟踪准确度为76.8%,跟踪召回率为80.6%;改进后的Byte Track与改进前的Byte Track相比,跟踪精度提升了9.4%,召回率提升了10.8%,ID切换次数降低了46%。检测与跟踪融合实验表明,改进后的目标检测跟踪融合算法拥有更低的漏检率、误检率,更低的身份切换次数,更能适应前视声呐水下目标的检测和跟踪场景。

关键词： 小麦赤霉病   病害识别   YOLOv8s   目标检测   网络轻量化   上采样   特征融合  

摘要： 针对现有检测模型对小麦赤霉病斑识别精度较低从而妨碍后续防治工作的问题，本研究提出一种改进YOLOv8s模型的小麦赤霉病斑检测算法YOLOv8s-SCR。以YOLOv8s为基础网络，结合ShuffleNet v2的优点，引入SE通道注意力(Squeeze and Excitation Channel Attention)机制进行改进，在实现网络模型轻量化的同时，增强模型对关键特征的关注度；利用CARAFE(Content Aware ReAssembly of FEatures)模块可自适应训练的特点，替换掉原YOLOv8s最临近插值上采样，可以在上采样过程中提供更丰富的语义信息；采用多尺度且可训练的RFB(Receptive Field Block)模块，通过融合不同尺度的特征进一步提升模型的检测性能。经过实验测试，改进后的YOLOv8s-SCR模型相较于原模型，网络参数量降低约22%，运算量减少约25%。在测试集上，模型的检测平均精度均值从原模型的84.6%提升到90.5%，提升5.9个百分点，验证了改进模型在小麦赤霉病检测中的有效性。综上，本研究提出的YOLOv8s-SCR模型能够快速且有效地检测出小麦穗上的赤霉病斑，从而为后续的防治工作提供有力支持。

关键词： 多模态显著性检测   显著基元   融合权重   语义差异   特征对齐  

摘要： 针对现有多模态显著性检测方法容易受到低质量辅助模态干扰，导致模型鲁棒性差的问题，本文提出了一种显著基元动态加权的多模态显著性目标检测方法。方法通过捕捉不同显著物体的共同特征，并进行聚类得到显著基元，实现对显著区域的清晰定义。其次，利用显著基元，动态调整不同模态在融合阶段的权重，使得高质量模态的语义信息在融合过程中能够得到充分利用，同时有效抑制低质量辅助模态带来的潜在干扰。此外，方法还引入了基元引导的特征对齐机制，有效缩小了主模态与辅助模态之间的语义差异，提高了模型的检测性能。与此同时，算法能够更准确地捕捉跨模态间的共同特征，进一步提升了检测的准确性和稳定性。为了验证所提算法的有效性，本文方法在六个RGB-D数据集和三个RGB-T数据集上进行了全面的定性和定量评估。实验结果表明，在面对低质量辅助模态的情况下，本文提出的方法表现出了良好的稳定性和鲁棒性。

关键词： 目标检测   缺陷检测   YOLO11n   轻量化  

摘要： 在工业钢材生产过程中，钢表面缺陷检测对确保产品质量至关重要，针对钢材表面缺陷形状复杂、尺度不一、小目标缺陷检测困难等问题，提出了一种基于改进YOLO11n的钢材表面缺陷检测算法。首先，我们设计了一种全新的高效多尺度卷积模块，在轻量化的同时增强多尺度特征表达能力，从而提升对不同种类缺陷的检测能力；其次，引入轻量级下采样模块，在缩小特征图尺寸时保留更多关键特征信息，降低模型的计算量；然后，我们设计了融合注意力机制的特征提取模块，增强模型对结构复杂缺陷区域的感知能力与判别能力；最后，采用基于动态非单调聚焦机制的损失函数Wise-Io U，降低低质量数据对模型精度的影响，提升对小目标缺陷的检测能力。实验结果表明，改进后算法的m AP值达到80.1%，相比原YOLO11n提升4.0%。同时，模型参数量和计算量较基准模型分别降低20.9%和17.5%，验证了本方法的有效性，能够满足钢材表面缺陷检测的实际需求。

关键词： 交通管理   无人机技术   全景地图   图像处理   隧道应急管控  

摘要： 本文针对隧道场景下的应急管控需求,提出基于无人机全景地图技术的立体化解决方案。通过搭载高精度传感器与热成像设备的无人机,结合5G边缘计算技术,构建隧道内外一体化全景监测系统。该系统可实时获取事故现场数据,通过人工决策实现事故定位及救援路径规划,缩短应急响应时间。实验表明,该技术可有效解决隧道内定位不清、能见度低等难题,为封闭空间应急管控提供技术支撑。

关键词： 输电塔   螺栓松动   深度学习   目标检测  

摘要： 输电塔作为电力输送网络的关键基础设施，其结构安全性直接关系到电网的稳定运行。在长期服役过程中，输电塔螺栓受风荷载、温差效应及材料老化等多因素耦合作用逐渐松动。该文提出了一种基于改进YOLOv5s的输电塔螺栓松动智能检测模型（CCSGS-YOLO）。采用坐标卷积替代主干网络中的标准卷积层，增强模型对目标位置信息的获取能力；引入卷积注意力模块（CBAM），通过通道与空间双重注意力机制强化模型在复杂背景下的特征鉴别能力；构建Slim-Neck特征融合结构，通过跨阶段部分连接与深度可分离卷积的优化组合，维持检测精度的同时减少计算复杂度；采用GIoU损失函数与Soft-NMS的联合优化策略，通过考虑预测框与真实框的重叠几何特性，提升目标检测的定位精度。结果表明，CCSGS-YOLO精确率达91.7%，召回率为89.4%，平均精度均值达到95.3%,F1分数提升至90.0%，较基准模型YOLOv5s分别提高1.6%、3.0%、1.4%和1%。在计算效率方面，模型检测速度达到74.8 FPS，推理时延降低至13.4 ms，较原模型提升11.6%。该文还通过现场实验对CCSGS-YOLO在不同场景下的检测鲁棒性进行了验证，为输电塔螺栓松动的智能巡检提供了一种新思路。

关键词： 放射性水过滤器滤芯   识别与定位   图像处理   相机标定   机械手  

摘要： 针对核电站放射性水过滤器滤芯拆解过程中，直接切割滤芯拉杆，震动大，速度慢，稳定性差的问题，设计了一种基于机器视觉的核电站用水过滤器滤芯拉杆分离系统，满足核电站放射性废水过滤器滤芯自动化拆解的要求。首先，使用摄像机采集水过滤器滤芯拉杆焊接面二维图像；然后通过图像处理算法，分割焊接面二维图像，提取出滤芯的外轮廓、焊点轮廓及焊点圆心像素坐标；接着通过对相机摄像头进行标定，获得像素坐标系与机械手坐标系的转换矩阵，然后将焊接点圆心像素坐标转换为世界坐标；最后，拆解机械手根据焊接点圆心在机械手坐标系下的坐标使用钻头进行钻孔将滤芯拉杆与滤芯主体焊点破坏，进而实现拉杆与滤芯主体的分离。基于机器视觉的水过滤器滤芯拉杆焊点识别率高，经系列坐标转换为机械手坐标系坐标后，机械手末端定位的圆心偏差率小于5mm，能够满足放射性废水过滤器滤芯自动化拆解的需求。

关键词： 低照度图像增强   Retinex理论   细节增强   图像处理   色调恢复  

摘要： 在汽车座舱等低光照场景中，现有的许多图像增强方法都依赖于改变光照度，但很难应对光照度的局部变化和复杂场景，通常会导致伪影、细节丢失等问题。为了解决这些问题，本文提出了一种基于改进R2R-Net的低光照串行网络—DDI-Net(DecomDenoise Illumination-Net)。该网络由分解网络（Decom-Net）、去噪网络（Denoise-Net）和照明恢复网络（Illumination Recovery-Net）组成，旨在提高低照度图像的亮度、色彩和细节表现。首先，在分解网络中引入递归残差模块（RRM），以精确分离图像中的光照和反射成分；其次，使用U-Net作为去噪网络框架，使用空间深度变换卷积（SPD-Conv）取代网络中的最大池化层，在保留特征信息的同时有效去除噪声；最后，在光照恢复网络中集成特征增强模块（FEM），以增强特征表示能力。实验结果表明，DDI-Net在自制数据集和多个公开数据集上表现良好，与许多经典的低照度图像增强算法相比，在亮度增强、细节保留和色彩还原方面具有明显优势，图像质量综合指标优异，表现出良好的鲁棒性和泛化能力。所设计的图像增强网络在低照度驾驶舱环境中的有效性得到了验证。