关键词： 计算机视觉   交通标志识别   分段组稀疏编码   孪生神经网络  

摘要： 随着无人驾驶、辅助驾驶等技术的发展，交通标志识别（Traffic Sign Recognition，TSR）问题被更多的研究者所关注。目前，在普通交通环境下的TSR问题得到了较好地解决，但当环境中存在交通标志模糊、部分遮挡等噪声干扰时，其TSR的处理效果并不理想。针对该问题进行研究，提出了一种新颖的结合孪生网络的综合特征分段组稀疏编码的TSR问题解决方法。首先，提取交通标志的多个不同尺度特征编码，并提出利用综合特征编码的方法来表征交通标志；其次，通过提出的分段组稀疏编码方法对交通标志的综合特征编码进行优化，以改善模型对编码的学习能力提高编码的鲁棒性；最后，构建了用于分段组稀疏编码训练的孪生神经网络模型，该模型因其简单的结构和较少的层数使其不易出现过拟合问题，同时所提模型也具有较少的参数量、较大幅度提升了模型的运算速度。实验表明，本文所提方法在TT100K数据集原始环境、运动模糊环境中，与目前SOTA模型最好成绩相比其准确率、精确率、召回率与F1分数等评价指标相近，模型参数量减少70.8%，FPS提升51.4%；在部分遮挡噪声环境中，各指标略均显著优于目前SOTA模型最好成绩，尤其在遮挡率为60%时，本文所提方法在准确率和FPS分别较目前SOTA模型最好成绩提升了11.83%和27FPS。

关键词： 深度学习   目标检测   YOLO   宫颈细胞检测   血细胞检测   肺结节检测   糖尿病视网膜病变检测  

摘要： 近年来，人工智能技术的突破性发展推动了医工交叉领域的范式变革，其中基于深度学习的目标检测算法在医学图像分析中展现出显著优势。作为单阶段检测框架的典型代表，YOLO（You Only Look Once）系列算法通过“端到端”的检测范式，在医学影像分析领域展现出高实时性、强泛化能力和精准定位的独特优势，现逐渐成为病灶检测、细胞识别等任务的主流研究方法。针对YOLO改进算法在医学目标检测研究进行梳理，首先，基于算法架构创新维度，整理了从YOLO v1到YOLO v11共12代基础算法的核心演进路径，并深入对比分析各版本YOLO的改进突破、优势与局限性、医学场景表现；其次，归纳了医学目标检测领域中的经典开源数据集，阐述了目标检测中常用的评价指标；同时，重点综述了YOLO改进算法在2D医学图像的宫颈细胞检测、血细胞检测、肺结节检测和糖尿病视网膜病变检测的文献研究，并对不同改进方法进行综合对比分析；最后，总结YOLO不同改进思想相对应的医用场景，并讨论指出该领域面临的挑战与未来发展方向。

关键词： 合成孔径雷达   目标检测   小波变换   轻量化   注意力尺度融合  

摘要： 针对SAR图像中小尺度舰船目标检测困难以及目标尺度差异大导致的漏检、误检和置信度偏低问题，同时考虑到模型参数量过大对边缘部署适应性的限制，本文提出了基于小波变换与多尺度增强的轻量化检测算法LWMS-YOLOv10n。首先，在骨干网络的特征融合过程中融入小波变换，并设计AIFI＿RepBN优化PSA模块，从而提升特征提取能力；其次，在颈部结构中加入注意力尺度序列融合模块ASF-P2（Attentional Scale Sequence Fusion），并结合深度可分离卷积，以增强多尺度特征图的融合效果，提升网络的轻量化表现；最后，自研设计ParamLiteHead检测头大幅了减少参数量。改进后的模型相较于YOLOv10n模型参数减少了43.54%，通过在公开数据集HRSID和MSAR-1.0上验证，准确率提升了0.45%和1.17%，召回率提升了1.87%和4.38%，mAP50提升了1.25%和1.16%；实验结果证明，该算法在实现轻量化设计的同时，有效改善了漏检、误检和置信度偏低的问题。

关键词： 单目深度估计   计算机视觉   代数视觉   深度学习  

摘要： 针对单目图像在深度估计时面临的尺度模糊和边界细节失真问题,提出了一种融合变分与多尺度信息的深度估计算法(DLNet)。该算法利用拉普拉斯算子来突出图像中的高频部分,同时引入拉普拉斯金字塔帮助网络在不同尺度上分析图像的细节和结构;同时对场景中不变性规律进行探索,通过引入一阶变分约束驱使网络注意到场景空间中相邻像素的深度梯度,学习相邻像素的深度差得到粗粒度深度图;最后,利用拉普拉斯金字塔得到的多尺度信息来避免上采样带来的边界信息损失,逐步组合相应的输出得到细粒度的深度图。在KITTI和NYU Depth V2基准数据集上进行广泛的评估和消融实验,证明了所提出方法的有效性。实验结果表明,所提出方法在大多数指标上的结果都表现突出。

关键词： 计算机视觉   目标检测   深度学习   模态融合   轻量化  

摘要： 针对可见和红外双模态融合的目标检测算法计算量大、难以在边缘设备上有效部署的问题，提出一种基于可见和红外双模态融合的轻量化行人车辆检测算法。该算法使用轻量级网络Mobilenetv2替换YOLOv7-tiny作为网络主干，减小了模型的参数量与计算量，并设计了照明感知模块和差分模态特征融合模块，其中照明感知模块能够依据光照条件自适应调整各模态权重，差分模态特征融合模块能在不增加网络参数的同时合理互补各模态的特征信息，提高了检测精度。在多光谱数据集FLIR、LLVIP和KAIST上的验证实验表明，相比于经典的YOLOv5s、YOLOv7-tiny轻量级模型和ICAFusion、CFT双模态算法，所提出的双模态轻量化目标检测模型具有检测精度高、推理速度快等优势。

关键词： 植物病害   病害诊断   图像处理   图像识别   智慧植保  

摘要： 植物病害可对农业生产造成严重危害。及时、准确识别植物病害是开展有效病害管理的基础和前提。随着信息技术的迅速发展，利用图像处理技术进行植物病害识别的研究和应用日益增多，提高了植物病害监测和管理水平，为保障农业安全生产提供了有力支撑。本文从植物病害图像识别、病害图像获取和预处理、病害图像分割、病害图像特征提取和选择、病害图像识别模型和应用等方面对植物病害图像识别研究和应用中存在的问题进行讨论，提出相关的解决方案，并从病害图像获取和管理、病害图像识别关键技术、多平台病害图像识别等方面对未来植物病害图像识别研究和应用前景进行展望，旨在为植物病害图像识别研究和应用提供参考，促进植保信息化和智慧植保的发展。

关键词： RGB-D显著性目标检测   多尺度模态增强   注意力机制   并行多层解码  

摘要： 显著性目标检测任务旨在自动定位场景中最吸引人的物体。针对显著性目标检测算法中跨模态互补特征难以充分利用和层级特征融合易丢失有用信息的问题，提出一种基于多尺度模态融合的RGB-D显著性目标检测网络(MMFNet)。该模型主要由多尺度模态增强模块和并行多层解码结构组成。多尺度模态增强模块以空洞卷积细化多模态特征，通过注意力机制融合不同感受野特征减少冗余信息。并行多层解码结构采用级联的双解码器设计，以通道注意力机制实现层级特征的自适应校准，进一步优化预测的显著图，以学习到更多的跨层级信息。在四个基准数据集上的实验表明，该网络模型在四种评价指标上优于近年来的九种先进方法，获得了优异的性能。

关键词： 目标检测   图像处理   朝天椒   YOLOv5   轻量化网络   损失函数   自然环境   小目标  

摘要： 针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题，文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络，减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块，在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-IoU)损失优化边界框损失函数，提升了轻量化后的模型精度和泛化能力。实验结果表明，改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision，mAP)分别提高了7.0个百分点、3.5个百分点和3.8个百分点，参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型，所提模型具有更高的检测精度以及更少的模型体积，实现了模型的轻量化，精度提升大，推理速度快，更适合部署于移动设备。

关键词： 桥面污染物   应急管理   计算机视觉   信息融合   平急两用  

摘要： 桥梁危化品运输泄漏导致水污染事件机理复杂,影响因素多,极难人为识别和提前研判,目前迫切需要利用高效便捷的信息技术构建智慧化桥面污染物应急管理系统;同时桥面径流会对桥梁跨越的生态敏感区的环境造成危害,应做好污染径流的收集、处理和运维管理工作。分析实际工程应用场景及应急管理系统功能,通过对系统架构以及系统功能的分析研究,提出针对桥面突发事件设计的基于计算机视觉的智能应急管理处置系统,应用多源异构信息融合感知体系以潜在危险源为目标实现监测、识别、响应、处置及恢复功能,可智能识别桥面突发事件与不利天气状态,通过自动化控制系统实现了日常与应急状态事件的集中管理、统筹调度,可有效阻止水环境污染现象,且多事件统一管理,避免了安装多款软件及安排人员值守的成本,不仅建设成本和运维成本低,还具备快速应急指挥、自动化处置能力,可大规模推广应用。以河南安罗黄河特大桥为依托工程,验证新方法可有效提升应对突发事件的能力,降低安全防护成本,有效保护生态环境。

关键词： YOLOv5s   多尺度   C2f   注意力机制   SimAM  

摘要： 在目标检测任务中同一时刻不同目标具有不同尺寸或同一目标在不同时刻具有不同尺度尺寸的多尺度问题对算法的性能表现具有重要影响。因此，针对该问题对YOLOv5s算法进行改进。首先，引入C2f模块替换骨干网络中的C3模块，强化特征提取网络在不同倍率采样下的特征提取能力；其次，在Neck层不同尺度特征融合阶段融入SimAM注意力机制，改进多尺度融合过程，弱化不同尺度特征图进行特征融合时特征信息丢失问题，强化算法对不同尺度目标的识别能力。随后，对比分析不同算法在公开数据集的性能表现，实验表明，改进后的YOLO＿CNS算法在PASCAL VOC数据集上的综合评价指标m AP@50获得了3.5%的提升，检测效果更加优秀。最后，通过对消融实验的分析验证了YOLO＿CNS算法对于多尺度问题的优化效果，其中mAP@small值提升了0.5%、mAP@medium值提升了4%、mAP@large值也获得了4%的提升。