关键词： 图像处理   量筒液位   智能识别   OpenCV  

摘要： 【目的】针对传统污泥比阻测定中人工判读效率低、误差大及液面震荡问题，开发基于机器视觉的智能监测系统，通过提升精度、实时性与自动化水平，突破传统技术瓶颈，推动水处理检测向智能化演进。【方法】构建多模态图像处理与智能监测平台，基于OpenCV对量筒图像实施HSV空间转换、自适应ROI裁剪及形态学梯度强化液面边缘；采用改进型双边滤波抑制气泡与光斑噪声，结合Otsu算法实现动态阈值分割，实现液位精准识别。开发基于QT5框架的智能检测系统，集成多线程视频采集与卡尔曼滤波动态补偿，通过GUI界面实现液位可视化、远程联动及实时校正，提升动态液位监测精度与效率，增强系统鲁棒性。【结果】系统在标准条件下液位测量绝对误差精确到0.1 mL。引入偏离值补偿后，绝对误差精度稳定于0.01 mL，证实系统具备较高的鲁棒性与工程适用性。【结论】本研究建立的智能监测系统突破了传统动态液位测量局限，其模块化架构可拓展至医疗输液监测、工业过程控制等领域，具有显著工程应用价值。

关键词： 对抗样本生成   跟踪器攻击   多谱段   对抗补丁   目标跟踪  

摘要： 当前面向跟踪器的对抗样本生成研究主要集中于可见光谱段，无法在多谱段条件下实现对跟踪器的有效攻击。为了填补这一空缺，该文提出一种基于多谱段的目标跟踪补丁式对抗样本生成网络，有效提升了对抗样本在多谱段条件下的攻击有效性。具体来说，该网络包含对抗纹理生成模块与对抗形状优化策略，对可见光谱段下跟踪器对目标纹理的理解进行语义干扰，并显著破坏对热显著目标相关特征的提取。此外，根据不同跟踪器的特点设计误回归损失和掩膜干扰损失对多谱段跟踪模型补丁式对抗样本生成提供指引，实现跟踪预测框扩大或者脱离目标的效果，引入最大特征差异损失削弱特征空间中模版帧和搜索帧间的相关性，进而实现对跟踪器的有效攻击。定性和定量实验证明该文对抗样本可以有效提升多谱段环境下对跟踪器的攻击成功率。

关键词： 深度学习   目标检测   双模态融合检测   图像融合  

摘要： 随着人工智能技术的快速发展，目标检测与识别的地位日益凸显。基于深度学习的可见光-红外图像融合的目标检测技术具有强大的特征提取和泛化能力，能够有效提取和融合可见光与红外图像特征。首先对基于双模态图像融合检测的发展现状进行概述，并在基于深度学习的目标检测基础上分析双模态图像融合检测的优势，对比介绍常用的数据集和主要的技术难题。其次对基于不同阶段融合的目标检测算法进行总结分析，指出特征级融合检测的优势与主导地位；重点对基于不同基础模型的融合检测算法进行分析和总结，探讨了Transformer在双模态融合检测领域的优势和主导地位，以及Mamba在未来研究中的巨大潜力。最后根据当前可见光-红外图像融合的目标检测研究现状，对未来以实际的开发应用为导向进行了展望。

关键词： 遥感多尺度目标检测   U-SegNet   多尺度上下文注意力U-SegNet (MSCAUSNet)   多尺度上下文注意力(MSCA)   多尺度特征融合(MSFF)  

摘要： 针对遥感目标图像多样、目标较小，且与周围环境对比度差，导致现有目标检测方法复杂度高、检测效果差、泛化能力弱，经典U-Net和U-SegNet忽略了不同目标尺度特征感受野差异等问题，提出了一种基于多尺度上下文注意力U-SegNet(Multi-scale Context Attention U-SegNet， MSCAUSNet)的遥感目标检测新模型。该模型由U-SegNet、多尺度特征融合(Multi-scale Feature Fusion， MSFF)和多尺度上下文注意力(Multi-scale Context Attention， MSCA)模块组成。该模型采用MSCA代替U-SegNet中的跳跃连接以融合目标低层特征与高层特征，并通过MSFF和MSCA模块充分捕获多尺度上下文特征，从而显著提升遥感多尺度目标检测性能。在遥感目标图像数据集上的实验结果表明，该模型能够有效检测不同尺度遥感目标，较经典U-Net和U-SegNet的检测精度分别提高了7.94%和5.09%。该模型为遥感目标检测和识别系统提供了技术支持。

关键词： 航拍图像   小目标检测   YOLOv8n   SPDConv   Omni-Kernel   DCNv2   Dyhead  

摘要： 航拍图像小目标检测场景复杂，检测指标下降，提出几何变化结合图像增强的航拍图像小目标检测算法。以YOLOv8n为基线，DCNv2-CA-GEO并行提取空间特征和通道特征，动态调整卷积核和池化核，快速适应几何变化；SPD-OK-CSP调整通道维度，捕捉细粒度特征，跨阶段全局特征感知，多尺度特征学习，提高图像增强；Dysample动态调整差分采样点，优化上采样计算；Dyhead动态调整特征张量维度，整合上下文信息，优化检测头性能；Inner-Wise-MPD-IoU多视角增益分配策略，平衡不同质量样本特征，准确回归真实框，优化泛化能力。评价指标mAP@0.5、mAP@0.5:0.95、Precision、Recall，消融和对比实验在VisDrone2021上分别提升6.1%、4.4%、6.0%、5.0%，在LEVIR-Ship上分别提升3.4%、2.2%、3.1%、5.3%，优于基线算法和次优算法；泛化实验在VOC2007+2012上分别提升2.0%、4.3%、1.5%、3.1%，鲁棒性良好。

关键词： 计算机视觉   视觉SLAM   深度学习   目标检测   视觉几何   动态目标干扰  

摘要： NeRF（NeuralRadianceFields，神经辐射场）技术为计算机图形学和计算机视觉的工程与应用带来了革命性的影响，它提供了一种高精度、高质量的三维场景渲染和重建方法。基于NeRF的SLAM(SimultaneousLocalizationandMapping)系统在静态场景中表现优异，具有超越传统密集SLAM 的出色渲染质量和场景重建能力。然而，在具有动态干扰的真实世界环境中，它们可能会出现跟踪漂移和映射误差等问题。为了解决这些问题，提出了一个结合语义特征的实时密集动态神经隐式SLAM系统DIDN-SLAM。首先，系统通过整合语义特征和条件分割的稀疏特征点，为跟踪建立了长期的数据关联。其次，系统利用稀疏光流来过滤动态像素，并提出了一种特殊的光线采样策略，以减轻因动态物体遮挡而导致的场景表征干扰。值得一提的是，DIDN-SLAM支持单目、双目和RGB-D输入，并能以20Hz的频率稳定运行，满足实时应用的需求。最终，在六个虚拟和真实数据集上的实验结果表明，DIDN-SLAM在跟踪和映射性能上均优于最新的先进方法。

关键词： 无人机   高低频信息   自适应   下采样  

摘要： 无人机航拍图像背景复杂、目标密集等情况致使识别困难，针对此，提出了一种结合细粒度特征的高低频信息自适应特征融合的无人机小目标检测算法。首先，通过添加大尺寸检测头，减少骨干网络层数，使网络模型更专注于微小目标，然后添加自适应调整策略平衡不同层次的特征图对输出的影响；其次，针对浅层网络，设计结合细粒度信息的自适应融合高低频信息的下采样模块FAFHL，增强提取的纹理和形状信息，针对深层网络，设计多级自适应融合高低频信息的下采样模块MAFHL，增强语义信息；最后，采用软化非极大值抑制Soft-NMS改进传统候选框冗余消除的操作，避免候选框漏检的现象。在VisDrone数据集上验证，新提出的算法相比原有算法mAP50和mAP50:95分别提升12.6%和11%，参数量减少了67%，相比其他小目标检测算法取得了更优的精度。

关键词： 旋转目标检测   裂纹方向感知   YOLOv8   YOLO11   计算机视觉   智能建造  

摘要： 随着物联网技术在基础设施健康监测中的广泛应用，智能感知设备产生的海量图像数据对裂纹检测算法提出了更高要求。为了克服传统的基于水平框的目标检测方法在识别裂纹时无法输出方位信息且包含大量冗余背景的问题，提出了一种基于旋转框的目标检测方法YOLO-OBB。数据集包含448张路面裂纹图像，通过标注软件为图像赋予方向信息，选取YOLOv8和YOLO11的10个预训练模型作为基准进行训练，最终YOLOv8m-OBB和YOLO11l-OBB取得了较高的mAP，分别为0.862和0.863。使用测试集图像测试时，YOLOv8m-OBB有更好的效果，可有效感知裂纹的方向信息，在桌面端和移动端上检测速度可以分别达到220FPs和90FPs，满足实时检测需要。此外，本项目所提方法也可以扩展到结构工程其他领域，促进智能建造的发展。

关键词： 交通场景   遮挡目标   YOLOv8   特征融合   特征增强  

摘要： 交通场景下的目标因为密集或遮挡等情况会导致检测困难，针对该问题，提出了一种交通场景目标检测算法FFE-YOLOv8。首先设计跨层级特征融合模块(Cross-level Feature Fusion Module，CFFM)，结合浅层细节和深层整体特征，得到更丰富的特征信息指导遮挡目标的检测；其次设计了双路特征增强模块(Dual-channel Feature Enhancement，DCFE)，经两通道同时提取浅层特征的中心区域关键信息以及上下文信息，补充特征的同时避免浅层特征层感受野较小的问题；最后经自适应特征融合模块(Adaptive Feature Fusion Module，AFFM)，计算经双路特征补充模块处理后的特征和浅层检测通道特征的相似度从而进行有针对性的增强。在KITTI，CBCL和Udacity数据集上进行试验，结果显示相比于基准网络改进后的算法在精度上分别提升了1.52%，1.61%，2.47%，改善了遮挡目标的检测效果，证明了该方法的有效性。

关键词： 绿橙   目标检测   模型轻量化   深度学习  

摘要： 绿橙果实颜色与枝叶颜色相近，识别难度大。针对绿橙高精度检测及模型轻量化改进问题，选取四川省眉山市橙子基地的“绿橙”为研究对象，设计一种基于YOLOv8n的目标检测改进算法ESN—YOLO。首先，在Neck端引入GSConv和VoV—GSCSP模块，显著减小模型参数；然后，在Neck网络层融合SimAM注意力机制，加强模型的检测效果；最后，将模型的损失函数由CIoU修改为EIoU，以提升目标检测精度和准确性。结果表明，改进后ESN—YOLO模型的精确度、mAP@0.5和mAP@0.5:0.95分别为96.9%、99.7%和83.6%，与原始模型YOLOv8n相比，分别提升3.2%、0.5%和3.6%，改进后算法的模型大小为5 730 KB，模型参数量为2.6 MB，比改进前分别减少11.4%和13.9%。ESN—YOLO在模型轻量化和目标检测精度上得到有效平衡。将改进后的模型部署于嵌入式设备Jetson Nano上，模型的轻量化改进使得单张橙子照片在Jetson Nano上的检测速度为732 ms，准确率在90%以上。