关键词： 大型视觉语言模型   计算机视觉   施工安全   智能监控   提示词工程  

摘要： 针对施工安全监控过程中，传统视觉模型构建成本高、应用范围窄等问题，提出基于大型视觉语言模型(LVLM)的全新解决方案。基于开源预训练LVLM模型，提出包括文本提示、图像附加信息、图像样本提示等多类适用于施工安全监控任务的提示词策略，实现LVLM对施工监控图像的理解与推理，并设计了基于LVLM的智能监控工作流程与系统架构。研究成果被应用于管理人员离岗识别、危险区域侵入识别、以及违规施工行为识别等多项典型施工安全监控场景。实际数据验证表明，通过合适的提示词策略，LVLM无需数据标注与模型训练，便可实现接近主流深度学习模型的识别准确率，同时具有构建成本低、落地速度快、任务适应灵活等优势，在图像识别与智能监控领域具有应用潜力。

关键词： 计算机视觉   遥感图像   语义变化检测   Vision-xLSTM   多尺度结构  

摘要： 语义变化检测是二进制变化检测的扩展，不仅能识别遥感图像中的变化区域，还能提供详细的语义类别变化，这一点在土地覆盖与利用监测任务中尤为重要。传统的三分支卷积神经网络架构和基于时间一致性的学习方案在语义变化检测中得到广泛应用，但如何有效区分语义变化并充分建模时间依赖性仍然具有挑战性。本文提出了一种结合CNN和Vision-xLSTM(Vi L)的新型架构Vi LSCD来解决语义变化检测问题。首先，设计了多尺度特征增强融合模块，提升模型对细粒度特征的表达能力；其次，引入差分多阶段特征交互蒸馏模块，增强模型对变化信息的感知；最后，使用Vi L模块充分建模时间依赖性。在Landsat-SCD数据集上进行的实验表明，Vi LSCD模型在语义变化检测任务中取得了显著成效，其m IoU和SeK分别达到90.38%和64.12%，均超越了当前现有方法，从而证实了所提出架构在该任务中的优越性。

关键词： 目标检测   YOLOv8   多尺度特征   特征聚合   轻量化  

摘要： 针对无人机航拍场景下的目标检测模型计算复杂、检测效果不佳等问题，提出一种改进YOLOv8的轻量级无人机目标检测算法SCE-YOLO。首先，使用STA＿C2f替换骨干网络中的C2f模块，提高模型的特征提取能力；其次，将采用渐进重参数化方法改进的AIFI模块作为空间金字塔池化层，实现高质量的尺度特征交互；再次，提出一种多尺度特征聚合扩散网络UAV＿CFDPN，根据航拍小目标的尺度特征优化网络结构，设计特征聚合模块FAM以及新的特征聚合与扩散路径，使得模型获得丰富的多尺度特征和上下文信息，提高目标检测的尺度适应性；最后，设计一种高效共享卷积模块ES-Head，在保持定位和分类能力的同时，使得模型更加轻量高效。在VisDrone2019数据集上进行测试，实验结果表明，相较于YOLOv8s，虽然本文提出的SCE-YOLO算法mAP50减少0.5%，但参数量和计算量仅为YOLOv8s的10.0%和48.8%，在检测精度和轻量化方面相较于其他先进算法具有明显的优势。

关键词： 雷达目标检测   幅度拖尾   正交投影   相关性   最大特征值  

摘要： 针对海杂波背景下的雷达弱小目标检测问题，提出了基于相关性的雷达海面弱目标检测技术。该方法通过分析幅度拖尾的空间分布特性，估计目标所在距离单元，滤除所估计的目标距离单元数据以确定杂波子空间，根据去拖尾的杂波子空间计算正交投影矩阵实现杂波抑制。随后，根据去拖尾正交投影空间下数据协方差矩阵的最大特征值的分布变化，选用最大特征值作为检验统计量实现目标检测。IPIX(Intelligent PIxel processing X-band Radar)雷达、雷达对海探测数据共享计划（Sea-Detecting Radar Data-Sharing Program， SDRDSP）的实测数据验证结果表明：所提方法优于单元平均恒虚警(Cell Averaging Constant False Alarm Rate， CA-CFAR)、去拖尾正交投影、最大特征值以及正交投影+最大特征值检测算法。

关键词： 版权保护   图像处理   水印生成   水印攻击   数据集   评估指标  

摘要： 据史料记载我国的版权保护技术历史悠久，最早可追溯至宋朝。随着信息技术的快速发展和版权保护意识的逐步强化，水印处理技术在数字图像版权保护领域得到了广泛应用，业界已经出现了一大批高水平的图像水印处理技术。为了更好的引导和促进数字化图像水印处理技术的高质量发展。从数字图像的常见水印类型以及主流水印生成技术、水印攻击技术、水印处理技术常用评估指标、大规模图像水印处理数据集和水印处理技术面临的挑战和限制六个方面对数字化图像水印处理技术各自的技术特征和未来发展趋势展开了全面分析和总结。系统的梳理了相关技术优缺点，并给出了四类综合效果最优的数字化图像版权保护方案。结合上述方案可为技术研发人员或著作权人根据自身需求和应用场景选取更好的版权保护技术路线提供参考依据。数字化图像水印技术因涵盖技术、法律和伦理等诸多层面。未来可通过跨学科交叉合作来持续推动它的发展，使技术更好地服务于社会。

关键词： 荔枝   复杂场景   YOLOv8   DBSCAN   生长形态划分  

摘要： 荔枝果实的准确识别与采摘是实现机械自动化采摘的关键。由于荔枝体积小、生长密集，传统目标检测算法难以高效识别。本文基于YOLOv8模型提出了YOLOv8-SC算法，通过引入Swin Transformer至主干网络，提升小目标检测性能；设计共享参数检测头，替代原解耦头，实现模型轻量化。此外，利用DBSCAN聚类算法对荔枝生长形态进行划分，为采摘策略提供指导。实验结果显示，YOLOv8-SC在复杂场景下的召回率(Recall,R)、准确率(Precision, P)、F1得分、平均精度mAP@0.5和mAP@0.5:0.95分别达到88.5%、76.3%、0.89、82.1%和58.2%，帧率提高至119 FPS，在Jetson Xavier NX上的实时帧率提升至26 FPS，性能显著优化。在广东廉江荔枝园的实地测试中，DBSCAN算法表现出良好的目标聚类效果，为采摘规划提供了可靠依据。

关键词： InSAR   大梯度沉降   相位解缠   YOLOv10   高斯模型  

摘要： 合成孔径雷达干涉测量技术(Interferometric Synthetic Aperture Radar，InSAR)凭借全天时、高空间分辨率的特点在地表形变监测领域极具优势。然而，因采矿活动导致的大梯度沉降漏斗在干涉图中易产生密集的非线性干涉条纹，对相位解缠带来挑战。为解决这个难题，提出了一种将深度学习目标检测网络与沉降漏斗反演建模相结合的解缠方法，旨在识别和模拟干涉图中的沉降漏斗，在缠绕相位中降低相位梯度，从而实现高精度相位解缠。该方法首先在YOLOv10框架下采用模拟和真实矿区干涉图训练沉降漏斗探测模型，实现大规模干涉图沉降漏斗自动识别；然后，利用以角度偏差最小化为目标函数的二维高斯模型对每个沉降漏斗进行反演和建模；再次，从干涉图中减去模型相位，对残余相位滤波，减少因滤波导致的相位混叠并增加干涉信噪比；最后，对滤波的残余相位进行解缠并加回模型相位，恢复真实解缠相位。通过模拟数据和覆盖山西大同地区的陆探1号数据集，分析了新方法解缠前后相位残点的变化以及模拟数据统计，并与传统矿区解缠处理方法进行了对比。结果表明，新方法具有更强的鲁棒性和更高的精度，在矿区非线性高形变梯度区域的解缠中，平均均方误差较传统方法减小了57.4%， 平均残点数减小了23.4%，证明了所提出方法的可行性。

关键词： 粒子滤波   似然比   弱小信号   杂波抑制   目标检测  

摘要： 在传统粒子滤波算法中，存在对噪声和杂波的鲁棒性差、检测概率难以平衡和虚警概率等问题。在弱小信号检测时，由于噪声问题，更容易造成漏检、错检；同时，如果弱小信号周围存在大量背景杂波，会导致跟踪的准确性降低。针对杂波场景下信号处理过程中产生的问题，为了提高粒子滤波器的弱小信号检测性能，本文提出了一种改进粒子滤波算法，首先通过修改似然比函数，限制了杂波对于检测概率的影响；其次，利用使用伯努利滤波器为信号设置检测概率的方法，大大降低了漏检概率，并调整了有无先验概率情况下不同的粒子初始分布，进一步提高滤波器性能。仿真结果显示，经过改进后的粒子滤波算法在杂波背景下的弱小信号检测概率相较于处理前有显著提升。

关键词： 目标检测   输电线路   YOLOv7   轻量化  

摘要： 针对现有的输电线路外破隐患检测模型检测精度和实时性较差等问题，提出一种基于YOLOv7的输电线路外破隐患目标检测算法。首先使用特征提取网络UniRepLKNet模块替换Backbone的E-ELAN模块，增大感受野，实现模型轻量化；其次在Backbone后面增加了多尺度轴向注意力机制(Multi-scale Cross-axis Attention， MCA)，使得改进后的模型能够实现全局识别目标区域的模糊边界；通过添加归一化损失函数（Neighborhood Weighted Decomposition， NWD），并且将CIoU与NWD结合作为定位回归损失函数，从而在保证中大型目标检测精度不下降的同时提高模型对小目标检测的精度。实验结果表明，改进后的YOLOv7算法在输电线路外破隐患目标识别中物体总类别的平均检测精度为94%，相比YOLOv7算法平均检测精度提升了3.2%，模型参数量减少了15.8%，模型大小降低了15.4%，有利于部署到输电线路系统中。

关键词： 织物疵点   目标检测   深度学习   YOLOv8n算法  

摘要： 针对织物疵点检测中疵点形态各异，存在漏检或误检等问题，提出一种基于YOLOv8n改进的织物疵点检测方法。首先在特征融部分引入Slim-neck模块，用GSConv替代原有的卷积核，使每个特征层能同时考虑深层和浅层的特征信息，提升对小目标疵点检测能力的同时降低模型复杂度。其次嵌入三重注意力机制（Triplet Attention）到骨干网络中，给每个特征通道赋予不一样的权重，提高模型对织物疵点的检测精度。最后采用形状交并比函数(Shape-IoU)替代网络的交叉熵损失函数，关注边界框本身的形状和尺度来计算损失，提高模型的收敛速度和准确性。在检测8类织物疵点时，改进模型精确率达到87.1%，召回率达到89.2%，mAP@0.5达到92.2%，mAP@0.5:0.95达到50.3%。实验结果表明，改进的模型能更好的满足织物疵点检测的精度要求。