关键词： 形变监测   无人机影像   摄影测量   编码标志点   图像处理  

摘要： 地表形变监测对于深入探究地质灾害的成因机制、演化特征以及构建综合风险预警系统具有重要意义。针对传统摄影测量技术面临的人工识别地面控制点效率低下和精度不足的问题，提出一种基于无人机影像的高精度地表形变提取方法。首先根据环形编码标志点的图像特征开发了一套精密的自动识别算法，以高效捕捉无人机影像中编码标志点的像平面坐标；然后利用编码标志点在形变前后两期无人机影像中的像平面坐标及地面控制点的物方空间坐标，通过地表形变提取算法快速、准确地解算出地表形变信息；最后设计了无人机航测实验，并将所得结果与全站仪监测结果进行对照分析来验证该方法的可行性。实验结果显示，所提方法可达到亚厘米级精度，精度明显高于点云直接比对算法及多尺度模型到模型点云比对算法，证明该方法能够提取准确的地表形变信息，具有较高的实用价值和良好的应用前景。

关键词： 红外小目标跟踪   侧窗滤波   位置感知模块   反无人机  

摘要： 红外小目标跟踪已经成为反无人机系统中不可或缺的关键技术。无人机的小尺寸、低对比度、强机动性以及复杂背景干扰对红外弱小目标跟踪算法提出了诸多挑战。针对以上问题，本文提出了一种基于ISIAMCAR网络（ISIAMCAR）的红外小目标跟踪算法。首先，将侧窗滤波器整合到模型中以提高神经网络对小目标的特征提取能力。然后，增加了位置感知模块以保证小目标特征传递的效率，进而提高对红外小目标的跟踪能力。定性与定量的实验表明，ISIAMCAR网络相比于现有方法有效提高了小目标跟踪的成功率和精确性。此外，完成了算法实时性测试与统计，本文提出的算法可满足反无人机目标跟踪任务实时性要求。最后，设计并开展了相关消融实验，验证了提出ISIAMCAR红外小目标跟踪模型的有效性。

关键词： 海杂波   目标检测   双通道   连通图   特征联合  

摘要： 目前，海面小目标已成为海洋雷达探测的重点和难点对象。现有的检测方法局限于雷达回波幅度或频谱的单方面信息的使用，难以有效探测小目标。为此，本文提出一种基于双通道图特征联合的海面小目标检测方法。首先，从雷达复回波序列中提取时域相位序列和频域幅度序列，生成时域-频域双通道。在每个通道，分别生成连通图，为检测提供丰富的相关性。其次，在时域通道，通过分析图拉普拉斯矩阵特征值的差异性，选取最大和次大特征值的融合值作为第一个特征，衡量图的连通密度。在频域通道，通过提取度矩阵的对角线非零元素，计算其熵值作为第二特征，衡量图顶点分布的分散度。然后，将两个特征作为检测统计量，并判断是否落在具有目标引导的凸包算法决定的判决区域内，获得检测结果。最后，使用实测数据的实验结果表明，所提出的检测器在复杂探测环境下能够获得稳健且高效的检测性能。

关键词： 交通场景   YOLOv8   C2Former   多频单通道注意力   频域信息  

摘要： 针对交通场景小目标、遮挡目标检测和定位精度低，受对比度变化及图像噪声影响，提出一种基于YOLOv8的车辆目标检测模型（YOLO-CDC）。首先提出了结合Transformer结构全局特征提取能力的模块C2Former代替C2f模块，设计了重感知的门控线性单元GRMLP（Gated Repetitive Multi-Layer Perception）优化Transformer分支非线性表达能力，实现高质量全局信息聚合；其次设计了多尺度特征融合分支整合特征：结合可变形卷积和SPDconv模块提取P2层高分辨率信息，捕获更精细的边缘特征；设计了CSP＿FRM（CSP Feature Reconstruct Module）模块平衡引入大核卷积及频域特征的计算负担；最后构建了一种特征增强模块：采用大核卷积与条状卷积扩大感受野补充上下文信息，结合非跨步卷积补充局部细粒度信息；采用了一种多频单通道注意力形式与通道特征结合以及设计了一种耦合空间和频域信息的注意力机制抑制图像噪声和背景干扰。实验结果表明，在UA-DETRA数据集和SODA10M数据集上平均精度（mAP@50-95）分别提升了3.6%、4.1%，检测速度分别为340.1、341.4FPS，具有更高检测和定位精度及泛化性。

关键词： 轴承   图像处理   滤波器  

摘要： 针对轴承装配后质检时，工业相机采集到的图像存在混合噪声和曝光不均，导致图像质量较差、影响后续处理的问题，本文提出一种基于改进加权引导滤波的轴承图像边缘保持方法。算法首先采用多尺度边缘感知约束代替单一边缘感知约束，通过两个滤波窗口约束正则化参数ε；其次计算引导图四个方向的全局梯度信息，进行梯度域加权；进而将多尺度边缘感知与梯度域加权保护相结合得到本算法；最后将该算法运用于轴承图像的保边降噪。研究结果表明：与其他保边滤波算法相比，本算法在对轴承图像滤波时能更有效地减少边缘阴影处的噪声残留，更完整地保持图像的边缘信息。在实测边缘提取中，与加权引导滤波对比，边缘断裂率降低了38%，噪点干扰率减少了42%，在客观图像评价指标方面，本算法处理后的图像均值方差减小了12.7%，峰值信噪比提高了2.6%。

关键词： 相关滤波   形变感知   特征融合   目标跟踪  

摘要： 虽然基于相关滤波的跟踪算法凭借着其出色性能和较低的计算复杂度在无人机平台得到了广泛应用，但其对目标形变感知和异常检测的方法较为单一，因此难以应对现实场景下的复杂跟踪任务。为此提出一种基于目标形变感知与特征融合的无人机目标跟踪方法——DPFF。该方法通过差分百分比的形式构建形变感知张量；并根据形变感知张量在空间上的分布构建空域掩膜与时域惩罚系数，实现自适应时空正则；同时根据形变感知张量和响应图分布构造基于特征融合的异常检测网络，通过深入挖掘二者的分布畸变信息防止在跟踪状态异常时模型受到背景噪声的污染。在VisDrone和OTB100等公开数据集上的测试结果表明，与目前先进的AutoTrack算法及其他主流跟踪算法相比，所提出算法在目标跟踪的准确率和成功率上平均有约3.32%的提升，具有更强的鲁棒性能。

关键词： 机器视觉   深度学习   目标检测   图像分割   螺栓检测   结构健康监测   YOLOv7   角度测量  

摘要： 螺栓连接是钢结构中最常见的连接形式，针对传统人工螺栓损伤检测效率低下等问题，提出一种基于深度学习与图像处理技术的检测算法，该算法能够检测出螺栓的正常、缺失、松动和锈蚀4种状态，并且对于难以识别的轻微松动状态也能做出针对性处理。该算法可分为2个部分：第一分支，对单阶段的目标检测算法YOLOv7-tiny进行改进，提出两阶段的YOLOv7-tiny-CM算法，直接进行螺栓损伤检测；第二分支，针对轻微松动情况，利用U-Net算法与图像处理技术直接检测出螺栓松动角度。经实验验证，第一分支所提的两阶段YOLOv7-tiny-CM算法在保持较低计算量的同时，能够达到更精准的检测性能；第二分支所提的松动识别算法能够直接计算出螺栓松动角度，不论是单螺栓识别还是多螺栓识别，误差均在1.7°以内，对于实际工程项目中的螺栓损伤检测有一定的参考价值。

关键词： 目标检测   注意力机制   YOLOv5   茶叶病害  

摘要： 针对茶叶病害在复杂自然环境下识别精度受限的问题，本文提出一种融合SE注意力机制的改进YOLOv5目标检测方法YOLOv5-SE。该方法在YOLOv5网络主干中引入SE注意力模块，增强特征通道的自适应加权能力，抑制冗余信息对检测精度的影响。同时，引入小目标检测头，提升对小尺度病害的检测效果，增强模型在高分辨率特征图上的检测能力。在包含8种茶叶病害及健康叶片的数据集上进行实验验证，结果表明，YOLOv5-SE的检测精度达到93.2%，召回率达到95.0%，较改进前模型精度提高4.5%，召回率提高3.8%。进一步的消融实验表明，SE注意力机制能够在优化特征提取能力的同时，有效提升模型对复杂背景下茶叶病害的检测鲁棒性，减少误检与漏检的发生。

关键词： 扩展目标跟踪   星凸形   克里金模型   非线性滤波  

摘要： 在高分辨率传感器条件下,针对星凸形不规则形状扩展目标跟踪问题,本文提出了克里金模型星凸形扩展目标跟踪算法.首先,在随机超曲面模型(RHM)的基础上以径向函数描述星凸形扩展目标的不规则外形.然后,通过传感器获得的多源量测信息,以克里金模型(Kriging)建立径向函数输入与输出之间的非线性映射关系,进而推导得出对应非线性量测方程.最后,结合非线性最优滤波器推导出克里金模型星凸形扩展目标跟踪算法,并使用弗-面加权距离作为星凸形扩展目标形状估计评价指标.仿真实验表明了所提算法对于不规则星凸形扩展目标跟踪估计的有效性.

关键词： 目标检测   目标跟踪   YOLOv5s   Deep-Sort   Swin Transformer  

摘要： 针对交通监控场景中远端小目标车辆漏检，跟踪车辆ID切换和跳变等问题，提出了改进YOLOv5s（You Only Look Once version 5 small）的小目标检测算法和改进Deep-Sort（Deep Simple Online and Realtime Tracking）的小目标跟踪算法。改进的YOLOv5s-CSC小目标检测算法中，首先，添加CBAM（Convolutional Block Attention Module）到颈部网络中，增强对小目标信息特征的精确提取；其次，将主干网络中的CSP（Cross Stage Partial）与Swin Transformer融合构建成CSPSTB模块，使网络更好地关注全局信息；最后，通过引入CARAFE（Content-Aware Reassembly of Features）上采样算子替换最近邻插值上采样方法，实现更有效的特征融合，获得更为丰富和有效的特征表示。改进的Deep-Sort小目标跟踪算法中，提出深度表观特征提取网络并设计Res＿SE（Residual Squeeze-and-Excitation）结构，在数据关联过程中更能适应车辆特征，与YOLOv5s-CSC结合后，解决了远端小目标车辆跟踪失效以及跟踪过程中ID切换、跳变等问题。实验结果表明，YOLOv5s-CSC模型相较于原YOLOv5s模型，mAP（mean Average Precision）、mAP50、mAP75分别提高1.5%、1.5%、1.9%，APS（Average Precision Small）、APM（Average Precision Medium）、APL（Average Precision Large）分别提高4.2%、1.4%、0.4%，能够有效解决远端小目标车辆漏检的问题。改进后的Deep-Sort算法与YOLOv5s-CSC算法结合，在高速公路采集的数据中MOTA（Multiple Object Tracking Accuracy）、HOTA（Higher Order Tracking Accuracy）、IDF1（Identity F1 Score）分别提升9.6%、3.2%、7.7%，解决了ID切换、跳变等问题，证明改进后的模型具有更好的跟踪精度和鲁棒性。