关键词： 微流控   十字聚焦   气泡   图像处理  

摘要： 微气泡因具有尺度小、比表面积大、膜传质率高等特点,在超声造影、靶向药物输送、污水处理等领域有着重要作用。传统的微气泡制备方法存在气泡粒径分布不均、无法精确调控制备气泡尺寸与数量等问题。使用十字聚焦型微流道生成气泡,可精确控制气泡直径与生成频率,采用基于透镜的气泡检测系统研究了气泡生成机理与分散规律,探究了两相流速、表面张力、液相动力黏度对生成气泡的影响规律。结果表明,气泡直径随液相流速和动力黏度增大而减小,随表面张力增大而增大,气泡生成频率随气相流速和液相动力黏度增大而增大,随表面张力增大而减小。液相甘油浓度在50.0%～68.5%之间,对于气泡的生成直径和频率影响最大,可制备气泡直径235～460μm,气泡生成频率11.8～24.2 Hz,对生成气泡的调控性最好。

关键词： 平均检测精确度   桥梁表观病害   目标检测   YOLOv5   轻量化  

摘要： 针对常规桥梁定期检查中移动性需求、硬件资源受限及过度依赖现场作业等问题，提出一种基于YOLOv5的轻量化桥梁表观病害检测方法。在YOLOv5算法框架基础上，分别结合轻量型网络架构ShuffleNetV2和MobileNetV3的优点进行轻量化改进。首先，在保留YOLOv5特征融合模块的基础上，引入ShuffleNetV2网络并在网络末端嵌入SE注意力机制，以补偿模型简化带来的精度损失。其次，用MobileNetV3网络的特征提取核心结构Bneck替换YOLOv5的主干网络，得到YOLOv5-MNv3模型，减少了模型参数和计算量。最后，基于常规桥梁表观病害数据集进行试验，试验结果表明：改进后ShuffleNetV2性能大幅提升，参数量和计算量分别减少36.09%和45.57%，但模型平均精度(mAP)与检测准确率下降显著。MobileNetV3核心结构的轻量化模型保持原有mAP值的前提下，检测精确度仅降1.01%，参数量和计算量分别降低46.8%和58.9%。

关键词： 可变形卷积   目标检测   YOLO   注意力机制  

摘要： 人工智能技术的发展使得基于深度学习的医疗图像检测在临床实践中具有广泛应用前景。然而，针对一些如肿瘤、斑块等医疗图像目标检测，存在待标面积小、目标可提取特征少、提取难度大等问题。针对上述问题，提出了一种基于多分支注意力和深度下采样的医疗图像目标检测方法 （MD-Det）。该方法引入特征提取模块（C2f-DWR），进行对多尺度特征的提取，增强目标的特征表示；为了能够更有效地捕捉图像中的上下文信息，增强特征的提取能力，该方法设计了一种深度下采样模块（D-down），通过融合多种采样方式，其核心思想是结合平均池化和最大池化的操作，以充分利用它们各自的优势来提高特征提取的效果。在保持计算效率的同时，提高了目标检测精度；然后提出一种多分支注意力机制（Multi-branch Attention，MA），提取和加权融合不同维度的特征，每个分支提取输入张量的不同维度特征，包括空间和通道特征。通过生成注意力权重，强调重要特征并进行加权融合。增强了网络的特征提取能力，提升模型的检测性能。最后提出一种新的联合优化策略，将Wise-IoU损失和NWD 损失进行加权，形成一个联合回归损失函数，进一步提高目标识别的准确率。实验表明，所提方法可以有效提高模型在医疗图像目标的检测精度，在医疗数据集Tumor和Liver上的mAP0.5相较于基准模型YOLOv8n分别提高了2.5%、1.1%。

关键词： 视觉目标跟踪   多层级特征聚合   时空关联   傅里叶变换   多层级跨轴注意力  

摘要： 针对当前大多数高性能跟踪器忽略了浅层特征中的细节信息与时空线索的充分利用，导致跟踪性能提升受限的问题，提出了一种基于多层级特征聚合的时空关联视觉目标跟踪算法。该算法将时间令牌、参考帧和搜索帧组成的视频片段输入到Transformer编码器中来捕捉视频中的长距离全局上下文，并在编码器的不同层级提取出多层级时间令牌和搜索帧特征。针对多层级时间令牌，首先采用双向策略对不同层级特征进行聚合，接下来引入结合傅里叶变换的可学习时间令牌，通过重点关注时间令牌从浅层到深层之间的多层级频率特性，抑制多层级聚合带来的噪声干扰并增强目标特征。针对搜索帧特征，利用多层级跨轴注意力机制来计算不同层级和轴向的注意力特征并进行融合，以获得更丰富的目标特征表示。最后，利用自注意力将经过处理的多层级时间令牌和搜索帧特征进行聚合并送入预测头网络实现目标跟踪。提出的算法在GOT-10K数据集上重叠度为0.75时精度达到76.0%，在LASOT、TrackingNet数据集上成功率分别达到73.4%和85.4%。相比于最新基线ODTrack和ARTrack，提出的算法达到了最佳的跟踪精度。理论分析和实验结果验证了提出的基于多层级特征聚合的时空关联策略在视觉目标跟踪上的有效性。

关键词： 无人机   小目标检测   RT-DETR   多尺度特征融合  

摘要： 针对无人机不同视角下成像差异、高度与相机焦段变化影响目标定位精度的问题，提出了一种优化RT-DETR多尺度特征融合的OMSI-DETR改进模型。首先，设计CSP-MSFF(CSP-Multi Scale Feature Fusion)模块实现多尺度特征的高效提取与融合，并构建新的轻量级骨干网络；其次设计并引入内容引导特征融合模块实现浅层与深层特征的加权融合，增强颈部网络输出特征对目标区域的关注，减少目标信息丢失；最后，设计Inner-EIoU作为回归损失，通过放大因子生成大辅助框，缓解小目标定位精度差的问题。在VisDrone2019数据集上，改进模型的mAP0.5提升了2.1%，参数量和计算量下降了25.5%与9.4%，最后在泛化实验与复杂场景的推理测试均表现优秀，验证了改进模型的有效性。

关键词： 激光光斑检测   混合滤波   Otsu算法   自适应形态学操作   光斑轮廓   拟合圆  

摘要： 为解决传统激光光斑检测方法在适应性和精度上的不足，本文提出了一种基于计算机视觉的实时光斑特性检测方法。对单帧图像应用伪中值滤波和伪均值滤波去噪，结合Otsu算法与获取二值化图像后使用自适应形态学操作，基于图片的曲率与梯度自动调节结构元素的大小和形状，在二值图像上做卷积，获取平滑的光斑轮廓。与传统静态检测方法相比，该实时检测系统在光斑检测效率与适应性方面显著提升，与拟合圆误差降至1.83%。该方法提供了一种高精度的光斑检测方案，具有广泛的应用潜力。

关键词： 深度学习   目标检测   目标跟踪   深度可分离网络结构   YOLO  

摘要： 随着民用无人机数量增多安全风险增加，对飞行无人机跟踪成为保护行人安全的重要方法。目前现有无人机跟踪方法存在对远距离无人机检测精度较低、参数量大难以实时跟踪、目标易丢失问题。因此提出一种基于改进YOLOv8（you only look once version 8）轻量级网络的无人机跟踪方法。针对现有方法对远距离无人机检测精度较低的问题，以YOLOv8为基线模型替换网络结构中原始卷积模块为空间到深度分组卷积在降低网络参数的基础上提高模型对小目标的特征提取能力。针对模型参数量大导致模型难以实时跟踪的问题，设计一种深度可分离混洗网络结构（mobile-shufflenets）作为模型主干网络，在保证检测精度的同时缩减模型参数量。针对普通跟踪模型跟踪易丢失的问题，使用改进检测模型与ByteTrack跟踪算法结合提高对复杂环境下无人机的跟踪性能。在Real World数据集上对跟踪方法进行验证，相较基线模型改进无人机检测模型的检测精度提高1.6%，召回率提高0.8%，F1度量值提高0.2，平均检测精度提高0.5%，参数量减小0.2M，证明模型有较好的检测精度和实时性。使用文章跟踪方法对无人机飞行视频跟踪测试，结果表明该方法对无人机跟踪有较好的性能。

关键词： 物联网   阿尔茨海默症   脑电波检测eSense   图像处理  

摘要： 阿尔茨海默病是老年性痴呆中最常见的类型，约占老年期患者的60%-80%，其流行趋势已引起全球广泛关注。本文旨在为阿尔茨海默病早期患者提供辅助治疗，采用TGAM脑波模块和半干水凝胶电极对大脑信号进行监测。通过独立成分分析（independent component analysis， ICA）技术，提取信号中的隐藏成分，并将其转化为数字信号，再通过傅里叶变换进行频谱分析，进一步提取内嗅皮层波形。结合“eSense专注度指数”和“eSense放松度指数”进行数据对比，以提高监测精度。在视频监控方面，采用ESP32-CAM模块进行图像采集和存储，并利用NB-IoT技术将视频数据上传。设备还加装了定位模块，实现精准定位，并通过蓝牙技术实现设备间的安全便捷数据传输。本文针对阿尔茨海默病患者面临的易走失、监护成本高及发病时机不确定等问题，提出了解决方案，弥补了现有看护装置在实时监测、视频画面和使用便捷性方面的不足。研究为疾病的早期诊断与治疗方法的优化提供了有价值的参考，也推动了医疗技术的创新与应用。

关键词： 图像处理   图像融合   全色锐化   多尺度注意力   多光谱遥感图像  

摘要： 全色锐化技术是通过将全色图像中的高空间分辨率纹理细节与较低分辨率多光谱图像中丰富的光谱信息相融合，从而生成兼具高空谱分辨率多光谱遥感图像的融合技术。特别是近年来随着深度学习技术的飞速发展，基于深度学习的全色锐化方法在融合精度上获得了显著提升。尽管如此，当前的锐化模型在空谱信息利用、特征尺度建模以及特征融合策略等方面仍有待加强。因此，本文提出了一种基于多尺度级联结构的渐进式全色锐化网络模型，该网络通过多尺度级联融合结构和多尺度混合注意力机制，逐步整合不同尺度下的空谱特征，实现多层级信息融合；其次，本文模型还设计了一种结合浅层和深层特征的多阶段协同融合策略，从而提高了遥感图像的空间纹理细节和光谱一致性。通过在快鸟和高分二号数据集上的对比实验表明，本文方法在主客观评价方面均优于其他方法，且通过消融实验验证了各子模块在本文所提模型中的贡献和有效性。

关键词： 矿用无人驾驶车辆   井下目标检测   特征融合   轻量化   YOLOv8  

摘要： 针对煤矿井下无人运输车作业场景中存在的低光照、多粉尘及目标形态多变等因素导致传统检测模型易出现漏检、错检和实时性不足的问题，本文提出了一种高效精准的煤矿井下无人运输车辆目标检测模型——YOLOv8-CBD。首先，结合Dual思想融合CSPNet与HetConv，提出了一种新的CSPConv模块，用于替代原YOLOv8网络中的C2f模块，在保证模型检测精度的同时，降低了模型的计算复杂度；其次，引入加权双向特征金字塔网络（BiFPN）来改进YOLOv8的颈部网络，根据不同的特征重要性分配不同的权重，有效地融合了不同尺度的目标特征，保证目标物特征信息的高效利用；同时，将传统的检测头替换为Dynamic Head，使检测头在复杂背景中的表现得到显著提升，强化模型对小目标的检测能力；最后，使用Focaler-IoU代替CIoU，重构IoU损失的线性区间映射，实现模型损失值在不同难度回归样本间的动态调节，增强模型在复杂煤矿井下环境中的定位和检测能力。利用煤矿井下无人运输车辆目标检测数据集对所提出的YOLOv8-CBD模型进行测试，试验结果表明：YOLOv8-CBD模型的mAP@50达到91.5%、mAP@50:95达到65.9%、Recall达到80.9%、F1-score达到0.861、FPS达到106帧每秒，相较于基线模型YOLOv8分别提升了3.3%、4.7%、2.9%、3.1%和16%；其参数量仅有2.63M，计算复杂度为6.4GFLOPs，相较基线模型YOLOv8n分别下降了12%和22%。与Faster-Rcnn、SSD、YOLOv5n、YOLOv6n、YOLOv7-tiny、YOLOv8s、RT-DETR、Deformable-DETR检测模型相比，YOLOv8-CBD在精度、召回率、参数量以及计算复杂度等各项指标上均优于其它模型。YOLOv8-CBD在提高检测精度的前提下，使得模型更加轻量化，拥有更少的参数量与计算量，更加适合部署在煤矿井下作业的各种无人运输车上，有效解决了因光照不足、烟雾以及粉尘影响引起的无人运输车目标检测困难的问题。