关键词： 图像处理   钛合金   目标检测   轻量化   深度学习  

摘要： 钛合金表面缺陷检测是保证钛合金产品生产和使用安全的一项重要任务，但是现有检测手段检测效率低，难以部署在终端设备。为了克服现有技术的不足，提出了一种基于YOLOv10n轻量化改进的Titanium-YOLO钛合金表面缺陷检测算法。在主干网络部分采用DualConv替代部分卷积，将C2f-DualConv模块替代传统C2f模块，减小了模型参数量和计算量；采用SlimNeck结构轻量化改进颈网络，提升网络性能的同时降低了模型计算量；采用轻量化检测头litehead替代传统v10Detect，在保证检测精度基本不变的前提下，降低了模型参数量和计算量。结果表明，Titanium-YOLO算法在自主构建钛合金数据集中的平均精度为99.0%，较基准模型提升了2.4%；参数量和计算量分别为2.6×106和7.3×109，较基准模型分别降低了3.7%和13.1%，优于其他实验对比算法。该算法具有高精度和低成本，方便部署在终端设备上，具有较好的工程应用价值。

关键词： 水下目标检测   YOLOv8n   注意力机制   损失函数  

摘要： 针对传统目标检测方法在对水下目标检测时存在参数过多、推理速度慢、检测精度低等问题，提出了一种基于改进YOLOv8n的水下目标检测算法。首先，使用Ghost模块重新设计C2f模块，以减少算法的参数量和计算复杂度；其次，在YOLOv8n算法中引入了TA模块来提高特征提取能力，并优化了YOLOv8n的检测头结构，增加了小目标检测层(P6)，有效结合不同尺度的特征信息，保留更详细的目标特征信息，提高了小目标的检测能力；最后，在预测部分采用Wise-IoU作为损失函数，Wise-IoU通过在高质量和低质量图像之间分配多个权重来提高检测精度。实验结果表明，改进后的算法在自建的水下目标检测数据集上的mAP达到85.2%，FPS为97，与原始的YOLOv8n算法相比，mAP提升了3.5个百分点，证明了所提方法能够满足水下目标检测的需求。

关键词： YOLOv8   目标检测   注意力机制   C2f模块   RFCBAM   无人机  

摘要： 无人机反制系统中，无人机目标具有显著的多尺度特征，特别是在小目标检测方面，往往检测精度较低。针对此问题提出一种基于动态样本注意力尺度序列的YOLOv8n优化改进算法YOLOv8-C2f-RFCBAMConv。分析了目标无人机在多尺度和小目标识别中的挑战，提出通过改进主干网络和融合C2f-RFCBAMConv模块来优化特征提取能力，提升多尺度特征处理能力。采用RFCBAM机制，并引入残差融合和上下文注意力机制，提升了特征表达能力并减少计算复杂度。此外，使用WIoU损失函数改善了小目标低质量数据对梯度的影响，加快了网络收敛速度。实验结果显示，改进模型在自采无人机数据集上的mAP@0.5和mAP@0.5:0.95分别提升了3.1%和1.7%，GFLOPs提升了0.7，表现出更高的检测精度和更低的计算复杂度。

关键词： 图像处理   图像去雾   大气散射模型   四叉树分解   自适应伽马指数  

摘要： 为了克服现有图像去雾方法的不足，进一步改善图像去雾的效果，提出一种基于四叉树分解的自适应图像去雾方法。根据标准差对原有雾图像进行迭代的四叉树分解以及天空区域亮度较大且较为平滑的特征，选择均值与标准差的差值最大区域的像素中值作为大气光；根据区域的亮度均值和标准差，以自适应邻域的方式分别计算各个区域的传输率；由估计的大气光和传输率，通过大气散射模型对有雾图像进行去雾恢复；最后对去雾图像的亮度分量进行自适应的伽马优化。结果表明，相对于现有去雾方法，本文中的方法对图像去雾后具有更优的视觉效果，去雾图像的平均梯度和信息熵分别高于现有方法6.56%和1.75%以上，而无参考图像空间质量评估值低于现有方法8.25%以上。本研究对视觉检测、识别和跟踪等领域是有帮助的。

关键词： 计算机视觉   光流   边缘检测   大位移   振动测量  

摘要： 结构的振动通常包含像素级和亚像素级位移，而单一的识别方法往往表现出较低的鲁棒性。为此，提出一种基于Canny-Hough变换和KLT(KANADE-LUCAS-TOMASI)光流的组合方法（CH-KLT），旨在识别同时包含像素级和亚像素级位移，从而提高大位移振动测量的精度。首先，拍摄结构振动的视频并进行预处理获得感兴趣区域（region of interest,ROI）的振动视频，再利用Canny-Hough变换计算ROI的整像素位移。其次，根据整像素位移对ROI的图像进行平移变换处理，将各个连续帧之间的结构运动限制到1个像素内，并重构ROI的视频，再利用KLT光流计算重构视频中ROI的亚像素位移。最后，将整像素位移和亚像素位移组合得到精确的像素位移，实现结构的大位移振动测量。通过模拟仿真和室内框架结构试验，进行了振动测量，并将测量结果与Canny-Hough变换、传统KLT光流、金字塔KLT光流和基于多项式插值方法的测量结果进行了对比分析。结果表明，在模拟仿真试验中，CH-KLT与金字塔KLT光流均具有较高的位移识别能力，但金字塔KLT的误差曲线分布波动相对较大，且其误差存在增加的趋势；在室内框架结构试验中，CH-KLT的误差均值和标准差均小于金字塔KLT和基于插值的方法，误差曲线波动更小，展现出更强的适应性和测量精度。CH-KLT通过图像平移变换处理，将像素级的运动限制到亚像素级，实现大像素位移识别，避免了图像失真，有效保障了大位移运动的识别性能。克服了单一识别方法的局限性，显著提高了大位移的测量精度。

关键词： 目标检测   深度学习   多模态目标检测   对抗攻击   防御  

摘要： 目标检测作为计算机视觉中的一项基本任务，具有广泛应用。而基于深度学习的目标检测算法以其强大的特征提取能力，成为了当前研究主流。然而大多数目标检测算法仅对可见光图像或红外图像进行单模态检测。通常情况下，可见光图像在天气恶劣、夜间、目标被遮挡等场景成像较差，导致检测性能下降。利用红外图像可以改善上述问题，但红外图像会缺失目标的部分细节信息。因此，基于可见光和红外图像的多模态融合检测算法逐渐兴起。然而，现有的研究集中于改善多模态目标检测算法的性能，对于其安全性的研究相对零散。基于现有的研究工作，围绕多模态目标检测对抗安全性进行综述，首先对多模态目标检测及攻防进行理论分析，其次按照不同时段的融合检测对多模态目标检测方法进行分类归纳，再对现有的目标检测对抗攻击方法与对抗防御方法进行归纳整理，整理了现有的多模态目标检测数据集与主要评价指标，最后探讨了多模态目标检测未来潜在的研究方向，进一步推动多模态目标检测对抗安全研究发展和应用。

关键词： 航空遥感图像(ARSI)   ARSI目标检测   空洞Inception   Transformer   改进U-Net(MU-Net)  

摘要： 航空遥感图像（ARSI）目标检测在国防和民用的很多领域具有重要的应用价值。针对现有ARSI目标检测方法中存在的形态特征提取不充分、目标区域检测不完整、背景混淆等问题，提出一种基于改进U-Net（MU-Net）的ARSI目标检测方法。该方法在U-Net中引入了多尺度空洞卷积模块Inception、语义增强模块Transformer和注意力门控模块，旨在提取局部与全局多尺度分类特征。主要过程包括：利用空洞Inception模块增强U-Net的多尺度局部特征提取能力；利用Transformer模块捕获ARSI的全局位置信息，整合局部形态特征；利用注意门控模块抑制噪声和不重要的特征，实现图像目标检测。该方法在ARSI数据集上进行了测试。结果表明，所提出的方法的检测精度为94.26%、训练时间为2.13 h时，检测结果整体优于其他方法。与其他模型相比，该MU-Net可以提取更丰富的ARSI目标形态特征，检测到更完整的目标区域。

关键词： 羽毛分拣   图像处理   机器视觉   ResNet   YOLO   OpenCV   气泵控制   自动化  

摘要： 在羽毛生产过程中，洗净烘干后的羽毛中常掺杂杂色羽毛，现有拣出方法效率低且人工筛检成本高，制约了羽毛品质；针对上述问题，对ResNet-18、YOLOv5和OpenCV等技术方案进行了实验对比及分析，设计并实现了一个基于机器视觉的羽毛分拣系统；详细介绍了单片机和继电器、电磁阀、气泵等硬件系统设计，以及HSV提取、运动检测、颜色识别、数据通信、气泵控制和远程监控等软件模块的具体实现；结合图像处理与机器视觉相关算法，设计并实现了基于气泵控制的羽毛自动化分拣系统；对该系统在在正常室内环境下进行测试，手持羽毛识别测试的分拣正确率在白天和傍晚分别达到96%和90%；自由下落羽毛识别测试的分拣正确率在白天和傍晚分别为80%和74%。

关键词： 目标检测   深度学习   无人机   YOLOv11   特征融合  

摘要： 【目的】针对无人机视角下小目标检测任务中目标尺寸较小、特征模糊和遮挡等问题，提出了一种基于重校准与上下文引导的小目标检测算法（RCS-YOLO，Re-Calibration and Context-Guided Small Object Detection Algorithm）。【方法】首先，该算法设计重校准特征金字塔网络（Re-Calibration FPN），结合P2小目标检测层优化网络结构，提升特征信息传递和多尺度融合效果。其次，为解决目标多变性问题，引入上下文引导网络下采样模块（CGBD，Context Guided Block＿Down）增强目标信息的上下文感知能力，促进局部特征与全局上下文的融合。最后，引入大型可分离核注意力机制（LSKA， Large Separable Kernel Attention）与空间金字塔池化（SPPF， Spatial Pyramid Pooling - Fast）模块融合，构建SPPF＿LSKA模块，增强感受野，减少计算量，适用于实时检测任务。【结果】实验表明：与原始的YOLOv11n算法相比，改进算法在VisDrone2019数据集上的mAP50和mAP50-90分别提高7.3%和5.2%，在RSOD数据集上的mAP50-90提高6.1%，精度达到了99.4%，验证了算法的有效性。【结论】 通过与其他主流目标检测算法的对比测试，改进的算法在VisDrone2019和RSOD数据集中表现良好，性能优于当下主流算法，有效解决无人机视角下小目标检测漏检误检问题，具有一定的参考价值和应用价值。

关键词： 深度学习   目标检测   YOLOv10   BiFPN   GhostConv   中药材检测  

摘要： 本研究利用轻量化的深度学习YOLO(You Only Look Once，YOLO)v10目标检测算法，构建了面向移动端的高效中药材检测算法，为中药材种植生产、质量评价、教学科普以及自动化抓药等工作场景中的中药材检测提供了智能、高效的技术方案。建立包含31种常用中药材目标检测数据集，共6900张图像。为提升模型的多尺度检测能力和检测效率，引入幻影卷积(Ghost Convolution，GhostConv)轻量化卷积与加权双向特征金字塔模块(Bidirectional Feature Pyramid Network，BiFPN)，提出了一种改进的轻量化中药材检测模型YOLOv10n-GB，并利用算法对数据集中图像样本进行训练、测试、分析、移动端部署测试。改进后模型的参数量2.27M(Million，M)、计算量6.4G（Giga，G）、平均精度mAP50(mean Average Precision 50，mAP50)为0.947，与YOLOv10n相比参数量降低1.2%、计算量降低4.5%，mAP50提升了1.8%，在移动端的模型检测平均帧率8.1帧每秒(Frames Per Second，FPS)。与其他轻量化算法YOLOv5n、YOLOv8n相比，YOLOv10n-GB具有最低的浮点计算量和更高的检测精度。YOLOv10n-GB算法完成了面向移动端的中药材的高效检测任务，为建立便携、实时的中药材检测方案开辟了新思路。