关键词： Yolov8＿CSHC   珊瑚白化检测   空间金字塔池化网络   级联分组注意力模块   CIB＿C2f模块   混合注意力变换器   Marjan balance Dataset  

摘要： 针对海洋环境中珊瑚白化图像特征模糊、背景复杂多变导致的检测精度不足问题，在Yolov8n的基础上，提出了一种基于改进Yolov8n的珊瑚白化图像目标检测的Yolov8＿CSHC算法。首先，利用防冗余结构紧凑倒置块(compact inverted block， CIB)改进C2f(CSP bottleneck with 2 convolutions)模块，减少模型参数量以提高检测速度。其次，在特征融合网络中引入了基于局部注意力增强空间尺度聚合特征的空间金字塔池化网络，可以增强模型对局部细节的感知能力。最后，在特征融合过程中引入级联分组注意力机制，通过将输入特征分割处理，级联输出的方式提高了注意力的多样性和计算效率，使模型可以快速聚焦特征区域。后续引入混合注意力变换器，主要用于单图像超分辨率重建，进一步增强小目标的语义信息和全局感知能力。实验结果表明，在Marjan balance Dataset上，Yolov8＿CSHC相较于Yolov8n算法，GFLOPS降低了12%，mAP@0.5-0.95提高了3.6百分点。该算法可以有效地完成海洋珊瑚白化状况的目标检测任务。

关键词： YOLO   草莓成熟度   目标检测   图像处理   深度学习  

摘要： 草莓生长环境复杂，显著增加了草莓成熟度检测的难度，限制了自动化采摘技术的发展。为解决这一问题，建立了1个包含5 145张图像，3种成熟度类别的草莓数据集。同时提出1种草莓成熟度检测方法ASD-YOLO。首先，在特征感知阶段引入自适应下采样方法，通过其自适应调整采样区域的能力，保留草莓目标的细节纹理特征，提高模型表征能力；其次，嵌入无参数注意力机制，动态增强有效特征响应并抑制无关背景干扰，显著提升模型在遮挡和光照变化条件下的识别鲁棒性；最后，针对不同成熟度草莓所表现出的复杂特征，在模型中引入统一注意力机制目标检测头，融合尺度、空间及任务感知能力，提升多尺度目标检测精度。结果表明：该方法在草莓成熟度检测任务中精确率、召回率、F1分数以及mAP50分别达到了94.8%，94.0%，94.4%和97.2%，验证了该方法的准确性和可靠性，为草莓自动化采摘提供理论支持。

关键词： YOLOv8   金属裂纹   目标检测   注意力机制  

摘要： 随着工业化进程加快，金属结构件广泛被应用到生产中。而金属部件随着使用时间增加，不可避免会产生裂纹，裂纹的及时检测具有重要意义。为解决现有检测模型对金属裂纹目标检测精度不高，效果不理想的问题，提出了一种基于YOLOv8算法的改进模型。该模型首先获取了金属裂纹图像并进行一系列数据增强，构建了金属表面裂纹数据集；其次，提出增加一层预测特征层，充分利用网络提取的浅层特征图所包含的位置信息；此外，在骨干网络中增加了ELA注意力机制，增加了模型对图像目标区域的关注程度；最后将模型的损失函数调整为SIOU损失函数，优化了目标边界框的回归性能。在所搭建的数据集上开展测试，实验数据表明改进的YOLOv8算法平均均值精度（mAP）达到69.6%，相较于原算法提高6.4%，在金属裂纹检测中实现了较好的检测效果。

关键词： YOLOv4-Tiny   硬件加速   目标检测   现场可编程门阵列  

摘要： 针对YOLOv4-Tiny算法在FPGA上运行耗时长及功耗大的问题，提出了一种分块优化的硬件加速方法。该方法将特征图等分为多个小块，在每小块的推理过程中利用乒乓缓存机制实现数据预取与计算的流水化调度，同时通过流水线设计提升计算吞吐量，最终，在ZYNQ7020 FPGA上实现了YOLOv4-Tiny卷积神经网络的加速。最后，进行了硬件加速前后的对比实验和道路场景测试实验，结果显示，该方法在ZYNQ7020 FPGA上的单帧图像推理时间为0.411 s，平均功耗为3.021 W，综合性能优于现有的FPGA加速平台，验证了本文方法可以有效提高系统的数据传输效率和带宽利用率。

关键词： 自动驾驶   3D目标检测   单模态   多模态融合  

摘要： 近年来，自动驾驶因其在提升道路安全、提高交通效率等方面展现出巨大的潜力而受到越来越多的关注.在现代自动驾驶系统中，感知系统扮演着至关重要的角色，其目标是准确地估计周围环境的状态，并为预测和规划提供可靠的观测信息.其中，3D目标检测作为感知系统的重要组成部分，旨在预测自动驾驶车辆周围物体的位置、大小和类别.本文归纳了近年来自动驾驶领域中3D目标检测的研究进展，从单模态检测和多模态融合检测两个角度出发，介绍了使用不同传感器进行单模态方法和多模态融合方法的优势和不足.此外，本文还对比了各种代表性算法在公共数据集上的性能，总结了当前常用训练策略，并讨论了该领域未来的发展趋势.

关键词： 桥梁工程   深度学习   计算机视觉   损伤评估   有限元分析   图像处理  

摘要： 震后桥梁损伤评估是交通网络系统、城市生命线系统韧性的关键。传统的震后评估需要大量了解桥梁损伤机理的专业人士,严重阻碍了震后的黄金救援时间,而人工智能和计算机视觉对于裂缝识别、特征提取较为擅长,但是并没有建立起裂缝图片与损伤状态对应的图像-物理机制。因此,本研究建立了一种融合多级物理损伤准则、计算机视觉、深度学习的延性桥墩损伤状态智能预测方法,为仅通过损伤图像预测桥墩损伤状态提供了有效途径。本方法主要包含2个部分:(1)提取桥墩损伤图像及物理损伤信息,包括损伤特征图、墩顶横向位移和纵向钢筋应力,其中,损伤特征图由有限元模型损伤图像经过二值化与骨架化处理模拟裂缝的生成发展得到;(2)融合多级物理损伤准则预测损伤状态,将物理损伤信息与损伤特征图作为训练集训练残差神经网络(ResNet)。预测结果包含墩顶横向位移和纵向钢筋应力,结合多级物理损伤准则,判断桥墩结构损伤状态。在对试验数据集的预测结果中,墩顶横向位移与纵向钢筋应力的最大预测误差分别为22.38%和19.4%,两者与试验预测的最大误差均在20%左右,损伤状态预测准确。此结果证实了本方法模拟预测钢筋混凝土桥墩震后损伤状态的鲁棒性,为自动识别评估区域地震后桥梁桥墩损伤状态提供了重要思路。

关键词： 无人机航测技术   地形图更新精度评估   数据采集   图像处理  

摘要： 城市建设步入快速发展阶段,地形图更新需求十分急切,无人机航测技术借助高效、灵活、高分辨率等长处,广泛投入城市地形图的更新里。本文以广州市实验项目为依托,对其数据获取与处理流程进行分析,采用高精度设备,同时调整优化参数,维持影像数据的高质量。精度分析后得出,平面精度误差达到了±0.07米,高程精度呈现出±0.06米的误差,远低于标准的既定要求,数据体现出高完整性特质,就算相机畸变、阴影干扰等误差因素不容忽视,但依靠技术优化可进一步增强精度,助推城市测绘行业跃升。

关键词： 蓝印花布   HRA-YOLO   数据集   目标检测   分类和识别  

摘要： 针对非物质文化遗产蓝印花布纹样数字化分类和识别技术单一，精度低及泛化弱等问题，提出一种基于YOLOv11n改进的蓝印花布纹样分类和识别算法HRA-YOLO(HS-FPN-RFAConv-ASFF YOLO)。该模型构建了基于特征金字塔网络（FPN）改进的HS-FPN，提高了分类及识别精度和鲁棒性，并实现了轻量化；引入自适应空间特征融合(ASFF)改进YOLOv11检测头以形成新的检测头，提升了处理不同尺度蓝印花布纹样的能力；添加感受野注意力卷积(RFAConv)模块，在几乎不增加计算成本和参数的同时提升模型性能；将原本的损失函数替换为引入角度感知和几何约束的SIoU损失函数，加速模型收敛并提升检测效果。此外，构建了蓝印花布纹样数据集并结合多种数据增强手段对数据进行扩展。试验结果表明：与YOLOv11n相比，HRA-YOLO的mAP@0.5和mAP@0.5:0.95分别提高了4.1个百分点和2.8个百分点，参数量减少了18.2%；与YOLOv3-T、YOLOv5n、YOLOv6n、YOLOv8n、YOLOv8ghost、YOLOv9-T、YOLOv10n七种YOLO系列算法相比，HRA-YOLO算法的分类及识别精度均优于其他算法，综合检测性能最佳。认为HRA-YOLO算法适合应用于蓝印花布纹样数字化分类和识别的任务中。

关键词： 设施番茄   智能管控   计算机视觉   知识驱动   环境调控   精准农业  

摘要： 设施番茄作为设施农业中具代表性的高附加值作物，其品质智能管控技术正成为提升产品质量、优化资源配置与实现绿色生产的关键路径。系统梳理了当前设施番茄品质智能管控的研究进展，聚焦环境智能调控、计算机视觉检测及知识驱动决策三大方向，详述模糊控制、解耦控制、深度学习和强化学习等多种环境优化策略，以及计算机视觉在病虫害识别与果实无损品质评估中的应用，进一步总结知识图谱与多模态大模型在智能决策支持系统中的实践探索。智能化管控技术在有效提升病害识别效率、品质预测精度与能源利用水平的同时，仍面临多源异构数据融合困难、品质评价标准缺失、控制因子耦合复杂与部署成本较高等挑战。未来应构建统一数据标准与共享平台，发展高自适应智能算法与低成本传感体系，推动设施番茄生产向智能化、标准化与绿色化方向升级。

关键词： 三维重建技术   计算机视觉   数据处理  

摘要： 文章聚焦于三维重建技术在计算机视觉中的应用,深入探讨其面临的挑战与完善对策。首先阐述了相关理论和基础知识,包括三维重建原理、相机成像理论,如针孔成像模型、坐标系转换以及相机内参和外参矩阵。随后分析了三维重建技术在计算机视觉中的诸多挑战,例如复杂场景理解困难、数据获取与处理难题、算法精度与效率瓶颈以及硬件性能制约等。最后提出了一系列完善对策,有基于深度学习的场景理解与分割方法、优化数据获取与处理流程、算法改进与加速策略,以及硬件升级与优化方案,旨在提升三维重建技术的实用性和有效性。