关键词： 三维目标检测   特征融合   注意力机制   体素   激光雷达  

摘要： 针对目前大多数基于体素的三维目标检测方法对路上行人及骑行者等小目标物体检测识别效果较差的问题，本文提出了一种基于体素纹理信息与深度语义融合的单阶段三维目标检测网络（Voxel-AESC）。首先本文考虑体素在不同感受野下的空间特征，提出多尺度3D特征金字塔网络模块（ISC3D）以增强对三维空间细腻的局部信息提取；其次提出融合残差网络的多注意力网络模块（CASA）使得网络能够自适应地提取目标最有差异性的特征，显著提高网络对重要信息的关注能力；最后利用KITTI数据集对算法进行验证，其中验证集中对Car、Cyclist和Pedestrian三类目标3D平均检测精度分别为81.45%、68.59%、52.91%,BEV平均检测精度分别为89.16%、71.90%、52.56%，推理时间为55ms，所提算法的检测精度和效率优于目前大多数的三维目标检测算法。并进一步将算法部署在实车平台上，验证了其工程价值。

关键词： 计算机   网页设计   图像处理技术  

摘要： 随着科技的不断进步,无论是硬件性能的提升还是算法的优化,图像处理技术都取得了突破。这些进展不仅使传统图片更加生动,还为动态图像和复杂视觉特效提供了无限可能。在计算机网页设计中运用图像处理技术,打破传统设计方法的不足,利用图像处理技术提高网页设计质量。有鉴于此,文中分析计算机网页设计的特点,总结图像处理技术的内涵,探讨了计算机网页设计中图像处理技术的运用,并为类似研究提供借鉴。

关键词： 航拍检测   目标检测   注意力机制   交通安全   深度学习  

摘要： 针对当前无人机在航拍检测任务中存在的对小型目标的检测精度低、漏检误检，模型参数量大导致检测效率较低等问题，以及满足对高速公路实时检测的要求，提出更适用于无人机航拍检测任务的SCW＿v8n算法。首先在C2f模块中创新性融入设计的MCCA注意力机制，增强对目标细节信息特征的提取，这会导致模型参数量变大从而影响检测效率；故将原模型中的骨干网络替换为ShuffleNetV2网络，在完成轻量化的同时提升对目标的检测效率和精度；最后将CIoU 损失函数替换为WIoUv3损失函数，增强模型的泛化能力。实验表明：SCW＿v8n检测模型的平均精确率（map@0.5）提升9.8个百分点，达到了86.5%，整体性能相较于原始模型有了明显的提高。

关键词： 计算机图像   纺织工业   应用  

摘要： 随着世界纺织工业的迅速发展,人们对生产效率、产品质量提出了更高的要求,因此,如何利用计算机图像处理技术来提高纺织产品的质量显得尤为重要。另外,采用色彩一致性分析技术,不仅能提高织物的外观品质,而且能提高消费者对产品的满意程度。计算机图像处理技术在纺织行业的创新性应用,是一种将先进技术资源转化为提高纺织产品质量、提高生产效率的高附加值过程。本项目以纺织行业为研究对象,以图像分析与处理为手段,以提高纺织产品质量检测、设计研发、生产制造及销售为目标,以提高纺织产品的生产效率与精度为目标。在于通过技术创新,使纺织生产过程自动化、智能化,实现个性化、交互式的市场营销,增强纺织企业的竞争能力,提高市场反应能力。

关键词： 大鲵   目标检测   YOLO v11   深度学习   大鲵检测装置  

摘要： 为实现野外复杂环境下大鲵的快速准确识别，提出一种基于YOLO v11n改进的识别模型。采用在Backbone层引入高效注意力模块（Efficient multi-scale attention module，EMA），同时将CIoU（Complete intersection over union）损失函数替换为Wise-IoU（WIoU）损失函数，在Head层引入轻量级自适应提取卷积LAE（Lightweight adaptive extraction of convolutions）。通过消融实验和对比实验可知：改进模型在召回率、精确率、F1分数和帧率等方面，分别达到94.85%、95.39%、95.12%和77.20 f/s，模型内存占用量为11.56 MB，浮点运算量为8.65×109；与基础YOLO v11n相比较，召回率、精确率、F1分数和帧率，分别高5.70、6.13、5.92个百分点和27.1 f/s。本文所提出模型YOLO v11n-EWL在模型的稳定性、识别速度及精度等方面都有显著提高。改进后的模型可满足大鲵在野外的实时检测需求且可长期适应户外工作，并构建一套大鲵全天候图像智能识别及行为检测系统。本文可为野外复杂环境下的大鲵实时检测提供理论技术支撑。

关键词： 单阶段目标检测   深度学习   轻量化模型   经典卷积架构   Transformer架构  

摘要： 单目视觉目标检测凭借其低硬件成本与高实时性的显著优势，已逐渐成为自动驾驶、智能监控等领域的核心技术，发挥着不可或缺的作用。然而，几何歧义性、遮挡鲁棒性及小目标检测精度等问题仍是当前研究的瓶颈。本文主要从算法层面出发，从算法演进、性能评估与轻量化设计三个维度系统性地量化分析单目视觉目标检测技术的进展：首先，将单阶段检测算法解构为经典卷积架构与Transformer架构进行剖析、总结其结构创新与性能瓶颈，揭示精度-速度-复杂度的权衡规律；其次，从网络设计-算法优化-模型压缩三个层面探讨轻量化技术与目标检测算法的融合策略，并整合目标检测用于训练和评估的三种主要官方数据集中的多维度评价指标，搭建基于MS-COCO-2017数据集的跨模型对比框架，对不同架构的单阶段检测器进行横向性能对比；最后，展望多模态融合、轻量化改进等前沿方向，旨在为单目视觉目标检测算法的工程化应用与理论突破提供系统性参考。

关键词： 无人机遥感技术   林业资源调查   图像处理  

摘要： 为解决传统技术模式中存在的林业资源调查效率低、数据误差高的实际问题,文章将以无人机遥感技术为研究对象展开分析,结合某地区的实际情况,在说明该技术在林业资源调查与监测中的可行性后,对其中的关键技术应用方案展开研究,包括森林资源的调查、造林面积核查以及森林防火救灾等几方面,希望为类似地区的林业资源管理提供支持。

关键词： 深度学习   目标检测   位姿估计   共轴双旋翼无人机   CDPN   机械臂抓取  

摘要： 本文针对共轴双旋翼无人机抓取应用中的目标位姿估计方法展开研究，提出基于CDPN的无人机目标位姿估计模型EPRO-CDPN，其前置目标检测器采用改进的YOLO网络算法，提高其目标检测能力；引入注意力机制，使模型关注关键特征信息，加强网络训练过程中通道间的特征融合；引入EPRO-PnP替换原来的传统PnP方法，将传统求解转化为对位姿概率分布的预测。整个位姿估计网络实现为一个端到端的网络。位姿估计网络模型在在公开数据集LineMod、自制数据集上进行了算法性能测试，并以共轴双旋翼无人机为物体目标进行抓取实验，验证姿态估计算法的可行性和有效性。检测精度在95%以上，检测速度快，FPS达到35.2帧/秒，实现了实时目标姿态估计，为视觉引导的机械臂自动抓取回收共轴无人机奠定了研究和实验方案。

关键词： 边缘驱动   低照度图像   YOLOv8n网络   特征融合  

摘要： 针对低照度环境下，目标特征不明显、细节丢失严重、场景适应性差等问题导致目标检测精度低的问题，提出了一种基于边缘驱动的目标检测方法ED＿YOLO。首先，设计了HESM模块，通过Sobel算子提取边缘信息，引导多元特征交互，提升有效信息的敏感度。其次，提出了C2f＿DRM模块，高效整合局部细节与全局上下文信息。然后，构建了LFAM模块，在共享卷积的基础上，优化不同尺度特征的自适应调控方法，有效减少细节信息丢失。最后，引入RepGFPN模块，利用重参数化技术，提高模型的多尺度特征提取能力。在ExDark数据集上的实验结果表明，所提出方法的mAP50(%)达到了72.17%，与原始YOLOv8n相比，提高了2.87%，取得了较好的检测效果。

关键词： 无人驾驶方程式赛车   点云数据处理   YOLOV5   目标检测   传感器数据融合  

摘要： 为了快速准确的检测无人驾驶方程式大赛中赛道锥桶的特征信息，论文提出一种融合激光雷达点云数据和相机图像数据的检测方法。首先对点云数据进行感兴趣区域（Region of Interest，ROI）提取并对噪点进行滤波，针对目前地面欠分割和过分割问题引入自适应地面分割算法，并采用欧式聚类对锥桶空间位置信息进行提取；其次采集和标注图像数据集并使用YOLOv5进行训练后检测，完成锥桶颜色信息的提取；然后将激光雷达检测的锥桶空间位置信息和相机检测的锥桶颜色信息进行融合；最后设计实验进行验证，结果表明，论文所提出的融合检测方法能够弥补单传感器检测锥桶带来的问题，能够快速准确的检测出赛道中的锥桶，为规划和决策提供了保障。