关键词： 伪装目标检测   PRNet模型   多尺度注意力   动态特征融合   双向特征传播  

摘要： 为了提升伪装目标检测（camouflaged object detection， COD）中多尺度特征融合的有效性，本文提出了伪装目标检测的双向动态特征融合网络（dynamic bidirectional feature fusion for camouflaged object detection，DBFF），一种基于轻量化模型 PRNet（global localization perception and local guidance refinement）的创新架构，其核心包含两个协同模块。首先是双向融合金字塔模块(BiFuse-Pyramid)，构建轻量级双向跨尺度特征融合流，通过深度层级交互解决特征空间错位问题；然后提出了动态融合权重模块（dynaFuse-weight），设计参数化的动态权重学习机制，利用可学习参数α结合 Softmax 归一化，自适应分配各层级特征在融合中的贡献度，优化语义与细节融合，抑制噪声并强化关键特征。在四个标准 COD 数据集上的实验结果表明本文方法优于其他7个先进模型，同时保持了95 FPS的高效实时检测能力。

关键词： 道路头盔   目标检测   特征融合   小尺度目标   损失函数  

摘要： 为实现道路头盔佩戴的高精度检测，提出一种基于多层次注意力与空间特征整合网络（Multi-Scale Attention and Spatial Feature Fusion Net，MSASNet）。通过设计多层次注意力特征整合模块（Multi-Scale Attentional Feature Fusion，MSAFF），加强模型在复杂场景中对头盔目标关键区域的关注能力；引入自适应空间特征融合模块（Adaptively Spatial Feature Fusion，ASFF），增强多层次特征的有效融合，进一步提升头盔目标的检测精度；同时，提出一种混合损失函数(Lmix)，以优化小尺度目标的检测性能。实验结果表明，MSASNet在头盔佩戴检测数据集上的mAP达到95.2%，相比YOLOv11提升1.7个百分点，同时保持较高的实时检测能力。该研究可为道路复杂环境下头盔佩戴检测提供技术支持，具有重要的应用前景。

关键词： YOLO   茶叶病害   目标检测   DMF-Upsample   ASFF  

摘要： [目的/意义]传统模型使用传统标准化数据集训练后，对实际识别中较远或较近的多尺度茶叶病害目标有错检或漏检以及性能不足的情况。针对茶田病害巡检时存在的茶叶病害检测环境中病害形态多样、识别距离不固定且容易受到背景影响而被误判漏判等问题，并提出一种集成多尺度特征分解、可切换空洞卷积与自适应空间融合的改进模型YOLO-SADMFA (YOLO Switchable Atrous Dynamic Multi-Scale Frequency-Aware Adaptive)。[方法]该方法增加模型卷积、特征提取、上采样与检测头轮次加强多尺度能力。并提出一种多尺度特征分析解算与动态频率调整融合的动态多尺度频率感知上采样模块（Dynamic Multi-Scale Frequency-Aware Upsample, DMFUpsample）模块进行上采样。首先，该模块可以在有效融合多尺度特征的情况下控制上下采样的信息丢失；其次，引入了可切换空洞卷积模块（Switchable Atrous Convolution, SAConv）代替了原有跨阶段部分核心（Cross-Stage Partial Kernel-2, C3k2）模块，通过结合不同的空洞率的结果进一步加强捕捉目标多尺度信息，同时采用了权重锁定机制提升了模型性能；最后，在head结构中的引入了自适应空间特征融合（Adaptively Spatial Feature Fusion, ASFF）自适应空间特征融合模块的技术特性形成ASFF检测头，自适应地学习空间融合权重有效地过滤了相冲突的信息。同时建立了1个含有2 880张图像9种茶叶病害类别的茶叶病害数据集。[结果和讨论]该方法在茶叶病害检测的任务中精确度、召回率、和平均精度值分别为89.7%、82.6%、86.3%。YOLO-SADMFA较原版YOLOv11n模型精确度、召回率、平均精度值分别提升4.4、8.4、3.7个百分点，尤其在处理病斑面积占比10%～65%的多尺度目标时表现突出。在低光照、复杂背景等田间实际场景下，模型仍保持较高的检测稳定性，能够有效区分形态相似的病害类型，并在边缘计算设备上实现约161 FPS的实时检测速度。[结论]本研究所提出的YOLO-SADMFA有效解决了茶园复杂环境下多尺度病害检测难题，显著提升了检测准确性和鲁棒性，为自动化茶叶病害巡检系统提供了可靠的技术支持，对促进茶产业智能化发展具有重要应用价值。

关键词： SAR图像   目标检测   舰船目标   超像素分割  

摘要： 文中提出了一种融合超像素分割和聚合的SAR图像舰船目标检测方法。首先，定义了新的聚类中心变换准则和自适应相似性度量准则，基于这两种准则生成SAR图像超像素；然后，利用多向灰度共生矩阵计算超像素间的纹理相似度，实现纹理相似的超像素聚合；最后，基于超像素聚合结果，利用基于规则的目标检测方法，实现舰船目标快速检测。基于多种不同类型场景的SAR图像的实验结果表明，本方法具有稳健的舰船目标检测性能。

关键词： 目标检测   缺陷检测   YOLOv8算法   特征金字塔   损失函数  

摘要： 在织物瑕疵检测任务中，织物背景复杂以及缺陷呈现多样性等特性，给检测工作带来了严峻挑战。针对上述问题，本文提出一种有效的织物瑕疵检测算法：首先改进主干特征提取网络中的下采样操作，引入空间深度转换卷积（space-to-depth conversion convolution， SPD-Conv），以减少特征提取过程中的信息损失，提升特征提取的准确性；其次，构建多尺度融合特征金字塔（multi-scale fused feature pyramid， MFFPN），以减轻特征融合过程中的信息冲突干扰，增强跨层特征的交互作用；同时，将损失函数优化为Shape-IoU损失函数，通过关注边界框的形状和尺度来计算损失，提高边界框回归的准确性。实验结果表明，该方法在织物瑕疵检测任务中取得了显著进展，能够有效应对不同颜色和纹理织物的瑕疵检测场景。

关键词： 无人机搜救   深度学习   目标检测   探测手段   成像环境干扰  

摘要： 随着人工智能技术的发展，无人机（UAV）可通过搭载不同光电载荷对感兴趣目标进行自动识别定位，用于灾害环境下的人员搜救（SaR）任务。无人机搜救任务需要在复杂危险的搜救环境中快速找到失联人员，面临着探测手段单一、成像过程易干扰、背景错综复杂、无人机平台资源受限等挑战。近年来，将无人机系统与深度学习算法相结合已成为研究热点，为了展现无人机搜救的研究进展，对无人机搜救方法进行了综述。首先，针对无人机搜救任务的特点对无人机搜救面临的难点进行了分析；然后，对近年来各类基于深度学习的无人机搜救方法进行了梳理；此外，根据不同的数据类型，整理了与无人机搜救任务相关的目标检测数据集；最后，总结了目前研究存在的问题及未来的发展方向。

关键词： 低照度图像   目标检测   图像增强   注意力机制  

摘要： 针对低光照环境下目标检测精度下降问题，提出了基于增强型金字塔网络的端到端检测方法 EP-YOLO。构建E-PENet(Enhanced-Pyramid Enhancement Network)图像增强网络，其中设计空间-通道细节处理模块(Spatial-Channel Detail Processing Module,SCDPM)，通过双路径注意力机制融合空间与通道特征，引入可学习Sobel算子实现自适应边缘增强；提出自适应低频增强滤波器(Adaptive Low-frequency Enhancement Filter,ALEF)，利用分支级通道注意力优化多尺度低频信息处理。将E-PENet与轻量化检测器YOLOv9s进行端到端融合，同时在YOLOv9s中集成ContextGuided Block构建CGBRep4特征提取架构，提高特征提取效率。ExDark数据集上的实验结果表明，E-PENet的PSNR和SSIM分别达到26.92dB和0.84,EP-YOLO的mAP@0.5提升至74.8%，模型参数量减少12%，实现了精度与效率的协同提升。

关键词： 深度学习   InSAR   目标检测   形变区域识别   Yolov11n  

摘要： 干涉合成孔径雷达（InSAR）技术凭借其地表形变监测精度高、覆盖范围广的优势，已成为地表形变监测的重要手段。然而，形变目标通常存在显著的尺度和形态差异，且在形变密集区边界呈现模糊和不规则特征。现有检测模型在细粒度和边缘信息表征方面存在不足，导致小尺度形变区漏检及密集区边界定位不准确。为解决这一问题，本文提出了一种融合InSAR与目标检测算法的形变区域快速识别方法。该方法首先利用SBAS-InSAR技术获取形变速率图，然后在YOLOv11n的特征提取与特征融合层中引入多尺度空洞卷积、动态上采样和上下文引导下采样等模块，构建了高精度InSAR形变检测网络，实现了对不同尺度与复杂形态形变区域的高效精准识别。在甘肃白龙江流域的实验中，本次研究基于改进Yolov11n模型的InSAR形变区域快速检测方法在形变区域检测中取得了较高的召回率（89.5%）、准确率（91.7%）和平均精度（AP50=91.3%）。此外，在公开贵州省InSAR数据集上的泛化实验进一步验证了该方法在不同区域的鲁棒性和稳定性。本文提出的方法在保证计算效率的前提下，实现了广域InSAR形变区域的高精度识别，能够满足广域地表形变监测的实际需求。

关键词： 技工院校   图形图像处理课程   小组合作模式   教学研究  

摘要： 图形图像处理是技工院校平面广告设计专业的基础课程,主要培养学生在平面设计制作、材质制作、网页设计等岗位的核心能力,具有极强的实践性与应用性。小组合作模式作为契合现代教育理念的新型教学组织形式,能够帮助学生拓宽认知边界、积累设计经验,显著提升图形图像处理课程的学习质量。基于此,本文将深入探究该模式在图形图像处理课程中的应用策略,力求为教学实践提供切实可行的参考依据。

关键词： 环境感知系统   硬件层   感应传感器   安全距离   计算机视觉   目标检测算法  

摘要： 为提升智能驾驶汽车在复杂环境下的感知能力与行车安全性，对基于改进R-CNN与SSD的环境感知系统进行了研究；通过多源传感器集成构建智能感知模块（IPM），结合异构计算架构实现硬件层的数据同步与高效处理；在算法层引入多尺度候选框生成策略、多尺度自注意力与动态权重分配机制，并优化前馈网络与池化操作，形成一种两阶段与单阶段检测相融合的感知模型；实验测试表明，该系统能够准确计算与障碍物的安全距离，在正常、雨雾、夜间及拥堵等多种场景下均能稳定感知环境，危险指数函数值始终低于0.12，帧率最高可达35.1 FPS，满足智能驾驶实时性与安全性要求；结果表明，所提系统能够有效实现复杂环境下危险目标的精准与实时感知，具备实际应用于智能驾驶汽车的潜力。