关键词： 水下图像增强   生成对抗网络   颜色校正   注意力机制   卷积神经网络   深度学习   图像处理   端到端  

摘要： 针对光的散射和吸收导致水下成像技术存在颜色失真与细节模糊等问题，文中提出了一种基于GAN(Generative Adversarial Network)改进的水下图像增强网络(Underwater Image Color Correction Enhancement Network， UICEN-GAN)。不同于传统GAN，所提网络在生成器首部添加宽范围感知模块和双重注意力机制，宽范围感知模块采用较大的卷积核覆盖更大的接受域，双重注意力机制通过将空间、通道注意力并联来增强图像的细节信息。尾部添加颜色校正模块，该模块采用自注意力计算分配相关权值，将图像特征映射到RGB颜色空间，从而解决颜色失真问题。实验结果表明，所提网络的增强结果优于其他先进网络，增强后图像的峰值信噪比、结构相似性指数相比指标次之的网络分别提升了10.6%和1.8%，在主观评价和客观评价方面均取得了良好的效果。

关键词： 机械设计   自动控制   机器视觉   生物检测   图像处理  

摘要： 针对人工成本高涨、人工操作效率低及化验检测质量不佳等问题，对基于电气控制的肿瘤标志物自动化检测系统进行了研究;对系统整合机械臂模块、样本加样模块、温育模块、洗涤模块、撬壳模块、视觉识别模块等硬件部分并结合软件控制的设计方案进行了分析，采用电气控制技术和视觉检测技术，在系统硬件整合与软件协同控制方面实现技术创新;经实验测试，该系统实现了从样本加注到检测分析过程的自动化，能显著减轻人工操作负担并提高检验准确率;经实际应用，该系统有望在未来临床应用中发挥重要作用。

关键词： 目标检测   古建筑火情隐患   轻量化模型   YOLOv11算法   哈尔小波分解  

摘要： 为解决古建筑焚香祈福场景中火情安全隐患的分类与检测问题，提出一种基于改进YOLOv11算法的轻量化目标检测模型。该模型在主干网络中引入哈尔小波分解模块，以降低特征提取过程中的信息损失，减少模型参数量；在颈部网络中设计轻量化的跨尺度特征融合模块，以增强对小目标及多尺度目标的检测能力。针对火源目标体积小、特征模糊的特点，删减原有大尺度检测头并新增小尺度检测头，以提升对小尺度火源的检测精度。实验结果表明，与其他主流YOLO模型相比，改进后的模型在精确度、召回率、平均精度及多阈值平均精度方面分别提升了2.6%、1.4%、1.4%和3.6%，检测速度略下降2.7%，满足实际应用对实时性的要求。

关键词： 人工智能   计算机视觉   多智能体   图像生成   情感可控  

摘要： 随着人工智能生成内容技术的迅速发展，传统的图像生成模型通常主要关注语义层面的显性表达，缺乏对情感的深入理解与控制，难以满足情感化生成需求。为此，本文提出一种多智能体协作的情感认知可控图像生成框架，通过引入多智能体协作机制，将情感建模、语义理解与图像生成进行分工与协作：策划智能体负责提取与表示情感特征，生成智能体在融合多源信息的基础上完成高质量图像生成，评价智能体则对整体生成过程进行优化与调控。实验结果表明，该方法在保持高质量图像生成的同时，能够有效提升情感一致性和语义相关性，为实现情感可控的智能图像创作提供了新的思路与理论支持。

关键词： 双量子图像加密   图像处理   混沌系统   位平面   量子阿诺德变换  

摘要： 随着量子计算技术的发展，传统图像加密算法面临抗量子攻击能力不足的挑战，而现有量子图像加密算法存在量子比特消耗大、混沌系统参数空间有限等问题。针对上述待解问题，本文提出一种基于混沌系统的双量子图像加密算法，以实现低资源消耗与高安全性的平衡。首先，提出双位平面量子图像表示模型（DBRQI），仅需2n+4个量子比特存储2n×2n灰度图像，较 BRQI 模型减少50%量子比特消耗，其次，构建三维超混沌系统（3D-CHCMM），4个控制参数的参数空间较现有系统提升33%，3个李雅普诺夫指数均为正值且通过15项NIST测试，可生成高随机性伪随机序列。算法通过DBRQI映射量子态，经奇偶位平面置乱与行列随机置乱打乱像素信息，再与伪随机序列执行异或操作生成密文。实验结果表明：加密图像水平相关性低至0.0041、信息熵达7.9993、NPCR为99.6251%，抗攻击与抗干扰能力显著增强。本文算法为当前量子硬件受限场景下的图像加密提供了高效解决方案。

关键词： 显著性目标检测   边缘增强   差分卷积  

摘要： 当前,显著性目标检测技术正在迅速发展,但仍然存在一些问题亟待解决.大多数现有的显著性目标检测方法在处理高分辨率图像任务时,存在计算资源需求过高或者检测质量较差等问题.其次,许多现有算法采用的传统卷积操作缺乏针对性,无法有效增强边缘细节特征,导致边缘分割模糊不清.为了在降低算力消耗的同时提高物体边缘分割质量,并提升小尺度目标的检测性能,提出了基于边缘增强的宽解码器显著性目标检测方法.采用残差网络和Swin Transformer组合结构作为特征编码器,以降低算力消耗.并且将传统卷积替换为差分卷积模块,通过多种不同类型的差分卷积并行使用,从图像中提取了更加丰富的边缘信息.设计了多尺度注意力模块,对4层不同尺度特征进行注意力计算,以更好地关注不同大小的目标.此外,采用含有大卷积核的多级宽解码器,对融合特征进行长距离的上下文建模,减少冗余信息,进一步提升了网络的检测性能.

关键词： 机动目标   FWM-YOLOv7t算法   目标检测   非线性卡尔曼滤波算法   目标跟踪  

摘要： 机动目标在快速机动时的不确定性运动会导致观测噪声统计特性时变，其噪声变化与目标机动频率耦合会引发跟踪轨迹发散现象。传统算法因难以有效捕捉机动目标的多尺度特征和长程空间依赖关系，导致初始定位偏差显著，造成新息序列波动范围持续扩大，同时无法实时调整滤波增益系数而引发累计偏差放大问题，最终严重影响后续跟踪效果。基于此，提出一种融合改进目标检测与自适应滤波的解决方案。通过FWM-YOLOv7t算法实现机动目标的高精度定位，采用多尺度特征聚合模块增强多层级特征提取能力，利用MobileViT模块建立长程空间依赖关系，并引入Wise-IOU损失函数优化检测框回归精度，以此获取准确的目标初始位置信息，为后续跟踪提供可靠基础；在跟踪阶段，对非线性卡尔曼滤波算法进行改进，建立非线性卡尔曼滤波状态转移方程与观测方程，利用高精度定位结果作为观测输入，预测阶段根据上一时刻状态预测当前时刻状态，状态更新时以卡尔曼滤波增益系数为权重。利用新息确定其估计方差并对观测噪声协方差矩阵展开估计，通过残差确定其估计方差并对观测噪声协方差矩阵展开估计，将基于新息与残差的估计值加权融合，准确修正目标状态预测偏差，实现机动目标的稳定跟踪。实验结果表明，所提方法可精准的对机动目标展开定位，在此基础上高精度的完成目标跟踪。

关键词： 目标检测   激光雷达   体素特征交互   Mamba模型   全局上下文  

摘要： 针对当前多数基于激光雷达的3D目标检测方法中因局部感受野限制无法建模特征远距离依赖,以及对点云数据的窗口划分策略导致的拓扑结构破坏等问题,提出了一种基于全局体素特征交互的3D点云目标检测网络。首先,设计基于希尔伯特空间曲线和Mamba的长距离上下文特征提取模块,通过对体素空间进行希尔伯特曲线序列化并保持体素间的空间局部性,利用Mamba处理长序列的优势提取具有长距离依赖的点云上下文特征,显著提升算法对长程依赖的建模能力。其次,设计基于特征图响应强度的自适应体素扩散模块,进行体素之间大规模的长程特征交互,通过动态生成扩散体素对目标中心体素的语义表达能力进行增强。此外,提出了一种空间特征恢复算子,通过子流形卷积的局部结构保持能力和Mamba的全局建模特性,对局部和全局特征表达进一步进行协同优化,用于补充序列化和体素聚合过程引入的信息损失。在KITTI数据集进行了实验,结果表明,方法达到了先进的3D目标检测性能,在汽车、行人和骑行者这3种类别的中等检测难度下精度分别达到了82.36%、61.96%、66.05%,同时推理速度达到19 fps,相比于基准模型,该方法较好地保持了精度和效率间的平衡。同时,在实际道路场景中进行了可视化对比分析,该方法表现出较强的泛化能力和实际应用潜力。

关键词： 雷达技术   云信息聚类   视频技术   目标检测   道路交通网络   小目标车辆  

摘要： 针对复杂道路交通场景下小目标车辆检测难题，提出基于雷达和视频融合的检测方法；采用将K-means聚类算法与YOLOv5网络损失函数深度融合的方法，构建联合识别框架，通过雷达点云聚类提取空间位置信息，利用YOLOv5网络提取视觉特征，实现优势互补，并设计联合损失函数平衡两种模态信息贡献度；在复杂道路交通场景下，对YOLOv5网络进行改进，引入多尺度特征融合与增强技术，结合雷达点云聚类结果进一步增强特征；实验结果表明，该方法结合雷达与视频技术优势，有效提高了复杂道路交通环境下小目标车辆的检测精度。

关键词： 刺梨果实   目标检测   YOLOv8   复杂环境   深度学习  

摘要： 为实现复杂环境下刺梨果实的高精度、快速识别，针对果实重叠、枝叶遮挡、光照不均等非结构化环境因素以及现有模型检测准确率低、检测速度慢等问题，本研究在真实采摘场景下采集图像建立刺梨果实的样本数据集，并基于改进YOLOv8提出了一种刺梨果实识别模型YOLOv8-UCD。首先，引入UniRepLKNet卷积模块替换传统的C2f中的Bottleneck模块，增强了特征提取和目标定位的能力。其次，在模型中添加卷积块注意力模块（CBAM），并建立Head层Detect模块与Neck层部分Concat模块的连接，提高了模型对图像中目标区域的关注度。然后，引入Dynamic Head检测头模块，该检测头综合应用了尺度、空间和任务三种注意力机制，显著提升了刺梨果实检测性能。最后，采用基于辅助边框损失函数的Inner-IOU思想改进引入边界框回归的损失函数（MPDIoU），以Inner-MPDIoU代替原损失函数，增强了模型对困难样本的学习能力。实验结果表明，改进后的模型检测平均精度均值（mAP@0.5）和准确率分别为93.2%和90.4%，平均每张图片检测时间为136.8ms，权重文件大小为8.2MB，模型整体性能优于对比的7种主流目标检测算法模型（ResNet50、VGG、YOLOv3-tiny、YOLOv5n、YOLOv6n、YOLOv8n、YOLOv10n），可为刺梨果实的自动化采摘提供技术支持。