关键词： 激光技术   平面激光散射   人体边界层   气溶胶示踪粒子   口呼吸   图像处理   三维建模  

摘要： 人体边界层及口呼吸的动态可视化在呼吸道疾病传播研究和个体防护策略优化等领域具有重要意义。为此,提出一种基于平面激光散射(PLS)的可视化方法,用于研究人体口呼吸与边界层热羽流的相互作用。方法通过扇形片状激光照射人体模型,利用气溶胶示踪粒子显示气流,并使用高灵敏度sCMOS相机捕获粒子散射信号。采用背景扣除、激光强度校正等图像处理算法和三维重建方法,实现了人体边界层热羽流及口呼吸气流的二、三维动态可视化。实验结果表明,方法能够清晰地呈现人体表面边界层热羽流的上升过程,揭示口呼吸气流对热羽流的干扰作用,并重建口呼吸气流的三维空间分布及其与边界层的相互作用。方法为研究人体呼吸过程与环境气流的相互影响,以及深入理解呼吸道疾病传播机制提供了一种新的技术手段。

关键词： 甘蔗计数   无人机   图像处理   YOLOv5s   解耦头   归一化  

摘要： 以中耕期甘蔗作物的无人机图像为研究对象,针对植株叶片互相遮挡、目标粘连和背景信息复杂等问题,设计了一种基于改进YOLOv5s的甘蔗检测计数模型。首先,通过在网络中使用基于归一化的注意力模块,加强对图像中中耕期甘蔗植株的特征学习和特征提取,并且减弱与甘蔗植株相似的蔗地杂草背景对检测效果的干扰。其次,原始YOLOv5s网络中的耦合头替换为改进过的高效解耦头,用以进行分类和回归分支的解耦计算,提升甘蔗植株检测模型的性能。最后,更改边界框损失函数为动态非单调聚焦机制WIoU,提高模型收敛速度。同时,采用多尺度训练在一定程度上提高改进模型对物体大小的鲁棒性,最终使模型可以输入任意大小的图片。试验结果表明:改进的YOLOv5s模型准确率、召回率和平均精度均值分别为97.72%、91.7%和96.2%,较原始YOLOv5s模型分别提高3.82、4.5、2.5个百分点。统计表明:测试集的30幅甘蔗图像中,甘蔗植株真实值为1104,改进YOLOv5s模型生成的甘蔗植株数为1086,漏检个数为18,漏检率为1.6%,改进模型对无人机图像中的甘蔗植株计数误差较小,可为甘蔗的检测计数、长势评估提供技术支撑。

关键词： 模型   图像处理   缺陷检测   樟子松   板材排样   MBDGA-DETR  

摘要： 为提高实木板材缺陷检测效率和加工利用率，该研究以樟子松为例，设计了一套松木板材缺陷检测及纵锯加工排样系统。首先通过实际拍摄获取1 000张松木板材上、下表面图像，经过图像处理和标注后，与653张公开数据集的松木板材缺陷图像相结合，构成包含11 571张图像的板材缺陷数据集；其次，以RT-DETR(realtime-detection transformer)为基准模型，采用自研的CSP-MBDC(cross stage partial multibranch dilated convolution module)、GADownsample(gated attention dowmsample)和GAUpsample(gated attention upsample)模块进行改进，得到松木板材表面缺陷检测模型MBDGA-DETR(multibranch dilated convolution module-detection transformer)；然后，以最大化板材利用率为目标，综合考虑缺陷信息与锯切宽度，生成纵锯加工排样方案；最后，利用PyQt6完成配套交互界面开发。对比常见的YOLO系列模型或和基准模型RT-DETR，试验结果表明，MBDGA-DETR模型的识别精确率、召回率、准确率分别为96.1%、93.0%和96.4%，检测速度达104帧/s。将开发的系统部署到松木板材纵锯加工装置，对50块板材进行实际加工试验，另选10块板材进行人工对比试验。结果表明，在低复杂度工况下，排样方案平均生成时间为1.2 s，板材平均利用率为90.1%；在中复杂度工况下，方案平均生成时间为6.2 s，板材平均利用率为84.8%；在高复杂度工况下，方案平均生成时间10.1 s，板材平均利用率为75.3%；对比人工加工，本系统在低复杂度工况下方案平均生成时间为1.4 s，板材平均利用率达到88.8%，大幅缩短了处理时间，提升了板材利用率。

关键词： 排种器   图像拼接   粒距   计算机视觉   特征提取   特征匹配  

摘要： 针对传统田间作业人工检测粒距费时费力且精度不高的问题,提出了一种基于图像特征检测和连续图像动态拼接的计算机视觉检测方法,能够较为准确、高效地在排种试验台上检测粒距。根据种子纹理特征,选取多张排种图像,分别使用SIFT、ORB和SURF三种算法对排种图像进行特征提取;通过试验比较暴力匹配和FLANN匹配两种算法对于相邻两帧排种图像的拼接时间,选定了FLANN特征匹配算法作为排种图像拼接的方法,与传统的基于工业相机帧率和种床带速度的拼接方法相比,克服了种床带速度不稳定带来的图像重叠或缺失的问题;利用种子轮廓的凸包缺陷分割种子,能够较好地分开图像中粘连的种子,再利用轮廓点求出种子的形心(种子中心点)坐标,进而求出粒距。在排种器试验台上进行试验,结果表明在不同的种床带速度(模拟田间作业速度)下,该方法均能够很好的检测出粒距,系统检测平均误差约为3 mm。

关键词： 聚类分割   点云   目标提取   目标检测   激光雷达  

摘要： 点云目标检测技术可为自动驾驶、机器人环境感知等领域提供关键支撑。但是，点云数据通常存在非结构化特征，空间分布不均且易受噪声干扰，传统方法难以实现点云数据的完整分割与目标的精确提取。本文针对传统欧式聚类算法易产生欠分割和过分割的问题，提出了一种基于平滑度欧式聚类的目标检测方法。通过引入平滑度阈值，有效识别点云目标的边缘区域，从而提高聚类精度。通过引入主成分分析，有效剔除背景及噪声点云保留关键目标，提高特征匹配与识别效率。在KITTI公开数据集、海面仿真数据集及盖格模式雪崩光电二极管（Geiger-mode Avalanche Photodiode， Gm-APD）光子计数雷达实测数据上的实验结果表明，该方法可有效克服过分割与欠分割问题，显著提升了点云目标检测的精确性与鲁棒性。

关键词： 人体姿态识别   无人机   YOLOv11-Pose   目标检测   区域感  

摘要： 针对无人机航拍视角下人体姿态估计中存在的复杂背景干扰、关键点定位偏移和目标遮挡等问题，提出一种适用于非地面视角下的增强型人体姿态估计算法YOLO-AirPose。首先，设计基于关键点拓扑约束的对称翻转增强策略IPSFA(Index-Preserved Symmetric Flip Augmentation)，提升多视角场景下的泛化能力；其次，融合Bi-level Routing Attention机制构建C2BRA模块替代C2PSA，增强模型对小尺寸目标与遮挡关键点的表达能力；此外，结合Transformer的空间建模能力，构建AIFI(Adaptive Interaction Feature Integration)模块嵌入主干网络，结合2D位置编码优化关键点定位性能；最后，设计可变形注意力机制的C3k2-DAttention模块，增强网络的全局建模与感受野调控能力。实验结果表明，在保持较低计算量和低参数量的前提下，YOLO-AirPose在检测精度、姿态估计精度、召回率与map@0.5方面较基准模型分别提升了3.0%、5.0%、4.6%、6.8%。该研究为无人机俯视视角下姿态估计精度不足问题提出了改进方案，同时还提升了复杂姿态的适应能力。

关键词： 图像识别   计算机视觉   深度学习   双线性池化机制  

摘要： 蘑菇具有丰富的营养价值，针对蘑菇种类繁多且在复杂背景下视觉特征相似的蘑菇不易识别的问题，该研究构建基于多模态信息融合的双线性池化模型MCB-Net(multimodal compact bilinear network)，通过多源信息融合实现更加准确的蘑菇类别识别。首先，采用多模态紧凑双线性池化算法，建立图像-文本跨模态特征融合机制，通过语义信息增强实现关键区域注意力聚焦；其次，构建了多尺度特征金字塔模块，采用跨层级特征融合策略强化多尺度表征能力，提升对小目标样本识别精度；然后，引入全局二阶池化模块，通过高阶统计特征提取增强对于视觉特征相似的蘑菇的鉴别能力；最后，引入自适应动态损失函数，实现基于梯度冲突分析的图像和文本两种模态权重动态优化，缓解模态竞争问题。结果表明，针对59类真实田间复杂背景的蘑菇数据集，MCB＿Net的准确精确度、召回率、F1值和准确率分别为98.60%、98.53%、98.56%和98.60%，相较于最优单模态卷积神经网络模型（MobileViT），分别提升了6.70、7.61、7.62和6.67个百分点；相较于最优多模态模型（MobileViT＿BERT），分别提升了5.39、5.59、5.65和5.66个百分点，表明本模型在田间复杂场景下的检测性能更好。该研究可为复杂场景中蘑菇类别的识别提供一定的理论支持。

关键词： 工程图纸   目标检测   字符识别   深度学习  

摘要： 工程图纸关键标识的定位与识别一直是计算机视觉的关键应用之一。基于深度学习的文本检测方法相较于传统方法而言拥有更高的检测效率与准确性,将现有的文本检测算法应用到工程图纸识别任务中是有必要的。提出了工程图纸关键标识定位与识别方法,针对工程图纸中的索引标识和尺寸标识进行位置检测和内容识别。索引标识位置检测需要把图纸进行切割统一大小,要用非极大值抑制剔除冗余候选框。尺寸标识位置检测通过对遮蔽后的图纸进行一次完整的检测,对每一个检测框和索引标识位置计算面积交并比以剔除部分数据。实验结果表明,该方法对工程图纸的索引标识和尺寸标识进行位置检测和内容识别具有较高的精确率和召回率。

关键词： 深度学习   目标检测   车辆检测   YOLOv8   雾天场景  

摘要： 针对雾天图像模糊及光照不均进而影响车辆检测精度的问题，提出了一种改进YOLOv8的车辆检测算法YOLO-DCL。首先引入Dysample轻量动态上采样模块，以增强算法抗干扰能力；其后将部分原C2f模块替换为C2f-DWR，以增强算法特征表征能力；最后引入轻量级共享卷积检测头LSCD，以轻量化网络并且改善检测性能。此外，构建了雾天车辆检测数据集，以精确率P、召回率R、平均精度AP50及AP50-95为评价指标进行消融及对比实验，结果表明，改进算法相较基础算法，P提升1.2％，R提高6.9%，AP50提高7.1%，AP50-95提高5.8%，为最优算法，进而论证了YOLO-DCl在雾天场景下对车辆检测的有效性。

关键词： 图像处理   语义分割   注意力机制   YOLO算法   轻量化网络  

摘要： 随着个性化定制需求的增长和多品种、小批量生产模式的普及，鞋类制造业正面临效率与成本的双重挑战.目前，鞋底与鞋帮粘结工序仍主要依赖手工涂胶，这种方式不仅效率低下、涂胶质量不稳定，还可能对工人健康有害，已成为制约行业发展的关键瓶颈.为了解决上述问题，本文提出了一种基于深度学习的鞋底二维轮廓分割算法—SoleSeg，旨在实现涂胶轨迹的自动提取与识别.该算法在YOLOv8n-seg框架基础上进行了多项改进：引入了双向特征金字塔网络（BiFPN）优化特征融合能力；设计了空间通道联动注意力模块（SCIA）以增强模型对关键特征的提取效果；提出了一种轻量化卷积模块（LFConv）以降低整体计算复杂度.实验结果表明，相较于原始模型，SoleSeg在保持较高分割精度的同时显著减少了计算资源消耗和模型参数量，更适用于部署于资源受限的嵌入式设备中，为实现低成本、高精度的鞋底三维涂胶轨迹识别提供了坚实的技术支撑.