关键词： 多目标跟踪   数据关联   目标检测   联合检测和特征嵌入  

摘要： 多目标跟踪技术广泛应用于智能视频监控、自动驾驶等领域，其中行人多目标跟踪是重要研究方向。然而，在真实复杂场景中，仍存在检测框信息挖掘不足、多任务特征竞争以及目标长时间遮挡导致的跟踪中断等难题。为此，本文提出了一种联合检测与特征嵌入的多目标跟踪方法。具体而言，首先设计了二次关联机制，通过分阶段处理高、低置信度检测框，提升检测信息的利用率与数据关联的准确性；其次，引入互相关注意力网络，增强检测任务与重识别任务间的特征表达能力，实现多任务特征的独立优化，缓解多任务竞争；最后，提出虚拟轨迹模块，结合遮挡前后的观测信息校正卡尔曼滤波器参数，有效降低遮挡带来的轨迹中断与身份切换现象。实验结果表明，本文方法在公开数据集MOT17和MOT20上分别实现了80.8%/80.3%的IDF1和78.7%/77.3%的MOTA，整体性能优于多种先进方法，验证了所提方法在复杂场景下的有效性与实用性。

关键词： 木材缺陷   常春藤优化算法   多阈值图像分割   对称交叉熵   群智能优化算法   图像处理   精英导向再生策略   非线性动态平衡因子  

摘要： 针对木材加工自动化生产中因表面缺陷边缘模糊及纹理干扰导致的图像分割精度不足问题，提出一种改进的常春藤优化算法(improved ivy algorithm， IIVY)用于木材缺陷图像的多阈值分割。首先，通过风向生长机制增强种群多样性，并设计非线性动态平衡因子以动态协调全局勘探与局部开发能力；其次，引入精英导向再生策略提升算法跳出局部最优的能力；然后，基于对称交叉熵设计适应度函数，利用IIVY对木材缺陷图像进行分割，并与4种经典算法(灰狼优化算法 (grey wolf optimizer，GWO)、鲸鱼优化算法 (whale optimization algorithm，WOA)、麻雀搜索算法 (sparrow search algorithm，SSA)、沙猫群优化算法 (sand cat swarm optimization，SCSO))对比分析，评价指标包括最优适应度值、峰值信噪比、特征相似度和主观视觉评价。结果表明，IIVY适应度收敛曲线明显优于对比算法；在峰值信噪比和特征相似度指标上，IIVY取得最优值的试验组数分别占总试验组数的83.33%和91.67%；IIVY在缺陷区域边缘的分割中更加准确，分割结果完整保留木材纹理细节。IIVY算法能够准确分割木材表面缺陷，保留木材表面的纹理特征，为木材缺陷检测提供可靠技术支撑。

关键词： 脱水蔬菜异物   YOLOv8   目标检测   图像识别   轻量化  

摘要： 针对脱水蔬菜生产过程中人工质检工作量大、检测效率低、工人质检标准不一致等问题,提出了一种基于改进YOLOv8n的异物检测方法YOLOv8n-BCS,可辅助工人提高质检效率并减轻劳动强度.YOLOv8n-BCS模型在主干网络中引入ShuffleNetV2和BoTNet(bottleneck transformer network),在颈部网络结构融入SimAM(simple attention module)注意力机制和轻量化上采样算子CARAFE(content-aware reassembly feature extraction),同时采用SIoU(similarity intersection over union)函数计算回归损失.使用Nvidia RTX 3080服务器进行训练测试,实验结果表明YOLOv8n-BCS模型精确率P为96.8%,召回率R为94.7%,调和平均值F1为95.7%,平均精度值mAP为97.1%,帧率为231f/s,模型体积为6.1 MB.相比对照模型,YOLOv8n-BCS模型容量减小,检测速度和平均精度值提升,可为脱水蔬菜智能检测分拣系统优化提供技术参考.

摘要： 在数字时代背景下,计算机视觉技术为传统艺术元素在人居环境设计中的应用带来了新的机遇。本文聚焦人居环境领域,探讨计算机视觉技术在传统艺术元素智能化转译与应用中的实现路径。通过分析传统艺术元素融入人居环境设计的独特价值,提出技术赋能、空间塑造、美学创新三个维度的智能化转译策略,以期为提升人居环境艺术品质、丰富人居空间文化内涵提供新思路。本文旨在推动传统艺术与数字技术在人居环境领域的创新融合,为传承与弘扬中华优秀传统文化、促进人居环境品质提升提供参考。

关键词： 智能化工作面   煤岩分界识别   图像处理   机器学习   深度学习  

摘要： 基于井下煤岩分界面的图像信息对工作面的煤岩分界情况进行高效识别，是实现采煤机连续自主截割和煤矿智能化无人开采的关键技术，基于图像处理技术的煤岩分界识别方法具有灵活性高和适应性强等特点，是解决煤岩分界识别问题的有效且优势明显的途径。基于河北省矿山智能化开采技术重点实验室煤壁、采煤机、摄像仪等设备，搭建了煤岩分界物理试验平台，除煤矿智能化工作面的正常开采情况外，还考虑了低照度、粉尘和镜头污垢沾染这三种在开采过程中极易产生的干扰因素，以模拟工作面实际开采状态下真实的煤岩分界面情况，通过试验平台采集了丰富的煤岩分界面图像资源；将图像进行处理后，使用Sobel算子、Laplacian算子、Canny算子三种传统机器学习的方法对煤岩分界图像进行了检测识别，得到了工作面煤岩分界线图像，得出了Canny算子相较于其他两种算子识别更为准确，但需要人为设定高低阈值，传统检测方法在复杂情况下缺少足够的适应性；利用U-Net网络模型、U2-Net网络模型、DeeplabV3+网络模型和引入CBAM注意力机制进行改进优化的DeeplabV3+网络模型对智能化工作面煤岩分界图像进行识别分析，对煤岩分界图像进行识别分析，得到了煤与岩的预测图，得到了改进后的DeeplabV3+网络模型在面对复杂情况时具有较强的适用性和稳定性，对煤岩分界的预测结果优于其他几种方法。基于研究成果得出深度学习方法相较于传统机器学习方法能更好对煤岩分界面图像进行处理，识别的准确率较高，更适用于井下复杂环境的情况，是未来煤岩分界识别技术发展的重要方向。同时基于煤岩分界线识别预测结果，结合智能化开采工作面实际情况，设计了基于煤岩分界识别结果的智能截割方案。

关键词： 低空交通   目标检测   无人机   RT-DETR  

摘要： 为解决低空交通场景下无人机对高精度、轻量化目标检测的需求，本文基于Real-Time Detection Transformer(RT-DETR)算法，提出一种改进的跨尺度对齐与位置编码增强检测模型（Cross-scaleAlignmentandPositionalEncodingEnhanced, CAPE-RTDETR）。首先，设计了融合动态卷积核生成与门控特征选择的特征增强模块，强化关键特征的提取与筛选；其次，将可学习位置编码与多头注意力机制相结合，构建增强型位置感知交互模块，有效提升模型对空间结构的感知与定位精度；最后，引入金字塔场景解析模块以整合稀疏全局上下文信息，并采用双路卷积与网格采样机制显式补偿跨尺度特征对齐偏差，避免因上采样操作导致的错位问题，从而进一步提升检测性能。在ALU与VisDrone2019两个数据集上的实验结果表明，CAPE-RT-DETR在参数量、精度与模型大小等方面均优于基线算法，同时消融实验验证了三个改进模块的有效性与协同性。本文为复杂场景下无人机实时目标检测提供一种高精度、轻量化的方法基础与理论支持。

关键词： 伪装目标检测   小目标定位   特征细化与融合  

摘要： 近年来，基于深度学习的伪装目标检测（Camouflaged Object Detection，COD）算法在检测性能和泛化能力方面取得了重大突破。然而，面对难以定位小型伪装目标以及难以细化和融合多分辨率特征等挑战，阻碍了现有COD算法性能的提升。为解决这些问题，提出了一种基于多尺度定位和特征细化的伪装目标检测算法模型（Camouflaged Object Detection Algorithm Model Based on Multi-scale Localization and Feature Refinement，CAM-MLFR）。在该模型中，设计了一个多尺度定位网络，以解决在COD任务中定位小型伪装目标的难题。通过引入拉普拉斯金字塔频率感知模块和多尺度可变形注意力模块，增强了对小型伪装目标的初始定位能力。此外，为了解决多分辨率特征细化和融合困难的问题，提出了一个特征细化网络。该网络利用梯度域引导滤波和前景区域注意力实现多尺度特征与粗略分割结果之间的交互式增强，并利用汉密尔顿（Hamilton）可逆注意力模块来融合这两种信息，从而实现伪装目标的精细分割。在四个公共COD数据集上使用15种最先进算法进行的对比实验表明，所提出的算法表现出优越的检测性能。

关键词： YOLOv7   去雨雪雾操作   DIP   CNN-PP  

摘要： 在智能交通系统和安防监控等领域中，目标检测技术的准确性至关重要。然而，除常规交通环境外，雨雪等特殊天气条件严重制约着目标检测的精度。雨雪天气致使图像模糊不清，极大地增加了行人、车辆等目标的特征提取难度，导致检测结果误差较大，影响相关系统的有效运行。为攻克这一难题，本文以YOLOv7算法为基础，深入研究并提出了一种适用于雨雪等特殊天气的目标检测优化方法。首先，引入广泛应用的暗通道去雾算法和基于引导滤波的去雨雪算法，对受雨雪雾影响的图像进行预处理，有效消除天气因素造成的图像降质，恢复图像清晰细节。其次，将DIP模块与CNN-PP模块相结合，通过弱监督学习方式，进一步挖掘图像中的目标特征，增强算法对复杂天气下目标的识别能力。大量实验结果表明，改进后的算法在检测精度方面表现卓越。相较于YOLOv5算法，其检测精度提升了23.7%；与原YOLOv7 算法相比，也实现了 11.9% 的显著增长。这充分证明了本文所提方法在特殊天气目标检测场景中的有效性和优越性，为智能交通、安防监控等领域在恶劣天气下的稳定运行提供了可靠的技术支持，具有重要的实际应用价值和广阔的发展前景。

关键词： 无人机   目标检测   特征提取   图像处理  

摘要： 无人机图像目标检测作为多领域研究的基础技术，被广泛应用于各类复杂场景。然而，航拍图像中目标尺寸小、分布密集、背景复杂，导致现有检测模型在漏检、误检和定位精度方面存在不足。为提升检测性能，提出一种基于YOLO的无人机小目标高精度检测模型。首先，提出选择卷积模块（Selective Convolution Block， SCB），用于替代原跨阶段结构，降低计算复杂度；其次设计了小目标尺度序列融合结构（Small Target Scale Sequence Fusion， STSSF），增强多尺度特征融合能力；最后提出共享卷积检测头（Shared Convolution Precision Detection， SCPD），提升特征提取效率和跨尺度特征的一致性。在VisDrone2019-DET数据集上，YOLO-LiteMax在mAP@0.5指标上达到45.2%，较YOLOv8提升5.9%；在APsmall指标上提升3.8%，展现出优异的小目标检测精度与实用性。

关键词： 焦化企业   智能盘煤系统   三维重建   点云分割   体积计算   运动恢复结构(SfM)   机器学习  

摘要： 针对焦化企业传统煤炭库存盘点方式存在的效率低、误差大、数据滞后等问题,本文提出一种基于计算机视觉与三维点云技术的智能盘煤综合管理平台。该系统通过单目相机采集煤堆图像,采用运动恢复结构算法实现煤堆三维点云重建,结合特征提取、稀疏重建、稠密化及图像畸变矫正等技术生成高精度场景模型;进一步通过地面点滤除、聚类分割及闭包算法实现煤堆的自动识别与体积计算,并集成煤种信息与比例尺标定功能,最终将盘点结果上传至数据库并可视化展示。结果表明,系统可有效剔除噪声点、准确分割煤堆区域,体积计算精度较人工盘点提升显著,且支持手动与自动双模式操作,满足不同场景需求。该平台为焦化企业提供了低成本、高效率、实时性的库存管理解决方案,对推动行业数字化转型具有践行价值。