关键词： 起重机械   同步定位与地图构建   YOLOv8n-seg   动态场景   目标检测   稠密点云   绝对轨迹误差   相对位姿误差  

摘要： 针对起重机智能化、无人化升级中，传统视觉同步定位与地图构建（SLAM）系统易受动态特征点干扰，造成实时性差和地图精度低的问题，提出了一种将基于角点检测和描述子特征（ORB）提取的ORB-SLAM3与YOLOv8实例分割网络相结合的视觉SLAM系统（SLAM3- YOLOv8）。首先，新增了目标检测线程，采用轻量化YOLOv8n-seg模型实时分割了动态目标，利用非极大值抑制（NMS）去除了冗余检测框，并基于实例分割了掩膜，精准剔除了动态区域的特征点，同时，利用张量实时推理引擎(TensorRT)优化模型推理了架构；然后，集成了稠密建图模块，该模块基于筛选后的静态特征点，通过坐标转换将像素坐标和深度值转换为三维坐标，经点云拼接构建了高精度的三维稠密点云图；最后，在慕尼黑工业大学（TUM）动态数据集上进行了精度验证，进行了实验数据和实时性对比分析，并在起重机测试平台开展了实验，验证了该系统的准确性。研究结果表明：该系统在动态场景下绝对轨迹误差（ATE）和相对位姿误差（RPE）较ORB-SLAM3均显著降低，最大降幅分别达到95.42%和54.15%，并且单帧处理时间平均优化至18.08 ms，验证了该系统在动态场景中具有更高的定位精度、更小的漂移误差和更高的实时性；同时，成功构建出了无重影的三维稠密点云图。证明其能够有效克服起重机复杂作业环境中的动态干扰，为工业重载设备智能化升级提供可靠技术方案。

关键词： 目标检测算法   深度学习   图纸识别   图像处理   特征匹配   多尺度自适应空间注意门   YOLOv11系统  

摘要： 为了解决零件质量检验过程中，通过人工识读工程图并制作检验表耗时耗力的问题，对轴类零件工程视图信息检测与识读方法进行了研究，提出了一种基于改进YOLOv11的轴类零件视图信息检测与识别方法。首先，针对视图中元素种类多且尺寸不一导致目标检测算法精度下降的问题，提出了一种改进的YOLOv11视图信息检测算法，在颈部网络中嵌入了多尺度自适应空间注意门（MASAG）并优化了检测头损失函数，增强了对零件轮廓、尺寸标注及粗糙度信息的检测能力；然后，针对标注信息识别问题，分别提出了区域分割与字典映射的识别方法，对尺寸公差及粗糙度标注信息进行了提取；提出了一种基于轮廓检测的标注信息匹配方法，通过分析各轮廓与标注之间的尺寸或相对空间位置，构建了零件轮廓与标注信息元素的关联性以自动生成检验表；最后，结合视图设计元素检测以及信息识别与匹配实验，并与其他检测方法进行了对比，对该方法的有效性进行了验证。研究结果表明：改进的YOLOv11视图信息检测算法在设计元素检测任务上的平均mAP50（%）为94.6%，视图信息识别与匹配在轴类零件工程图测试集上的平均准确率为85.5%。该方法在轴类零件的视图信息检测与识别方面具有可行性。

关键词： YOLOv8   MobileNetV4   注意力机制   移动设备   Dynamic Head  

摘要： 为移动设备设计的轻量级卷积神经网络（CNN）具有较快的推理速度，但受到自身网络局部性约束，局部信息只能在一个窗口区域内捕获，导致性能下降。引入自注意力机制可以捕获全局信息，但检测速度会降低。针对上述问题，本文在YOLOv8的基础上引入了一种对硬件友好的MobileNetv4网络架构，引入通用倒置瓶颈（UIB）搜索块，融合了倒置瓶颈（IB）、ConvNext、Feed Forward网络（FFN）以及一种新型的额外深度卷积（ExtraDW）变体。同时加入动态上采样算子，改进上采样操作。降低了模型使用GPU的内存和延迟。此外本文改进YOLOv8的检测头，引入动态检测头（Dynamic Head），将空间感知、尺度感知和任务感知融合到一个统一的框架中，并在目标检测头中有效地应用注意力机制，提高检测性能和效率。实验表明，YOLOv8n＿M的mAP50～95指标较次优模型YOLOv8n提升1.3个百分点。在模型复杂度方面，YOLOv8n＿M成功压缩了36%的模型规模（参数量指标缩减100W），同时将计算量降低26%（GFLOPs减少2.4单位）。本文提出的YOLOv8＿M有效地较少了模型的参数量和推理时间，并在一定程度上提高了模型在不同环境下的目标检测精度。

关键词： 电力巡检   目标检测   DSConv   YOLO   深度学习   输电线路  

摘要： 针对电力巡检时输电线路表面缺陷的检测精度及速度较低的问题，提出了一种基于YOLOv10s的改进型缺陷检测算法。在骨干网络中引入DSConv可变形卷积模块，大大提升网络检测效率，同时还能减少内存使用率；将YOLOv10s中原有的k-means算法替换为k-means++算法对输电线路缺陷检测的锚框进行重新计算，来提高算法的精度和效率；同时，对YOLOv10s的损失函数进行优化，采用PIOU来代替CIOU，引导锚框沿着更直接的路径高效回归，使模型具有更快的收敛速度和更高的准确性。通过构建数据集进行实验验证，结果表明，改进后的算法m AP值达88%,FPS达到55.1。为了进一步验证算法在嵌入式系统的运行效果，通过利用TensorFlow Lite轻量级深度学习框架，实现模型的实际场景应用，为将来实现大规模输电线路表面缺陷检测奠定了重要基础。

关键词： 目标检测   低照度图像   特征匹配   图像增强网络  

摘要： 针对低光照图像目标特征弱、检测精度不足等问题，该文提出了一种基于图像增强与特征自适应联合学习的目标检测模型，该模型采用串联结构，将有监督的图像增强模块与YOLOv5目标检测模块相结合，以端到端的方式实现低光照图像目标检测。首先，利用正常光数据集生成匹配的正常光与低光图像对，实现数据集增强，并据此指导图像增强模块的学习；其次，联合图像增强损失、特征匹配损失和目标检测损失，从像素级和特征级两个层面优化目标检测结果；最后，基于真实低光照数据集进行模型参数的优化和微调。实验结果表明，该方法在仅使用真实正常光数据集训练的情况下，在LLVIP和Polar3000低光照数据集上的检测精度分别达到79.5%和85.7%，进一步在真实低光照数据集上微调后，检测精度分别提升至91.7%和92.3%，显著优于主流的低光照图像目标检测方法，并在ExDark和DarkFace的泛化实验中取得最佳检测效果。此外，该方法在提升检测精度的同时，仅带来2.5%的参数增加，具有良好的实时检测性能。

关键词： 反无人机   边缘细节   小波池化   轻量化   YOLOv11n  

摘要： 针对反无人机目标检测任务中因背景复杂、光照变化和目标尺寸小等因素导致检测精度低和参数冗余等问题，提出了基于YOLOv11改进的反无人机目标检测算法PWM-YOLOv11。首先，设计了部分多尺度PSMF模块，增强了模型对目标特征的提取能力，从而更好地应对边缘细节模糊的问题；其次，引入小波池化WaveletPool卷积，提升了模型对目标特征的表达能力的同时，抑制了背景噪声的干扰；最后，提出了特征融合网络结构MBiFPN，实现了网络轻量化的同时提升了检测精度和检测速度。在无人机TIB-UAV数据集上的实验结果表明，PWM-YOLOv11的mAP@50与mAP50:90分别达到了95.1%和50.3%，相较于YOLOv11n分别提高了5.5%和2.8%，参数量降低了42.3%。改进后的模型在检测准确性和效率之间实现了良好的平衡，能更好的完成反无人机目标检测任务。

关键词： 扩展目标跟踪   信息融合   高斯过程   广义协方差交互融合   帧间估计相似度  

摘要： 针对目标局部遮挡时单传感器扩展目标跟踪精度下降问题,提出基于帧间估计相似度广义协方差交互的雷视融合扩展目标跟踪算法,实现三维激光雷达和视觉传感器对车辆目标的多模态融合估计.首先,三维激光雷达和视觉传感器分别获得扩展目标状态的局部估计,通过基于欧氏距离和单向豪斯多夫距离的特征函数,实现遮挡时扩展目标局部估计之间的关联.随后,利用局部二值模式灰度特征对视觉传感器局部估计的不确定性量化处理,并计算目标上一帧的全局估计后验概率密度函数与当前帧的局部估计后验概率密度函数之间的相似度,通过广义协方差交互融合算法,实现扩展目标状态的全局估计.最后,通过仿真和实测验证了所提算法能有效提升目标遮挡时的跟踪精度.

关键词： 双目立体视觉   相位一致性   山火测高   目标检测  

摘要： 针对输电线路山火监测与风险预警中火焰高度测量困难的技术难题，提出一种融合YOLOv9-SOEP算法和双目立体视觉的输电线路山火火焰高度测量方法。该方法在YOLOv9网络架构的基础上引入小目标检测增强金字塔（SOEP）模块，构建了适用于输电线路山火场景的YOLOv9-SOEP改进目标检测算法；针对火焰图像纹理特征弱的问题，采用相位一致性方法实现山火双目图像的高精度特征点提取与匹配；最后通过特征点三维坐标转换与像素比例计算，建立了完整的输电线路山火火焰高度测量模型。实验结果表明，改进后的YOLOv9-SOEP目标检测模型在平均精度和召回率上分别达到了85%和89%，相比于原模型分别提升4%和19%，有效解决了小目标火焰漏检的问题；基于相位一致性的立体匹配方法能够较好地保留深度图中火焰目标的细节特征，在保证特征点充足的前提下匹配准确率达到了92%；在模拟山火火焰高度测量实验中，火焰高度的测量误差控制在6.48%以内，所提方法为输电线路山火监测与风险预警提供了可靠的火焰高度测量解决方案。

关键词： 无人机检测   深度学习   目标追踪   注意力机制   轻量化  

摘要： 无人机的普及逐渐对公共安全形成威胁，在热红外图像中，无人机存在目标小、背景噪声高等问题。针对上述问题，本文提出了一种基于轻量化改进SiamDT(siamese drone tracker)网络的热红外图像无人机目标追踪模型。首先，采用Ghost卷积(ghost convolution)提升模型计算和内存资源的利用率。其次，引入原生稀疏注意力(native sparse attention， NSA)机制，以较小的计算量作为代价提升模型检测精度。在Anti-UAV410数据集上的实验结果表明，所提模型在OPE(one-pass evaluation)标准下对红外图像小目标无人机追踪的状态精度(state accuracy， SA)为67.93%，参数量为38.50 M，浮点运算数为62.65 GFLOPs。与基线网络相比，本文模型在精度提升的同时减少了计算量与内存占用率，优化了在移动边缘终端的检测部署可行性。

关键词： 卷积神经网络   旋转不变性   霍夫变换   角点检测   图像处理   图像识别  

摘要： 为了及时发现和识别农作物病害,提出了一种基于卷积神经网络(CNN)的农作物叶片病害识别模型。针对农作物叶片图像在采样和识别过程中大小和方位不一致的问题,该模型采用了一种基于自适应霍夫变换直线检测算法的图像预处理方法,用于检测和提取图像中的叶脉直线。随后,根据叶脉直线进行旋转和平移变换,确保所有叶片在图像中的方位和角度保持一致。这一方法有效地弥补了CNN在处理平移和旋转不变性方面的不足,并显著增强了模型的鲁棒性。同时,为解决图像中叶片整体轮廓和病害纹理细节尺度不同的问题,模型设计了两个不同大小的卷积核,以便同时捕捉叶片整体和局部特征。实验结果显示,该模型的图像识别准确率达到92.87%,对农作物叶片病害表现出优异的识别性能。