关键词： 空天无人平台   上下文信息   感受野机制   目标检测   特征提取   伪装场景  

摘要： 伪装目标智能检测旨在利用有限特征信息，智能识别隐藏在复杂环境中的目标。现有伪装目标智能检测方法存在低显著性特征、类间差异小、数据集标注成本高、小像素点特征提取手段有限及伪装场景下目标关键特征提取性能不佳等问题。针对以上问题，本文提出了基于空天无人平台辅助信息的伪装目标智能检测新方法。首先，提出了一种改进的深度卷积生成对抗网络，通过设计新的损失函数和注意力机制模块提高图像生成质量，从而扩充数据集；然后，设计了一种改进型的Yolov11网络——Yolov11-Codattention，该网络的独特之处在于利用空天无人平台辅助信息，内嵌了上下文信息和感受野机制两类模块，以解决低显著性特征和类间差异小等问题。通过两类模块的引入，所设计的网络在目标特征提取能力大幅增强的同时，对模型参数量的需求大幅减小。基于公开的空天迷彩数据集，进行了伪装目标检测仿真实验，实验结果表明：提出的Yolov11-Codattention算法与传统Yolov11算法相比，在召回率和m AP@50性能指标上分别提高了7.0%和4.8%，且实时性达到40FPS；通过与七种常用目标检测算法的对比，发现Yolov11-Codattention具有更高的伪装目标检测精度。外场嵌入式部署实验结果表明：Yolov11-Codattention的平均置信度达到0.63，实时性达到30FPS，符合工程应用需求。实验结果充分验证了所设计的Yolov11-Codattention算法在伪装目标检测任务中的有效性。

关键词： 目标识别   图像处理   深度学习   机载   可见光与红外  

摘要： 机载光电目标识别技术在现代军事领域中具有重要的应用价值，但其在复杂战场环境下的性能仍面临诸多挑战。本文对基于可见光和红外数据的机载光电目标识别算法进行了系统性综述，重点分析了多光谱数据融合、深度学习应用、轻量化设计以及环境适应性等关键技术的研究现状与发展趋势。通过对现有算法分类应用研究，本文总结了各类方法的优势与局限性，并探讨了未来研究中亟待解决的问题，如复杂环境下的鲁棒性提升、实时性优化以及小样本学习等。本文旨在为机载光电目标识别领域的研究者提供全面的技术参考，并为进一步的研究方向提供理论支持。

关键词： YOLO   目标检测   后处理   FPGA   硬件加速   RTL  

摘要： 当前市面集成神经网络处理器的SOC芯片在运行YOLO算法时，都将后处理部分放至CPU端执行，致使算法整体耗时增加，文中提出了一种基于FPGA芯片使用RTL逻辑实现YOLO后处理的硬件加速方案。首先优化算法执行流程，极大减少冗余计算；接着分析并限制特征图数值分布，合理定义变量范围；随后梳理ram查表流程，完成非线性函数的映射；再之后详述整体后处理算法的数据流控制逻辑架构，针对关键功能模块提出部分实用技巧；最后基于国产ZYNQ芯片对该加速方案进行板端测试，多维度评估性能并分析原因。实验结果表明，该实现方案占用逻辑资源不到3%，计算精度损失约0.2%，运算效率相对CPU提升7倍；接入实时视频采集进行测试，FPGA系统运行稳定，目标框检测标识无误。

关键词： DC GIS   盆式绝缘子   金属异物   飞萤运动   目标检测  

摘要： 线形金属异物的飞萤运动行为是导致直流气体绝缘开关电器(Gas insulated switchgear， GIS)绝缘故障的关键因素之一。为了探究直流GIS内部线形金属异物飞萤姿态对其轨迹分布与吸附特性的影响规律，本文搭建了包含绝缘子的透明实验腔体，搭配YOLO目标检测模型，对直流电压下线形金属异物启举到吸附的全过程进行了研究。结果表明，在正极性电压下，金属异物主要表现为极间往复运动并伴随跳跃飞萤运动，提高电压幅值会增加飞萤运动发生次数。在负极性电压和增加异物长度等条件下，金属异物出现摇摆飞萤运动次数增加，导致其在腔体上半部分运动的时间比例降低。金属异物吸附通常发生在飞萤运动过程中，其中跳跃飞萤状态下更易吸附于绝缘子凸面，且在吸附过程中可能沿绝缘子表面进行翻滚运动，而摇摆飞萤状态下则更易吸附于绝缘子凹面。本文研究内容可以为直流GIS金属异物防护与治理提供参考。

关键词： 跌倒检测   深度学习   图像处理   神经网络   YOLOv7   损失函数   数据增强   目标检测  

摘要： 针对复杂环境中存在目标遮挡以及小目标等问题，文中出了一种基于YOLOv7(You Only Look Once version 7)模型改进的人员跌倒检测算法。改进模型引入SPDConv(Space-to-DepthConvolution)与InceptionNeXt相结合的新模块SPINeXt，以此充分提取特征信息，从而提升在遮挡环境下的跌倒检测性能。将归一化的Wasserstein距离损耗按比例添加到原始CIoU(Complete Intersection over Union)，增强了原YOLOv7模型对小目标位置偏差的敏感度。采用Mosaic和Mixup数据增强技术进一步提升原YOLOv7模型的鲁棒性，从而获得更准确的检测结果。实验结果表明，改进模型在复杂环境下的跌倒检测精确率为0.956，优于其他网络模型，验证了所提模型在复杂环境下进行人员跌倒检测的综合性能最优。

关键词： 扩散结构   数据增强   超分辨率重建   目标检测  

摘要： 随着无人机遥感技术的广泛应用，小目标检测技术受到越来越多的关注。然而，由于图像分辨率受限、噪声干扰以及复杂背景等问题，现有检测方法的精度和鲁棒性依然面临挑战。针对以上问题，提出基于扩散结构的超分重建（super-resolution reconstruction with diffusion structure,SRRDS)的小目标检测方法。首先，针对图像中常见的噪声干扰等问题，提出一种扩散模型驱动退化数据生成模块，通过模拟实际成像系统的物理退化过程，结合双阶段物理约束退化引擎与可控噪声增强模块，生成真实物理退化特征的低质图像，提升训练数据与实际场景的匹配性。其次，针对低分辨率图像纹理细节缺失和边缘信息退化问题，提出多尺度残差生成器模块。通过引入多尺度分支结构、像素重组操作和残差生成块，有效增强输入图像的层次信息表征能力。同时，利用生成对抗网络优化图像质量，实现高精度的超分辨率重建。在AI-TOD数据集和VisDrone-2019数据集中平均精度（average precision,AP）达到了14.1%和25.7%,AP50分别达到了32.9%和41.4%。实验结果表明，与常规检测模型及数据增强方法对比，扩散噪声的引入能够模拟真实场景退化现象，且提高图像分辨率，减少小尺度目标的漏检和虚警现象。

关键词： 结构动态监测   裂缝表征   变形测量   亚像素边缘检测   基于密度的空间聚类算法  

摘要： 变形和裂缝是既有混凝土结构状态评价的重要依据，但是依靠传统检测手段获取两类信息的时间和人力成本很高。近年来出现的计算机视觉检测技术是提高损伤信息获取效率的关键途径。然而，从图像中提取变形与裂缝的量化表征参数尚且缺少系统性方法，存在部分指标计算方法不精确、忽视持续观测提供的历史信息等问题。本研究以钢筋混凝土梁为对象，依据既有结构评估对变形、裂缝参数的需求，建立了用于结构动态监测的变形、裂缝特征参数系统，包括挠度、裂缝初始位置、宽度、长度、方向以及发生时间等。在此基础上，提出基于亚像素边缘检测、密度空间聚类的裂缝识别方法，提高了提取裂缝参数的精度，并通过帧间约束提高长期监测的计算效率。同时，也通过图像拼接与阈值分割等方法实现变形提取。为验证方法有效性，对六根不同破坏模式梁的加载试验过程进行监测，并分析了不同荷载水平下的变形和裂缝动态演变情况。结果显示，参数数值变化趋势与结构安全性余量之间存在密切关联，构建的参数系统可以在未来用于解决破坏模式预测、荷载估计等工程中重要的逆问题。

关键词： 智能识别系统   功能一致性测试   图像处理   干扰判断   航电显示模块  

摘要： 针对航电显示模块中智能识别系统在图像处理、通讯交互与干扰判断等功能模块的一致性验证需求,本文设计并实现一套完整的功能一致性测试方法。系统构建基于DVI视频输入与摄像头采集的图像处理流程,结合千兆网通讯机制与干扰识别模型,覆盖图像差异化分析、参数同步测试、干扰源智能定位等多个功能维度。测试环境集成软硬件平台与自动化测试系统,通过多组仿真与实测,可验证系统在图像完整性、异常识别准确率、通讯稳定性以及干扰判断与响应能力方面的性能。该系统具备较高的功能一致性和可靠性,旨在有效支撑航电环境下复杂工况的图像识别与干扰处理任务,为相关系统的测试评估提供可行方案与技术参考。

关键词： 计算机视觉   建筑装饰材料   缺陷检测   深度学习  

摘要： 计算机视觉技术应用于建筑装饰材料缺陷检测,通过图像预处理、特征提取与分类算法等关键步骤,可实现对瓷砖、木材、玻璃等材料缺陷的高效精准识别与分类。该技术能够准确识别釉面砖与抛光砖的多种瑕疵,捕捉木材表面的裂纹、节疤及颜色纹理异常,并清晰检出玻璃的划痕、气泡等缺陷。针对光线变化、实时检测需求及缺陷形态多样性等挑战,研究者通过优化算法、部署高性能计算平台并融合深度学习技术,显著提升了检测的精度与效率。计算机视觉技术在建筑装饰材料缺陷检测领域展现出广阔前景,其未来应用必将更加深入与广泛。

关键词： 目标检测   特征融合   监督信号   DEtection TRansformer   目标查询  

摘要： 目标检测是计算机视觉领域一项重要的基础性任务，已在自动驾驶、智慧交通和医疗诊断等领域得到广泛应用。在检测领域，DETR（DEtection TRansformer）摒弃了手动设计组件的需求，构建了一个完全端到端的目标检测框架。然而，该框架解码器各层对前序输出的高度依赖导致了解码阶段出现级联负优化的问题。针对上述问题，提出了一种基于动态特征融合的目标检测方法——DFF DETR（Dynamic Feature Fusion DETR）。该方法通过动态融合解码器跨层特征，实现目标查询（Object Query）在解码层间的有效传递，缓解解码器后续阶段对前序输出的高度依赖。在反向传播阶段，引入层间传递的监督信号，提升中间层目标查询的特征拟合效果，修正解码器前序输出，缓解解码阶段的级联负优化问题。在多种基于DETR框架的目标检测算法上进行的大量实验表明，嵌入DFF方法可实现近1.0％ mAp的性能增益，其中小目标检测精度的提升尤其明显。