关键词： 图像处理   识别技术   系统监控   异常检测  

摘要： 各领域系统监控与异常检测的应用日益广泛,信息技术日新月异。作为现代科技的重要组成部分,图像处理与模式识别技术不仅可以增强监控系统的性能,还可以实现精确检测异常状况。这些技术的应用尤其在安全、生产、医疗等领域成为关键手段,确保了系统稳定运行。本文就图像处理与模式识别技术在系统监控和异常检测方面的具体应用以及它们所带来的显著优势进行了深入地探讨。

关键词： 图像处理   传感器   视触觉   草莓夹取   深度学习  

摘要： 为解决草莓自动化夹持中的损伤问题，该研究提出一种基于视触觉融合的接触力精确感知方法。设计了集成视触觉传感器的夹爪，并构建了AFE-Unet3+（area and force estimation unet3+）神经网络。该网络基于Unet3+网络，融合高效局部注意力机制（efficient local attention,ELA），构建多尺度结构相似性损失函数（multi-scale structural similarity index,MS-SSIM），实现了对接触区域和力值的同步估计。AFE-Unet3+与Unet3+及CANFnet相比，AFE-Unet3+模型在接触区域预测的交并比（intersection over union, IoU）上分别提升了0.01和0.06；在法向力预测的平均绝对误差（mean absolute error, MAE）上分别降低了0.057和0.631，且力值回归的平均校正决定系数（adjusted coefficient of determination, R2）高达0.976。对3个品种草莓的损伤阈值试验测得，其安全夹持力范围为0.3～0.6 N，试验结果表明所设计的视触觉夹爪可为草莓无损抓取提供有效的力信息支持。

关键词： 入水空泡   实验教学   流体力学   高速摄影   图像处理  

摘要： 针对流体力学教学中理论抽象和实验可视化不足的难题，重构基于亲/疏水球体入水的实验教学体系。通过融合高速摄影与图像处理的实验平台，重点剖析气液界面动态捕捉及接触线演化量化方法。对比亲/疏水球体入水过程，结合相似定律分析，引导学生探究浸润性调控空泡形态的机理与弗劳德数的主导机制。该体系以润湿性差异诱导的不对称空泡演化驱动问题导向实验，深化学生对流场演化规律的解析，强化边界识别与相似律工程转化能力。

关键词： 无人机   图像处理   烟株   计数   卷积神经网络  

摘要： 针对山地环境下烟叶遮挡、重叠以及不同生长期形态特征差异导致的计数难题，该研究提出了一种基于无人机图像和MSA-TCN（multi-scale attention temporal convolutional network）模型的烟株计数方法。首先，基于VGG16（visual geometry group）构建烟株初级特征前端网络；其次，设计了融合通道注意力机制的特征移位分组卷积模块GroupDC（group convolution with feature shift and channel attention），强化遮挡场景的模型特征表达能力；然后，设计了融合注意力机制的多尺度特征提取OptimizedDC（optimized multi-scale feature extraction module with attention）模块，通过多分支扩张卷积捕捉不同感受野的特征，结合标准卷积强化局部细节提取，提升多生长期烟株计数精度；最后，提出了UPBlock（upsampling and feature aggregation block）结构，实现多尺度特征聚合与密度图优化。试验表明，MSA-TCN模型测试集指标平均绝对误差（mean absolute error,MAE）、均方根误差（root mean square error,RMSE）、相对误差（relative error,RE）和决定系数（coefficient of determination,R2）分别达6.07株、7.78株、1.69%和0.996。该模型可实现山地环境下的烟株有效计数，满足烟叶精准种植管理的需要。

关键词： 目标检测   三维   点云   苗圃   VoteNet  

摘要： 针对果园机器人对小体积目标检测精度较低的问题，该研究提出一种改进VoteNet的三维点云苗圃树冠检测方法。通过将VoteNet非对称特征提取模块替换为对称化特征提取模块（symmetric feature extraction module,SFEM）以增强低维信息获取，在跳跃连接处引入反向注意力特征融合模块（reverse attention feature fusion module,RAFFM）以提升局部特征提取能力，并采用中心点差异损失函数（center point discrepancy loss,CPD-Loss）减小预测框与真实框中心点偏差。在自制苗圃点云数据集上的试验表明，改进模型在IoU阈值为0.25时平均召回率（average recall,AR）和平均精度均值（mean average precision,mAP）分别达到88.06%和55.05%；其中小目标无刺枸骨球的检测AP值从4.40%提高至28.77%。该研究方法能够提升果园机器人在苗圃环境中对树冠目标的感知能力，为智能化苗圃管理提供技术支持。

关键词： 排蜜露行为   蚜虫   目标检测   时空特征   帧差法   自适应融合   预警  

摘要： 蚜虫是农林作物的重要害虫和传播植物病毒最重要的介体类别之一，其排蜜露行为不仅包含了昆虫和植物互作的重要信息，更为植物抗性机制研究、害虫发生动态监测及预警提供了重要依据。针对人工监测或化学分析蚜虫蜜露的效率低、实时性差、操作复杂差等问题，该文提出一种时序加权帧差自适应融合框架（temporal weighted frame difference adaptive fusion framework,TWFDAFF）提取蚜虫的时空运动特征。在YOLOv11的网络结构基础上进行优化调整，通过采用细粒度双向特征金字塔网络、全局到局部空间聚合模块、CLWA模块（融合C3k2的局部窗口注意力机制），以及双缓存平滑插值和动态类别判定等后处理优化框架，构建了小目标精细行为检测模型FGC-YOLO，以此实现对蚜虫排蜜露行为的实时监测。试验结果表明，该文提出的检测框架平均精度为81.5%，参数量为18.8M，浮点计算量为84.3G，平均检测速度为65帧/s；与其他主流算法相比，在小目标动作行为检测能力方面有显著提升。该文提出的基于TWFDAFF和FGC-YOLO的蚜虫排蜜露行为监测预警方法切实可行，为蚜虫等小型害虫的智能化预测预警提供技术支撑。

关键词： 遥感影像   目标检测   结构重参数化   多分支卷积结构   上下文注意力机制  

摘要： 针对遥感目标检测中背景干扰、目标遮挡、目标较小以及纹理模糊等引发的漏检和误检问题，本文提出了RAP-YOLO检测方法。首先，设计了RCSOSA模块，融合RCS的多分支卷积结构与OSA的一次性特征聚合机制，先通过结构重参数化提升特征提取效率，再统一融合多层特征信息，从而增强模型对遥感图像的感知能力；其次，设计了CBAM(Convolutional Block Attention Module)注意力模块，通过通道注意力模块提取语义显著通道信息，利用全局平均池化和最大池化结合MLP(Multi-Layer Perceptron)建模重要特征通道；再通过空间注意力模块提取关键位置信息，使用池化与7×7卷积建模空间关系，从而实现目标区域的精准定位与特征增强。最后，设计PKIBlock(Poly Kernel Inception Block)模块，融合多尺度Depthwise卷积、卷积式前反馈网络(Convolutional Feed-Forward Network， ConvFFN)非线性建模及CAA(Context Anchor Attention)上下文注意力机制，增强特征表达与语义建模能力，有效提升遥感图像中多尺度目标的检测精度与鲁棒性。在DIOR和NWPU VHR-10上进行对比试验，相较于YOLO11，平均精度提升至85.2%和91.2%，召回率达到79.0%和84.1%，均优于对比方法。该算法显著提升了遥感目标检测精度和鲁棒性。

关键词： 施工安全   安全网   目标检测   实例分割   风险评估  

摘要： 为更快速、安全地实现智能化的安全网破损检测，预防高空抛物与高处坠落事故的发生，结合目标检测与实例分割，提出一种破损快速智能检测方法。该方法将安全网破损识别、安全网破损分割分类和破损风险等级评估3个功能模块进行有效集成。以无人机作为检测设备，通过主干网络替换为Dconv2模块的YOLOv8模型并引入ECA注意力机制，实现安全网破损识别，利用YOLOv8-segment模型实现破损分割，根据设计的面积与长度估算方法计算其真实值以评估风险等级。结果表明：施工安全网破损识别精度达93.4%，实例分割的精度均在90%以上。并且面积与长度的计算误差较小在2cm内，整体的测试效果较好，方法总体满足实际要求。研究结果可为施工安全的智能化检测管理提供参考，并可拓展无人机在低空经济中的应用场景。

关键词： 煤矿智能化   煤矿安全生产   图像处理   目标检测   深度学习  

摘要： 随着煤炭产业正加快迈向智能化转型，基于视频图像的目标检测与隐患识别技术，因其非接触、可视化和高实时性等优势，正日益成为提升矿井安全保障能力与生产效率的关键支撑。研究综述聚焦煤炭智能化转型中视频图像智能分析技术的创新与应用需求，针对矿井复杂环境的智能化建设现状、潜在的安全隐患、现有先进目标检测与隐患识别方法及技术挑战、落地应用案例开展系统性研究。首先从矿井视频监控系统的建设现状、安全隐患的多样性及复杂性入手，阐述了机器视觉技术在井下环境下的必要性与应用价值；随后，比较分析了传统图像处理方法与基于深度学习的目标检测识别技术在检测精度、鲁棒性、计算效率等方面的差异与应用价值，重点探讨了主流检测模型在低照度、高尘雾、噪声干扰和遮挡严重等矿井典型场景中的适应性与局限性。在此基础上，结合现有典型矿井视频数据集的构建与应用案例，分析了数据集在模型训练、性能评估和泛化能力提升中的关键作用，并对其在煤流运输监控、人员违章行为识别、提升与运输设备隐患检测以及综采工作面安全预警等典型任务中的部署效果进行了分析。最后，总结了当前技术在复杂环境适应性差、数据不平衡与标注困难、实时计算资源受限以及长时序行为跟踪不稳定等挑战，并展望了泛化学习、多模态互补融合、大模型语义解析、边缘与云计算协同以及数据隐私安全保护等未来发展方向。通过系统梳理与深入分析，本研究为矿井视频图像智能分析技术的持续创新和工程落地提供了系统化的理论参考与技术路线支持，助力煤矿安全监测、隐患预警及应急响应体系向更高水平的智能化和本质安全方向发展。

关键词： 危险目标检测   YOLOv8n-seg   MIMO-SAR成像   图像处理   毫米波雷达  

摘要： 针对现有目标检测方法检测近场合成孔径雷达图像容易出现漏检、误检和精度低等问题，提出了基于YOLOv8-seg的近场多输入多输出（MIMO）-SAR毫米波图像目标检测算法，实现近场危险目标检测。将骨干网络和颈部网络的CBS(convolutional-batchnormal-SiLu)替换为GhostConv，减少算法参数，实现算法轻量化；利用RepViT Block替换CSPDarknet53中的Bottleneck设计了C3-RVB模块，替换颈部网络中的C2f模块，增加算法特征提取能力，提高检测精度；将YOLOv8-seg的损失函数CIoU替换为Inner-EIoU，引入缩放因子控制辅助边界框尺度，增强算法泛化能力；搭建了包含5类危险目标的MIMO-SAR数据集。实验结果表明：改进的YOLOv8-seg算法mAP@0.5和参数量分别为97.3%和2.56×10～6，检测精度高，有效解决常规算法容易出现漏检、误检问题，同时算法参数少，检测速度快，并通过3DRIED数据集验证改进算法具有较好泛化性。