关键词： 图像处理   水下图像增强   纹理增强   色彩校正   特征融合  

摘要： 水下图像受散射和水体吸收的影响，常常出现色彩失真和细节丢失。为改善这些问题，本文提出了一种基于梯度与色彩信息自适应融合的多尺度水下图像增强方法。首先，在纹理细节增强过程中，充分融合多尺度梯度与高频信息以实现纹理细节恢复。其次，引入水下光场信息作为全局色彩参考，以增强色彩还原能力。并利用层次特征提取结构充分捕获原始水下图像中的潜在特征，以及在网络关键位置嵌入残差结构及注意力机制，增强特征建模能力。最后，利用自适应融合机制融合多维有效信息，实现水下图像的全面增强。实验结果表明，与其他参与对比的方法比较，本文方法在提高水下图像质量上效果更优。

关键词： 人工智能   目标检测   烟支检测   空头  

摘要：  随着人工智能的不断发展,基于人工智能在烟草行业的应用已迫在眉睫。本文主要就目标检测算法YOLOv5在烟支检测烟丝侧空头等缺陷进行识别,以确保香烟在生产过程中,烟支质量得到保证。该方法目前已成功应用于烟厂,并得到烟厂一致好评,且能够有效的完成烟支质量检测。

关键词： 番茄分类   大小与成熟度   多尺度   特征提取   目标检测   YOLO v8n  

摘要： 根据连栋温室中番茄果实在颜色、形态上的差异，提出了一种基于多尺度卷积网络——YOLO v8n-MSS的番茄大小与成熟度分类方法，旨在解决不同遮挡类型下不同大小与成熟度的番茄果实识别精度差异大、识别准确率低等问题。该方法首先在YOLO v8n模型的Backbone网络中，依次在四个不同层级的C2f模块输出端分别引入不同K＿size的多尺度注意力模块MLSA (Multi-Scale Local-Spatial Attention)，从而提高模型的多尺度特征提取能力。接着在Neck层加入SEAM (Spatially Enhanced Attention Module)注意力模块，补偿遮挡番茄的响应损失。最后将Head层中的CIoU (Complete Intersection over Union)损失函数替换为SIoU (Scaled Intersection over Union)损失函数，通过引入实际框与预测框之间的向量夹角，提高对不同形状、体积和角度的番茄的适应能力。试验结果表明，YOLO v8n-MSS的P、R、F1值和mAP50分别为81.0%、78.1%、79.5%、84.2%。与YOLO v8n原始模型以及YOLO v9t、YOLO v10n和YOLO v11n等主流网络架构相比，mAP50分别提高了4.0%、3.0%、7.0%、5.0%。以上结果说明，改进后的YOLO v8n-MSS模型能将连栋温室环境中的番茄准确识别分类，具有优异的检测性能，可为不同大小与成熟度番茄果实的识别与采摘提供技术支持。

关键词： 合成孔径雷达(SAR)   船舶检测   深度学习   YOLOv8   多尺度特征融合  

摘要： 为了解决合成孔径雷达（SAR）图像中部分船舶目标体积小、目标尺寸变化大及背景噪声复杂等问题，提出基于YOLOv8的船舶目标检测算法DD-YOLO.其中，在骨干网络中采用改进的C2f模块增强多尺度特征提取与融合能力，结合新设计的SPA模块优化梯度流信息传递，显著提升多尺度目标检测的效果.颈部使用更轻量的动态上采样，在降低计算开销和模型复杂性的同时优化复杂背景中小型船舶的识别.检测部分设计加入多维度注意力机制，开展轻量化处理，增强模型对复杂背景中关键特征的敏感性，提高检测准确性.在HRSID和SSDD2个公开数据集上进行实验，DD-YOLO的mAP50分别达到92.2%和98.5%，比基线分别提高了2%和2.2%，模型复杂度显著低于主流算法，实现了精度与效率的平衡.

关键词： YOLO-World   开放词汇目标检测   少量样本学习   特征融合   滑动卷积  

摘要： 目标检测技术在计算机视觉领域取得了广泛应用，但现有方法大多依赖大量标注数据，难以满足现实中面临的新类别样本稀缺问题。尽管现有开放词汇目标检测方法虽然具备一定的跨类泛化能力，但在面向结构相近的新类别时，普遍存在语义匹配粗略、空间定位精度不足的问题。针对上述问题，本文提出一种基于YOLO-World的少样本学习目标检测算法：首先通过构建类别感知卷积核，将文本语义嵌入与图像特征融合，提升模型在少样本条件下对新类别的语义感知能力；其次，设计一种融合滑动卷积与几何空间约束的高效目标匹配与定位机制，在保持较低计算复杂度的同时，实现对目标区域的快速匹配与精准定位；最后构建了一个面向少样本目标检测任务的图像数据集，涵盖多个典型场景与目标类别。实验结果表明，本文算法在PASCAL VOC 2007+2012数据集上的10-shot达到了73.4%，比FM-FSOD提高了1.4个百分点。本文算法为实际场景中新类别目标的快速识别提供了一条可行的技术路径。

关键词： 深度学习   金属表面缺陷   小目标   RT-DETR   特征融合   注意力机制   差分卷积   目标检测  

摘要： 针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题，提出了一种基于RT-DETR(real-time detection transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分卷积，增强对小目标的特征提取能力；构建双重多尺度特征融合模块，有效捕获全局语义信息与细节特征，解决目标尺度变化大的问题；设计全局多尺度注意力机制，替代AIFI(attention-based intra-scale feature interaction)模块中的多头注意力机制，提高模型在复杂背景和多尺度目标场景中的鲁棒性和精确度。在金属表面缺陷数据集上，HAS-DETR在mAP50和mAP50-95上分别较RT-DETR提升了6.5%和4.5%；在公开ADPPP数据集上，mAP50提升了2%，mAP50-95提升了1.3%。实验结果表明，HAS-DETR在保持较高检测效率的同时，有效提升了在复杂背景中对小目标的检测精度，具有良好的实际应用前景。

关键词： Photoshop   图像处理课程   教学理念   教学策略  

摘要： 随着设计行业的不断发展,Photoshop 图像处理技术在高职教育里有着关键的作用。但当下高职图像处理课程的教学实践存在着较多的挑战,教学模式不够灵活、教学资源匮乏等,这些问题造成了理论应用和实操能力培养不均衡,难以契合行业对高素质设计人才的要求。本文探讨了 Photoshop 在高职图像处理课程中的教学实践,提出了有效的改革举措,以期提升学生的综合能力与职业素养。

关键词： 目标跟踪   目标检测   双时特征融合   注意力机制  

摘要： 提出一种新型双时特征融合的目标跟踪算法XT-SORT,旨在解决遮挡、远距离检测及复杂场景下的跟踪挑战。该方法在YOLOV10架构中引入多尺度特征提取全局空间注意力机制模块,有效提升小目标和远距离目标的检测精度,同时引入双时特征融合模块,以增强目标重识别能力,提高遮挡和快速运动情况下的跟踪表现。实验结果表明,XT-SORT在MOT17中MOTA指标可达到77.8,特别是在遮挡、远距离目标检测和多目标场景中表现突出,为复杂环境下的目标跟踪提供了高效、精准的解决方案。

关键词： 目标检测   图像技术   河湖开放共享  

摘要： 为提升水务信息化运行管理水平，通过分析YOLO系列、Mask R-CNN等算法在复杂水域环境中的优化路径，探讨了坐标注意力机制、多尺度特征融合网络及轻量化模型部署等关键技术。研究表明，多源数据融合（无人机多光谱影像、红外传感器等）显著提升了水位监测精度、漂浮物识别效率及施工安全管理能力，构建了“监测-预警-决策”闭环管理体系。当前仍面临小目标检测精度低等挑战，未来需深化数字孪生与区块链技术融合，推动河湖管理从经验驱动向数据驱动转型，为智慧水务建设提供科学支撑。

关键词： YOLO   目标检测   可变形卷积   注意力  

摘要： YOLO(You Only Look Once)系列算法因其在目标检测中的实时性和准确性而广受赞誉。然而，其性能提升仍面临挑战：标准卷积受局部感受野限制，难以捕获全局上下文特征，影响复杂目标的检测精度；增大卷积核虽能增强特征提取，却显著增加计算成本，降低算法效率。针对上述问题，本文研究了SCA-YOLO模型，引入可变形通道融合模块(Alterable Channel-wise Fusion, C2f AK)和上下文感知注意力机制(Context-aware Attention++, CAA++)模块提升性能。C2fAK模块结合可变形卷积与通道融合结构(Channel-wise Fusion, C2f)，提高特征表示能力并平衡计算开销；CAA++模块捕捉远距离上下文信息并减少通道冗余，进一步提升检测精度。实验表明，SCA-YOLO在多个数据集上的性能优于现有方法，展现了其在目标检测中的有效性和高效性。