关键词： 图像处理   沙尘图像   色偏校正   天空分割   图像去雾  

摘要： 针对沙尘图像目前存在的颜色偏移、清晰度低以及暗通道先验方法在处理图像天空区域时效果不好等问题，提出一种基于色偏校正和天空分割的沙尘图像增强方法。首先，结合通道补偿和灰度世界算法校正沙尘图像色偏。其次，提出了一种基于天空分割的去雾方法。通过信息熵确定图像的分割阈值，利用阈值将图像分割为天空区域和非天空区域；并利用融合窗口对暗通道进行优化；然后，引入自适应调节因子对透射率进行调节，利用大气散射模型还原图像。最后，在HSV空间中利用自适应饱和度增强算法和自适应伽马矫正对图像饱和度和亮度进行调整。实验结果表明：所提方法可以校正沙尘图像的色彩偏移现象，提高图像的清晰度，同时可以提高天空区域的恢复效果。本方法在平均梯度、标准差、信息熵等量化指标分别提高了2.27%、4.34%和0.25%。

关键词： 目标跟踪   目标分割   特征提取   特征匹配   协同感知  

摘要： 对未知目标的实时感知与持续跟踪是智能系统自主决策的重要前提，在实际应用中存在缺乏目标类别先验信息和训练样本匮乏的问题，使得未知目标的感知与跟踪更具挑战性。针对此问题，提出了一种基于任意分割模型（Segment Anything Model,SAM）与稀疏特征点匹配的未知目标跟踪方法。该方法首先通过提示点引导SAM模型感知并分割图像中的未知目标，随后利用基于卷积神经网络的特征点提取模型，获取目标图像的稀疏特征点作为目标信息，并通过基于注意力机制的匹配网络在后续帧中匹配这些特征点，完成目标信息传播。在此基础上，设计了一个基于特征点一致性的迭代式SAM模块（ISPC），利用匹配的特征点持续引导SAM模型对后续图像帧的目标进行分割，从而实现未知目标的稳定跟踪。此外基于稀疏特征点的轻量化目标信息，可以在多智能体之间高效共享，构建了一个协同式目标跟踪系统。在DAVIS 2017数据集和自构建的近红外视频数据集上，评估了系统的目标跟踪性能与零训练样本目标的泛化能力。实验结果表明，该方法在处理未知类别目标的协同感知与跟踪任务中，表现出良好的鲁棒性和准确性。

关键词： 生物质颗粒   柔性纤维   颗粒混合   颗粒流   旋转滚筒   图像处理  

摘要： 为了深入理解柔性生物质颗粒的运动混合行为，选取纤维状烟丝颗粒为代表，开展旋转滚筒内烟丝颗粒的运动混合的实验研究.采用图像处理的方法，确定动态休止角(AOR)和莱西混合指数，分别量化标定颗粒运动形态和混合程度.开展关键参数的分析，发现颗粒填充度的增加会引起动态休止角和混合速率降低.在当前考察的参数值范围内，滚筒内壁摩擦系数和滚筒转速的增加虽然对动态休止角的影响不大，但是会引起颗粒混合速率的显著增加.在滚筒内壁安装耙钉，会显著增大动态休止角；采用适当的耙钉数量和长度，可以实现较大的颗粒混合速率.

关键词： 驾驶员分心检测   深度学习   知识蒸馏   目标检测   注意力机制  

摘要： 为提高道路安全,预防交通事故,提出一种基于局部与全局知识蒸馏(Local and Global Knowledge Distillation,LGD)的危险驾驶行为检测算法。在知识蒸馏框架基础上,引入融合局部特征与全局特征的蒸馏损失函数,引导学生网络高效学习教师模型判别能力。这一方法有效促进学生网络的学习,使其能够在保持参数减少时,达到与教师网络相当的检测准确率。试验结果显示,本方法在仅包含31.85 M参数大小的模型下,实现91.79%准确率,表明该方法在处理分心驾驶检测问题上的有效性。

关键词： 铁路轨道   轨道扣件   目标检测   YOLOv11n   特征融合网络  

摘要： 为减少复杂天气环境下铁路轨道扣件状态检测时出现误检和漏检，降低检测模型复杂度，提升模型对多尺度和相似性缺陷的检测能力，提出一种多尺度特征融合的铁路轨道扣件轻量化状态检测算法BWD-YOLO。首先，通过新设计的多尺度特征融合网络SPAFPN，重构YOLOv11n的颈部网络结构，对不同尺度的轨道扣件特征进行融合以提高模型的多尺度融合能力；然后，在骨干和颈部网络中使用改进的小波池化模块替代YOLOv11n现有卷积模块，利用低频和高频分量提取多尺度特征，有效减少背景噪音干扰，从而提高检测性能；其次，设计细节增强共享轻量级检测头DESH替换YOLOv11n的检测头，通过共享卷积提高检测头对特征的分类和定位能力以降低模型的计算复杂度；最后，在YOLOv11n中引入新设计的损失函数OIOU替代原有的损失函数CIOU，加快模型处理速度，提高检测精度。实验结果表明，提出的目标检测算法BWD-YOLO的处理结果的mAP@0.5为84.1%，较原YOLOv11n提升了6.1%，参数量下降了14.0%。与主流目标检测算法相比，BWD-YOLO的处理结果的mAP@0.5较YOLOv5n、v8n、v10n分别提升了11.8%、2.3%、2.2%，参数量较YOLOv5n、v8n、v10n分别下降了26.7%、26.2%、4.7%，相比最新的YOLOv12、YOLOv13,mAP@0.5分别提高了1.7%、1.1%，参数量分别下降了15.3%、12.6%。实验结果验证了所提算法具有更高的检测精度和更小的参数量，同时具备良好的可行性与泛化性，表明该算法能够有效地实现铁路轨道扣件状态检测。

关键词： YOLOv9   黄瓜病害检测   轻量化算法   AFPN模块   目标检测  

摘要： 在农业现代化中，黄瓜病害检测对保证产量和品质极为重要。现有方法在处理形状大小多样和症状差异显著的黄瓜叶片时存在局限，且难以在资源受限设备上应用。本文提出了一种基于YOLOv9的黄瓜病害检测轻量化算法——SPAF-YOLOv9。首先引入空间到深度卷积（SPD-Conv）并结合下采样模块（ADown）构成SPAD模块，优化了特征图的空间信息利用效率，增强了模型捕捉细微特征的能力。同时引入渐进式特征金字塔网络（AFPN）进行跨层级特征融合，提升了模型对不同尺度目标的检测能力。实验结果表明，SPAF-YOLOv9模型在黄瓜病害数据集上的精确率达到91.5%，平均精度均值（m AP）达到了92.5%。与初始模型相比，参数量减少了约19.3%，计算量（GFLOPs）降低了约9.8%，推理时间显著缩短。由此表明，SPAF-YOLOv9模型不仅提高了黄瓜病害检测的精度和效率，而且通过轻量化设计，使其更适合在资源受限的嵌入式设备上部署，为农业现代化提供了有力的技术支持。

关键词： 深度学习   蔬菜   生长监测   计算机视觉   时间序列预测   多模态融合   卷积神经网络   Transformer  

摘要： 为全面了解深度学习技术在蔬菜生长监测中的应用进展，基于大量文献调研，重点围绕基于计算机视觉模型的监测技术和基于时序和多模态数据的监测技术两大研究方向展开梳理与分析。研究表明，深度学习技术，特别是卷积神经网络（CNN）、循环神经网络（RNN）、Transformer以及结合图像和传感器数据的多模态深度学习方法在蔬菜生长指标无损估计、病虫害识别、产量预测、生理指标检测等方面表现出色，显著提升了监测的自动化与精准化水平。然而，该技术仍面临数据质量波动大、标注成本高、模型迁移能力差、边缘设备计算资源有限与模型泛化能力不足等挑战。针对这些问题，提出了多源数据融合、弱监督学习、模型跨域部署、模型轻量化与边云协同、多任务学习等解决策略。未来，随着自动化数据采集、跨模态学习与智能调控技术的发展，深度学习将在蔬菜生长监测与智慧农业管理中发挥更重要的作用。

关键词： 轻量级网络   缺陷检测   YOLOv8n   多尺度特征融合   特征提取   空间金字塔   目标检测   WIoU  

摘要： 针对钢板表面缺陷检测目前存在的严重漏检误检以及边缘设备难部署问题，提出了一种基于YOLOv8的轻量化的钢材表面缺陷检测算法。首先，设计了部分卷积门控线性单元（partial convolutional gated linear unit， PGBN）模块来替换BottleNeck模块，只对部分通道进行卷积操作以减少模型的参数；其次，使用不同膨胀率的卷积改进空间金字塔池化模块，加强对细粒度特征的提取，并结合全局到局部空间聚合（global-to-local spatial aggregation， GLSA）模块改进BiFPN（bidirectional feature pyramid network）结构提出了多尺度特征融合网络GLFPN（global-to-local spatial aggregation bidirectional feature pyramid network），以保留小目标特征，提升模型精度；然后，设计了轻量化的检测头，使用共享权重的卷积进一步减少模型的参数量和计算量；最后，用WIoU（weighted intersection over union）损失函数来替代原有的损失函数。实验结果表明，改进模型在NEU-DET数据集上mAP50达到了 79.6%，相比YOLOv8n 提升了4.2百分点，而模型的参数量和计算量仅有1.43×106和4.7×109，较YOLOv8n分别下降了53.3%和41.9%，在提升准确率的同时更加适合在边缘设备部署。

关键词： 图像处理   图像去雾   层级感知特征协调模块   三分支注意力机制   优化Transformer模块  

摘要： 针对现有图像去雾方法在细节保留、性能稳定性方面的不足，提出一种基于多模块协同网络的图像去雾方法。该方法构建了包含层级感知特征协调模块、三分支注意力模块和优化Transfomer模块的U-Net架构。层级感知特征协调模块通过多膨胀率卷积的级联结构实现了跨尺度特征的有效融合，其中小膨胀率卷积专注于局部细节恢复，大膨胀率卷积负责全局雾霾分布建模，配合残差连接确保了浅层特征的完整传递；三分支注意力模块创新性地采用并行注意力机制，通过通道注意力分支、轻量通道响应分支和空间注意力分支的协同工作，实现了对非均匀雾区的自适应处理；优化Transformer模块通过在标准自注意力层前后引入卷积，既保留了Transformer的全局建模优势，又弥补了其局部特征提取的不足。在RESIDE-6K和RESIDE-IN数据集上进行的广泛实验表明，我们的方法在先进性和稳定性方面由于现有的大部分方法，为图像去雾在各领域的应用提供了一种有前景的解决方案。

关键词： 图像处理   图像增强   红外图像   生成对抗网络  

摘要： 红外热成像技术应用广泛，但低成本传感器导致的图像分辨率低、细节模糊问题限制了其发展。为解决此问题，本文提出了一种基于全局-局部特征的感知驱动的红外图像增强模型。本模型的生成器采用双通道架构，通过混合CNN-Swin Transformer模块并行提取低分辨率（LR）输入与高分辨率（HR）参考图像的深层特征，并利用关联注意力模块建立HR图像高频纹理与LR特征流之间的关联，旨在将相关细节信息迁移至LR特征流。为实现感知驱动的优化，本文的双判别器从全局真实感和局部语义一致性两个维度提供梯度指导。整个网络通过一个结合了像素、感知及对抗性损失的复合损失函数进行端到端训练，旨在平衡重建图像的保真度与真实感。实验结果表明，本模型在PSNR (27.20)、SSIM (0.6854)等多项指标上展现出有竞争力的性能，验证了其在热成像增强任务上的有效性。