关键词： 3D目标检测   轻量化模型   扩张卷积   协同注意力机制  

摘要： 目的 针对激光雷达3D目标检测中远距离目标感知能力不足、遮挡场景检测精度显著下降以及计算冗余制约实时部署等问题，提出一种轻量化深度学习检测模块。方法 设计MDC-Net三分支协同注意力架构，系统性应对上述挑战。扩张卷积分支采用多扩张率级联策略，在无参数增长条件下实现感受野从9扩展至25，增强远距离目标空间特征捕获能力；全局上下文分支通过自适应全局平均池化与1×1卷积结合，以O(N)时间复杂度实现轻量化全局语义建模，弥补局部特征聚合的语义缺失；特征压缩分支利用1×1卷积进行高效跨通道信息交互与维度优化。三分支通过交叉注意力权重机制与残差连接实现协同融合，将MDC-Net集成至PV-RCNN框架并在KITTI数据集验证。结果 车辆检测达到92.34%、83.35%和77.62%的Easy、Moderate和Hard平均精度，相比基线分别提升2.09%、1.92%和0.80%；骑行者检测提升0.75%。消融实验表明三分支协同相比最优双分支组合额外获得0.99%性能增益。结论MDC-Net在检测精度、感受野覆盖与计算效率间实现有效平衡，为复杂驾驶场景实时3D检测提供高效可扩展方案，对边缘设备部署具有重要应用价值。

关键词： 目标检测   YOLOv8   航拍视角   特征融合   损失函数  

摘要： 针对航拍视角下的车辆目标存在多尺度、目标小、背景复杂等问题，提出了一种基于多通道协同特征融合的YOLOv8改进模型ZZQ-YOLO。首先，通过引入LSKA机制对主干网络的金字塔池化处理进行改造，提高模型在复杂背景下对关键信息的关注度。其次，应用一种新的多通道协同特征融合金字塔网络MCFFPN来增强不同分辨率、不同特征映射下的特征信息聚合，进一步提高颈部网络中小目标层对特征信息的提取。最后，使用Focaler-MPDIoU Loss损失函数，改善边框尺寸差异以及难易样本数量不均衡对梯度的不利影响，加快网络收敛速度。实验表明，改进模型ZZQ-YOLO较基线模型在VisDrone2019数据集的验证集Val与测试集Test上的平均精度(mAP@0.5)分别提升了4.5%、3.6%，证明了模型改进的有效性。

关键词： 玉米叶片病害   目标检测   RT-DETR   模型剪枝   轻量化  

摘要： 针对玉米叶片病害表现多样，且受光线、拍摄角度、遮挡等场景干扰易导致漏检误检，同时为降低对移动端与嵌入式设备的算力需求，本研究基于RT-DETR提出一种轻量化玉米叶片病害识别方法。其实现过程：首先，设计了新的主干网络FasterRepNCSPNet，该网络通过优化特征提取结构来提升多尺度病害表征精度，降低计算成本并增强模型鲁棒性，减少误判漏检的风险；其次，将跨尺度特征融合的RepC3模块替换为RepNCSPELAN4-FB模块，强化多分辨率特征交互能力，优化不同尺寸玉米叶片病斑的检测效果；然后，引入Focaler-MPDIoU回归损失函数，改善检测边框回归效果，从而提升推理结果的精准度；最后，采用层自适应稀疏化剪枝策略压缩模型规模，在不损失精度的同时进一步压缩模型的大小。实验结果表明，与原RT - DETR-R18 模型相比，新方法的准确率、召回率和平均精度均值分别提升4.4、3.8、3.2 个百分点，参数量、计算量、模型大小分别下降 61.53%、65.91%、60.5%，实现了检测精度的提升与模型的轻量化目标，具备较强的实际应用价值。

关键词： 地浸采铀   注氧   静态混合器   气液两相流   图像处理   流型演变   气泡行为  

摘要： 在“CO2+O2”原地浸出采铀工艺的注氧过程中，氧气在长距离输送过程中易发生气泡聚并，导致流型恶化，进而诱发气堵，造成注液中断和浸出效率下降。为揭示气泡行为与流型演变规律，本研究针对地浸采铀中使用的静态混合器，设计了可视化试验系统，采用粒子阴影测速法，结合高斯滤波、自适应阈值分割及形态学重构等图像处理技术，实现对微气泡粒径、分布与动态行为的高分辨率原位观测。结果表明，当加氧质量浓度从15 mg/L增加至700 mg/L时，微气泡粒径由528 μm增至823 μm；当注液流量从0.5 m3/h提升至2.0 m3/h时，微气泡粒径从945 μm降至412 μm。随着加氧质量浓度提高，流型演化呈现从雾状流、泡状流、过渡流到弹状流的变化规律。在弹状流型下，大气泡周期性溃散，导致现场气堵问题频发，在注氧作业中应尽量避免该流型。本研究的图像处理方法可为微气泡粒径、聚并频率与流型识别提供高可靠性数据支持，为地浸采铀注氧作业与过程调控提供支撑。

关键词： 交通工程   三维目标检测   多模态特征融合   共享注意机制   阈值引导  

摘要： 为提升智能汽车在开放道路环境下的三维目标检测鲁棒性,提出一种可变形共享注意机制与密度阈值引导的多模态特征融合模型（DSAM-DTG）。首先,设计可变形共享注意机制,通过粗粒度融合特征引导激光雷达与相机2种模态的内部特征聚合,增强关键区域信息、补偿缺失特征并抑制冗余噪声,为后续融合提供高质量的单模态特征表示。其次,提出密度阈值引导的多模态融合策略,依据点云密度分布与场景上下文信息评估各模态可靠性,自适应调整融合权重及策略以适配不同场景。最后,基于融合的多模态特征实现目标的三维检测。在nuScenes公开数据集上的试验结果表明,DSAM-DTG模型在均值平均精度（mAP）与nuScenes检测分数（NDS）分别达到75.6%与77.9%,较基线模型提升7.6%与7.8%。在感知受限、环境变化、距离变化及跨数据集等多种场景下的测试进一步表明:该模型在感知受限场景中,mAP与NDS仅下降8.3%与4.2%,性能降幅显著低于对比方法;在雨天与夜间,mAP分别达74.4%与47.9%;对于远距离车辆与行人,检测精度较基线模型分别提升22.1%和19.2%。同时,模型推理速度达21.7帧·s-1,满足智能网联边缘部署需求。试验表明,DSAM-DTG模型在不同环境中均具有良好的检测性能与泛化能力。

关键词： 目标检测   侧扫声呐   沉船检测   小波变换   注意力机制  

摘要： 针对侧扫声呐图像在水下混响作用下易受噪声干扰、导致目标检测性能受限的问题，提出了一种融合小波变换和注意力机制的水下目标检测模型。该模型利用小波变换实现高、低频特征分解，并结合注意力机制对低频全局结构与高频局部细节进行差异化增强，有效抑制噪声干扰，突出目标特征表达。实验结果表明，所提模型在mAP@0.5和mAP@0.5:0.95上分别达到87.0%和56.9%，参数量仅为2.37 M，FLOPs为5.99 G，展现出高精度与轻量化的综合优势，可为深海矿产勘探和水下考古等任务提供可靠的技术支撑。

关键词： 电子元器件   缺陷检测   计算机视觉   图像处理   机器学习   深度学习  

摘要： 电子元器件表面缺陷检测流程是电子产品生产过程中的重要环节，对于保证整机电子产品的质量和可靠性至关重要。近年来，计算机视觉技术在电子元器件表面缺陷检测领域的应用日益广泛，显示出巨大潜力和技术优势。本文系统地回顾了利用计算机视觉技术进行电子元器件表面缺陷检测的方法，明确了检测中涉及的视觉任务，并阐述了其基本的处理流程，在技术层面分别按照基于图像处理、基于传统机器学习、基于深度学习的三种电子元器件检测方法对于基于计算机视觉的电子元器件缺陷检测技术的发展进行了论述，在此基础上介绍了构建的元器件表面缺陷数据集，讨论了当前面临的挑战以及未来可能的发展方向。

关键词： 烟叶烘烤   阶段判别   YOLO算法   实时判别   图像处理  

摘要： 【目的】比较YOLO算法模型在烟叶烘烤阶段的性能，以提高烟叶智能烘烤的实时性，进而提升工艺匹配的精度。【方法】选用YOLOv3、YOLOv5s、YOLOv8s和YOLOv11s等早中近期4个版本分别构建模型，并根据模型的判别性能、复杂程度和检测实时性3个方面进行对比评估。【结果】YOLOv8s模型整体性能表现优于其余3种，其中精确度为95.0%，平均精度均值为97.1%，F1得分为93.0%，3项指标均为最优，而模型整体召回率为91.1%，也仅略低于YOLOv5s模型的93.3%；此外，YOLOv8s算法检测速度最快，单张图像检测时间仅为5.5 ms。值得一提的是，YOLOv8s算法模型对烟叶状态变化微弱的干筋期相关阶段的判别性能表现突出。从轻量化考虑，YOLOv5s模型最为出色，其参数量为7.04 M，计算量为15.8 GFLOPs，模型体积为13.7 MB；在4种模型运行功耗差距不明显的情况下，YOLOv5s模型的运行内存为1 081 MB，仅略高于YOLOv8s模型的916 MB。【结论】通过对比分析，4种版本YOLO算法模型在烟叶烘烤阶段判别性能方面表现出显著差异，其中YOLOv5s和YOLOv8s表现较好。YOLOv8s整体性能表现最为出色，而YOLOv5s计算量、模型体积等指标较低，更能满足低成本嵌入式设备轻量化的需求。因此，YOLO算法模型适合用于烟叶烘烤阶段的实时判别，但是版本选择应当根据实际需求而定。

关键词： 视觉SLAM   深度学习   光流法   极线约束  

摘要： 由于光照敏感导致建图失真，运动物体引发位姿漂移，动态目标轨迹残影污染地图拓扑等，传统视觉SLAM系统在动态环境下的鲁棒性与地图真实性严重退化。为此，将改进YOLOv5s嵌入到视觉SLAM中，提出了动态环境下基于改进YOLOv5s目标检测的视觉SLAM系统（Dynamic YOLO-Flow Odometry SLAM DYFO-SLAM），DYFO-SLAM系统采用光流法和极线约束剔除图像动态特征。在数据集及真实场景中进行算法性能验证，结果表明DYFO-SLAM系统有效剔除了动态特征，改善了传统视觉SLAM系统无法处理动态环境的问题。

关键词： 玉米喇叭口   目标检测   YOLOv5s算法   精准喷洒  

摘要： 【目的】提出一种改进的YOLOv5s玉米喇叭口检测算法模型，旨在实现模型网络结构轻量化的同时，提高检测准确率，以提升玉米精准喷药的效率和减少环境污染。【方法】在YOLOv5s网络结构基础上，首先，使用FasterNet结构替换YOLOv5s的C3结构实现模型的轻量化；随后，研究了挤压-激励（Squeeze-and-Excitation，SE）和卷积注意力模块（Convolutional Block Attention Module，CBAM）两种注意力机制分别位于主干网络不同位置时对模型性能的影响；最后，对比分析YOLOv5s 中CIoU，EIoU和WIoU损失函数对模型精度的影响。【结果】注意力机制对比实验表明，CBAM和SE注意力机制在特定位置提升了模型检测精度，最高分别为89.1%和88.8%，但两者同时添加至主干网络时，精度却下降至84.6%。相较于CIoU，EIoU，使用WIoU损失函数对模型性能提升更加有效，其精度和召回率能够达到87.5%和89.7%。经过改进后的模型在检测数据集上的mAP@0.5达到了92.3%，较改进前的 YOLOv5s（87.8%）提升了4.5%，参数量下降18%，运算量减少21%，并保持了较快的检测速度。【结论】改进后的算法在玉米喇叭口检测任务中表现优异，能够在有限计算资源条件下实现高效、精准的喷药决策支持。该研究为农业精准喷药技术提供了创新的解决方案，也为未来智能农业设备的开发奠定了技术基础