关键词： 浅海底栖生物   目标检测   RT-DETR   多尺度特征增强   自适应稀疏自注意力   轻量化模型  

摘要： 浅海底栖生物目标检测在海洋生态监测和资源管理中具有重要意义，但受限于水下图像的低光照、模糊及复杂背景，传统检测算法性能不佳。本文提出了MEIE-RTDETR(multiscale edge information enhance-real time detection transformer)模型，通过设计多尺度边缘信息增强模块强化特征提取，采用自适应稀疏自注意力ASSA(adaptive sparse self-attention)降低计算冗余，并引入亮度信息增强IEL(intensity enhance layer)模块改进特征金字塔提升小目标检测能力，最后设计P-IoU(powerful-IoU)+NWD(normalized wasserstein distance)损失函数增强对边界框模糊和多尺度目标检测的性能。在DUO(detecting underwater objects)和RUOD(rethinking general underwater object detection)数据集上的实验表明，改进后的模型在参数量和计算量显著降低的同时，mAP@50分别达到85.0%和85.4%，优于Faster R-CNN(region-based convolutional neural networks)、YOLO(you only look once)系列及原始RT-DETR(real time-detection transformer)，为水下轻量化高精度检测提供了有效解决方案。

关键词： YOLOv11n   航拍小目标   目标检测   特征融合  

摘要： 在无人机航拍图像中，由于目标尺寸差异大、目标特征稀疏、背景干扰复杂、目标分布密集等问题，导致目标检测存在严重的漏检和误检问题。为提高检测的准确性，提出了一种基于YOLOv11n的无人机航拍小目标检测算法MSF-YOLO。在卷积层后添加像素重排模块（PixelUnshuffle），将空间维度信息转移到通道维度，防止下采样造成的信息丢失。使用动态上采样模块（DySample）实现自适应上采样，更好地处理小目标的细节特征和语义信息。将C3k2模块的残差连接替换成双输入特征混合模块（Dual Input Feature Merge,DIFM），通过多尺度卷积与注意力强化，增强小目标特征的同时抑制无关背景特征。通过层间特征融合模块（Inter Layer Feature Fusion,ILFF）融合不同层次大小的特征图，丰富颈部网络的输入特征。在VisDrone数据集上的实验结果表明：相比于基线算法YOLOv11n，改进算法的mAP50(mean Average Precision)和mAP50-95分别提高9.5%和7.1%，准确率和召回率分别提高6.8%和8.8%，参数量增加了0.2M。该算法在RSOD、DOTA和HRSC2016数据集上同样有效，具有良好的泛化能力。

关键词： 输电线路   金具   小目标   密集遮挡   目标检测  

摘要： 为有效解决输电线路中多金具密集分布导致的目标遮挡严重、小目标检测难度大等关键问题，本文提出了一种融合滑动窗口机制与空间方向建模的多金具检测方法。具体而言，首次提出了关键上下文引导模块(Key Context Guided Module， KCGM)，以显式建模候选区域间的深层次依赖关系，有效增强密集遮挡区域中目标的可分辨性；同时创新型构建了空间方向特征融合模块（Spatial Directional Feature Fusion， SDFF），通过空间交叉融合策略自适应整合深层语义与遮挡方向信息，从而提升小目标金具的识别能力。所提方法具备良好的模块化与即插即用特性。在构建的18类输电线路金具数据集上进行实证评估，结果表明，本文方法在多数类别上超越现有主流检测模型，整体准确率相较基线模型最高提升3.5%。消融实验进一步验证了所提模块在提升检测精度、缓解目标遮挡和识别小目标方面的有效性。

关键词： 检测头   目标检测   Transformer编码器   深度融合   大核卷积  

摘要： 针对传统目标检测头难以有效捕捉全局信息的问题，提出基于多方位感知深度融合检测头的目标检测算法.通过在检测头部分设计高效双轴窗口注意力编码器（EDWE）模块，使网络能够深度融合捕获到的全局信息与局部信息；在特征金字塔结构之后使用重参化大核卷积（RLK）模块，减小来自主干网络的特征空间差异，增强网络对中小型数据集的适应性；引入编码器选择保留模块（ESM），选择性地累积来自EDWE模块的输出，优化反向传播.实验结果表明，在规模较大的MS-COCO2017数据集上，所提算法应用于常见模型RetinaNet、FCOS、ATSS时使AP值分别提升了2.9、2.6、3.4个百分点；在规模较小的PASCAL VOC2007数据集上，所提算法使3种模型的AP值分别实现了1.3、1.0和1.1个百分点的提升.通过EDWE、RLK和ESM模块的协同作用，所提算法有效提升了目标检测精度，在不同规模的数据集上均展现了显著的性能优势.

关键词： YOLO11n   目标检测   StarNet   轻量化  

摘要： 【目的】 针对乒乓球目标检测任务中背景复杂、模型参数量大导致检测精度低且难以本地部署的问题，提出了一种改进的YOLO11n轻量化模型。【方法】 首先，将YOLO11n模型中的主干网络替换为StarNet轻量化网络，能够有效增强特征表示能力且降低了模型的参数量和计算量；其次，在颈部网络中提出一种动态混合卷积网络模块（DIMB），通过多尺度卷积核的融合有效捕捉目标尺度变化和多样化的特征信息，提高了复杂背景下的检测精度；最后，引入轻量化共享卷积检测头（LSCD-Head），采用卷积权重共享机制，进一步减少模型参数量并提升检测性能。【结果】 实验结果表明：改进后的模型平均精度达到了93.9%，较原模型提升了1.2%，参数量和计算量分别减少了36.2%和36.5%，模型大小为3.5 MB。【结论】 改进后模型在检测性能和计算成本之间取得了更优的平衡，有效满足了乒乓球目标检测任务对实时性与准确性的双重需求，具有较高的可行性。

关键词： 疲劳检测   深度学习   面部微表情   频域分析   亮度不均衡   图像处理   复数卷积   离散傅里叶变换  

摘要： 目的 提出一种基于复频卷积的局域频谱特征提取网络（LSFE-Net）的微表情疲劳检测模型，提高在复杂光照场景下疲劳检测准确率（Acc）。方法 LSFE-Net模型首先通过局域频谱乱序重组模块将原始图像转换为包含微表情细节特征的局域频谱图；在频域特征提取模块中利用复数卷积捕捉局域频谱图中的轮廓、边缘梯度等本质特征，抑制不均匀光照干扰，提高模型复杂光照场景下特征提取能力。结果 利用开源数据集对LSFE-Net模型进行评估，其中在亮度均衡的图像数据集上疲劳检测Acc为96.59%，在亮度不均衡的图像数据集上Acc为95.92%，展现了其在复杂光照场景下优异的准确性和稳定性。结论 LSFE-Net模型通过融合深度学习与频域图像处理技术，有效缓解了图像亮度不均衡对于微表情疲劳检测准确性的影响，为疲劳检测提供了新的技术路径。

关键词： 红色教育   数字媒体艺术专业课程   图像处理  

摘要：  随着数字化时代的到来,数字媒体艺术成为了当今社会不可或缺的一个领域,目前在强调技术与创新的数字媒体艺术课程中,如何将红色教育这一历史文化的重要部分融入其中仍是一个值得思考的问题。红色教育以传承中国革命历史和革命精神为核心,它具有深厚的历史意义。在此背景下,本文通过《图像处理》课程为例,探讨红色教育的内涵以及数字媒体艺术专业课程的特点,然后分析了将红色教育融入数字媒体艺术课程的意义,最后探讨了将红色教育融入《图像处理》课程的方法。

关键词： 无人机影像   道路裂缝   特征融合   目标检测   YOLOv8模型  

摘要： 道路裂缝是基础设施中的典型病害，及时准确的检测道路裂缝对于保障交通安全运维具有重要意义。尽管现有YOLO模型在检测精度与特征提取方面均取得了一定进展，但在多尺度特征融合与边缘细节保持方面仍存在局限。当面对形态不规则、边界模糊、尺度差异显著的裂缝目标时，仍易出现漏检或误检现象，导致在一定程度上限制了模型在道路裂缝智能检测中的进一步推广与应用。因此，本文提出一种基于频率感知特征融合（FreqFusion）的YOLOv8轻量化改进模型。基于稳定且轻量化的YOLOv8n，改进其自上而下的多尺度特征融合模块；采用频域感知的特征融合模块FreqFusion，以增强高低层语义信息间的协同表达能力；为验证方法可行性，在公开数据集RDD2022上进行测试。结果表明，在不增加模型复杂度的前提下，mAP50、mAP50-95分别提升了1.4%、1.3%；在纵向裂缝、坑洞等细粒度裂缝的检测效果，显著优于现有YOLO、R-CNN等常用模型。研究表明，本文方法兼具精度与效率优势，可为道路裂缝智能检测提供高效、实用的技术路径。

关键词： 水下无线传感器网络   目标跟踪   粒子滤波   Grubbs准则   信息熵  

摘要： 为解决三维空间中水下无线传感器网络(UWSN)在异常情况下进行目标跟踪时精度不佳的问题，该文提出一种基于优化Grubbs准则的信息熵加权数据融合和改进粒子滤波(IPF)的三维水下目标跟踪算法(OGIE-IPF)。首先，在粒子滤波框架中融合无迹卡尔曼滤波(UKF)算法以构建重要性密度函数，从而抑制粒子退化现象；同时，在重采样阶段提出一种动态自适应分层权重优化机制，通过差异化修正高、中、低权重粒子的分布，以增强粒子多样性并抑制贫化现象。其次，基于标准Grubbs准则提出以马氏距离替代传统的标准化残差思想构建异常统计量，通过融合多维变量的协方差矩阵，实现多维数据的异常检测。最后，基于IPF实现局部目标跟踪，结合优化的Grubbs准则进行异常检测与传感器信任评估，并通过信息熵加权的多源融合算法完成全局状态估计。仿真实验结果表明，所提改进算法相较于PF算法，粒子权重分布方差降低了约97.26%，而在低噪声和高噪声场景下相比于粒子滤波(PF)、扩展粒子滤波(EPF)、无迹粒子滤波(UPF)均方根误差分别降低了79.78%, 66.78%, 56.41%和83.41%, 70.38%, 21.68%。该文所提改进算法有效提高了水下异常情况下的目标跟踪精度，展现出良好的鲁棒性。

关键词： 数字图像处理   灌入式沥青混凝土   深度学习   边缘检测   图像分割   计算机视觉  

摘要： 灌入式沥青混凝土的细观结构精准表征是材料力学性能评估与参数优化的关键基础，然而传统深度学习方法在工程实际中面临两大挑战：异相材料界面（集料-沥青砂浆界面、灌浆料-沥青砂浆界面）的薄层多相结构导致图像分割边界模糊；小样本条件下模型因数据匮乏难以捕捉细观特征本质规律。为此，本文提出一种物理约束与注意力机制耦合的智能分割框架。首先提出自适应腐蚀-膨胀预处理算法，结合多权重边缘融合算子，增强界面的梯度响应；接着设计ASPP-SE网络架构，通过通道注意力（SE-Block）与空间金字塔池化（ASPP）的协同优化，实现孔隙分布与集料纹理的多尺度特征解耦；最后建立边缘置信度与分割掩码的联合修正策略，对初始分割结果进行后处理优化。?实验表明:在自建的灌入式沥青混凝土小样本数据集上，本方法较目前先进的SegFormer深度学习模型的分割结果在准确率（Acc）上提升8.4%、精确率（Pre）上提升6.6%、召回率（Rec）上提升6.9%，有效提升了边界分割精度。该方法有效解决了材料相态交界面模糊、集料纹理特征等复杂场景下的分割失效问题，在实际的工程应用中表现出较好的可靠性与普适性，为低数据量、高异质性的工程材料图像分析提供了新思路。