关键词： 孔探视觉   航空发动机   叶片计数   目标检测   Transformer   状态机  

摘要： 基于孔探视觉的航空发动机（简称：航发）叶片计数是航发日常维护中不可或缺的环节。然而，叶片表面的反光及姿态变化等因素使得现有的叶片计数算法在实时性和准确性方面面临显著挑战。针对上述问题，提出一种基于叶片边缘检测的航发叶片计数算法。为实现叶片高效、准确检测，设计增强型叶片检测Transform（EB-DETR）模型，通过GS-ECA模块来提高叶片特征的表达能力和提取效率。在此基础上，创新性地提出了时空关联状态机（TSCSM）模型，通过捕捉叶片边缘特征点的时空信息来实现航发叶片的计数。实验表明：所提EB-DETR模型检测精度(AP50)为93.17%，相较其他同类规模的先进模型提升了6.54%，同时模型计算复杂度（GFLOPs）降低了35.16%，检测帧率达到61FPS。此外，航发叶片平均计数精度（MCP）为97.06%，比现有计数算法提升了45.82%，可满足航发叶片计数的实际需求。

关键词： 目标检测   大块煤   YOLOv8   NAM注意力机制   ADown模块  

摘要： 针对井下大块煤检测模型出现精度低、部署困难等问题，提出一种基于ANC-YOLOv8的大块煤检测模型。针对环境中灰尘严重干扰检测结果的问题，模型引入ADown模块替换Conv，提高特征提取能力。针对煤流遮挡大块煤阻碍检测的问题，模型在主干网络中增加NAM注意力机制，增强显著特征的表现能力，区别煤流与大块煤。针对模型参数量过大、部署困难的问题，利用GhostConv优化C2f结构，设计C2fGC结构，消除冗余，减少参数量。试验结果表明，与YOLOv8相比，ANC-YOLOv8的mAP50提高3.3%、后达到97.2%，参数量减少31.9%、后达到2.05M，权重文件减少30.6%，后达到4.3MB，GFLOPs减少15.9%，后达到6.9。同时，ANC-YOLOv8的mAP50高于YOLOv5、YOLOv6、YOLOv10，且参数量、权重文件、GFLOPs低于其他模型。ANC-YOLOv8提高大块煤检测精度，并且降低了模型的参数量，为大块煤智能检测提供技术参考。

关键词： 织物疵点   目标检测   孪生网络   多尺度卷积   YOLO模型   深度学习  

摘要： 为了解决工业现场织物疵点检测效率低的问题，提出一种基于孪生网络模型的织物疵点检测方法。通过分析孪生网络相似性检测机制，构建了基于孪生网络的相似性检测模型，该模型包括特征提取模块，相似性度量模块、疵点分类模块。首先，引入Inception结构构建特征提取模块，对样本对特征进行多尺度提取；其次，在相似性度量模块中，将样本的抽象特征转化为差异计算，利用孪生网络对差异的灵敏度，实现织物图像的快速识别，完成判断织物是否有疵点的第一阶段判别任务；最后，在疵点分类模块中，将疵点图像输入YOLOv4网络，实现准确的疵点分类，完成第二阶段的分类任务。利用公共数据集进行的试验结果表明：该研究方法能有效地检测织物疵点，mAP值达到87.54%，检测速度达到54.8帧/s，实现了织物疵点检测精度与速度的良好平衡，能够满足纺织企业实际工业场景中生产检测的需求，为纺织行业提供了一种全新的疵点检测解决方案。

关键词： 深度学习   目标检测   YOLOv8   轻量化   金丝皇菊  

摘要： [目的]针对金丝皇菊区别于其他花朵，成熟期生长簇拥密集，识别难度大，成熟花期短，且当前植物表型识别领域对金丝皇菊的研究较少，本研究提出了一种基于改进YOLOv8的密集金丝皇菊轻量化识别方法。[方法]首先，为提升检测效率建立轻量级主干网络，在原主干中引入轻量级神经网络MobileNetv3，并将原主干网络中的SPPF（spatial pyramid pooling fast）进化为SimSPPF（simple spatial pyramid pooling fast），减少模型参数量和计算量；其次，为提升密集生长的金丝皇菊的识别精度，在特征融合网络中多次添加CA（coordinate attention）注意力模块，增强目标特征的提取能力；最后，将原模型中的损失函数CIoU（complete intersection over union）优化为WIoU（wise intersection over union），进一步提升模型精确度。[结果]改进后的模型在精确率、召回率和平均精度均值上分别比原模型提升了16.9、9.3和10.3百分点，分别达到94.9%、91.9%、95.2%；网络参数量为23.34 M，比原模型减少了6.72 M，GFLOPs下降了2.6 M，达到仅5.8 G，检测帧率提高了6.55 帧·s-1，达到17.23 帧·s-1。[结论]该模型针对非结构环境下密集生长的金丝皇菊识别在速度和精度上具有较好的效果，为金丝皇菊智能化采收提供了技术支持。

关键词： 深度神经网络   对抗样本   决策攻击   低频空间   图像处理  

摘要： 深度神经网络（Deep Neural Networks， DNNs）容易受到对抗样本的攻击，仅需在干净图像中添加微小扰动就能导致分类器产生错误分类。基于决策的攻击是一类只依赖目标模型预测硬标签输出的黑盒攻击。它将目标模型视为黑匣子，攻击时只需对目标模型结果进行查询，而无需了解模型内部结构和参数信息，这种特性对现实世界的应用程序构成了严重的威胁。目前基于决策的攻击方法通常利用梯度估计在目标模型决策边界附近发动攻击，但需要高昂的查询代价且生成的对抗样本质量效果不佳，失真较为严重。本文研究发现，图像在频率空间中的低频信息能够有效表征其重要特征。在低频空间执行决策攻击，不仅有助于降低查询次数，还能生成高质量的对抗样本。为此，该研究提出一种基于圆几何性质的黑盒攻击方法，称为CBA。该方法利用离散余弦变换，将攻击位置选择在频率空间中进行，利用低频信息在其决策边界附近利用圆的几何性质不断迭代得到低频空间中的对抗样本。最后，逆离散余弦变换将其变换回输入空间。它避免了梯度估计，在保证攻击成功率的同时显著降低查询次数。在ImageNet数据集上的实验结果表明，CBA在查询量分别为500，1000，2000的情况下，生成对抗样本的攻击成功率均比最新利用决策边界的几何性质的黑盒攻击方法高。同时，CBA在相同查询量不同约束条件下，也具有更高的攻击成功率。以上结果表明，CBA减少了生成对抗样本所需的查询量，且生成的对抗样本失真更小，图像质量更佳。除此之外，还在现实世界模型中测试了CBA的有效性。

关键词： 主被动雷达   目标跟踪   功率分配   传感器选择  

摘要： 目标跟踪是态势感知的重要环节，其精度主要受目标运动模型、量测质量以及跟踪算法影响。针对持续探测背景下保精度目标跟踪需求，本文基于主被动雷达网络提出了一种联合功率分配与节点优选算法。该算法采用并行扩展卡尔曼滤波器估计和预测目标状态，然后基于预测信息推导了预测贝叶斯克拉美-罗下界（跟踪性能测度）关于发射功率与接收节点的函数，最后以最小化主被动雷达的功率使用率和节点使用率的和为优化目标，在发射总功率有限预设跟踪精度约束条件下，将主被动雷达网络资源分配模型建立为混合整数规划问题。基于模型的部分单调性和变量可分性，设计了一种快速去耦求解算法。仿真结果表明，相比遗传算法，所提方法以较小的计算复杂度获得了近似最优解，相比均匀分配方案，所提方法在保精度稳定跟踪条件下，最终可实现节省系统资源80%。

关键词： 三维视觉定位   单目图像   多模态技术   目标检测   场景理解  

摘要： 针对现有的三维视觉定位方法依赖昂贵传感器设备、系统成本高且在复杂多目标定位中准确度和鲁棒性不足的问题，提出了一种基于单目图像的多目标三维视觉定位方法。该方法结合自然语言描述，在单个RGB图像中实现对多个三维目标的识别。为此，构建了一个多目标视觉定位数据集，并设计了跨模态匹配网络TextVizNet。TextVizNet通过预训练的单目检测器生成目标的三维边界框，并借助信息融合模块与信息对齐模块实现视觉与语言信息的深度整合，进而实现文本指导下的多目标三维检测。实验结果表明，与现有先进方法对比，TextVizNet较第二名方法，在Mmo3DRefer数据集上F1-score、Precision、Recall分别提升了8.92%、8.39%和9.57%，显著提升了复杂场景下基于文本的多目标定位精度，为自动驾驶、智能机器人等实际应用提供了有效支持。

关键词： 目标检测   神经网络   YOLO  

摘要： 目标检测是计算机视觉领域的重要分支，它需要对图像中的目标完成分类与定位。单阶段目标检测速度较快，但也存在预测框与真实框误差过大的问题，并且在对小、遮挡、密集目标检测时的效果较差。当前的研究主要聚焦于网络架构的优化，但取得的提升有限。本研究提出基于非中心的目标检测框架，采用非中心的预测框推理策略、基于图像分割标签的样本划分策略以及极大值合并的后处理方法。该优化方法具有较强的泛化能力，可以运用在各类使用全卷积神经网络的单阶段目标检测器上。本研究进行了消融实验以验证上述方法的有效性，并在不同尺度的基线模型上进行了对比实验。结果表明，在不提升计算消耗且使用相同主干网络的前提下，AP50-95与AP50分别平均提升了1.60%与2.38%。

关键词： 极化雷达   主瓣干扰   目标检测   抗干扰   参数估计  

摘要： 主瓣压制干扰是当前雷达面临的难点之一，极化对消是实现抗干扰的有效手段，但当前针对同时全极化雷达的研究较少，因此本文基于全极化多输入多输出（MIMO）雷达开展主瓣单极化压制干扰对消算法研究。利用幅度和相位估计（APES）算法估计单极化压制干扰极化参数，设计极化对消系数，并研究了压制干扰下的全极化多通道融合检测算法。通过仿真实验表明，当全极化阵列的极化响应已知且压制干扰为单极化时，干扰信号功率被大幅抑制到-60 dB，干噪比的增大会提升极化估计精度，进而使信干噪比逼近无压制干扰情况下的信噪比。

关键词： 智慧农业   YOLOv8   目标检测   近景色褚橙   轻量化  

摘要： [目的]目标检测作为农业智能化的核心技术基础，对推动现代农业发展具有重要意义。本研究针对云南特色水果褚橙（Citrus chuanmuensis）在非结构化农田场景下的识别难题，旨在通过改进算法提升其智能化检测与识别能力。[方法]基于YOLOv8n深度学习架构提出一种改进算法CFCN-YOLO（Camouflage Citrus Net-You Only Look Once）以应对复杂农业环境中绿色褚橙采收所面临的诸多挑战，包括但不限于目标物体被遮挡、尺寸多样难识别，以及果实自身与背景叶片的颜色高度相似而导致检测干扰等问题。融合Focal Modulation SPP（Focal Modulation Spatial Pyramid Pooling）机制，通过焦点调制来改善多尺度特征提取技术，提高了模型对近景色果实尺寸波动的识别精度。集成DySample自适应动态上采样算子，优化特征图分辨率，增强了模型对农业复杂环境的适应性。采用ADown轻量化主干网络，保持绿色褚橙检测精度的同时，显著减少计算量，使模型大小降低了9.5%。引入GIoU-SlideLoss损失函数新组合，以解决难易样本不均衡，再一次强化了模型性能。[结果]与原始模型YOLOv8n相比，优化后的CFCN-YOLO在P、R、mAP@0.5和mAP@0.5:0.95分别提高1.1%、3.7%、2.8%和4.3%。为进一步验证CFCN-YOLO的实用性，将其部署于Jetson Nano嵌入式设备，检测速度达到了31.45 FPS，相较YOLOv8n的28.23 FPS提升11.2%。[结论]表明CFCN-YOLO在模型轻量化和高效率检测之间达成理想平衡，适用于智慧农业中褚橙果实的机器视觉识别任务。