关键词： 质谱实验仪器   机械臂   改进YOLOv5s   CA   目标检测  

摘要： 针对质谱实验仪器机械臂在抓取待检测样品的识别技术中提高识别的准确率和速度以及降低系统成本问题，提出一种基于改进YOLOv5s的质谱实验仪器机械臂自动识别检测方法。首先引入CA注意力机制，可以加强对样品盘图像的特征学习和特征提取，同时减弱样品表面背景对检测结果的影响，特别是与样品盘相似的背景。其次，在原主干网络结构中增加一条从浅层特征图直接连接到深层的路径，以增强模型对小目标物体的检测能力；最后将原有的C3模块替换成DSConv模块，减小模型的复杂度、并保持其准确性。试验结果表明，在自定义数据集中，最终相比于YOLOv5s，改进模型的参数量和运算量少量增加，检测精度显著提升。在COCO公共数据集中，改进的模型以其0.723的mAP高精度远超其他模型，同时保持20.2MB的紧凑权重大小和35.81 FPS的实时处理速度。

关键词： 单目标跟踪   运动-视觉信息交互   时空建模   特征融合交互模块  

摘要： 利用好时空信息是解决目前单目标跟踪困难场景的重要思路。过去的大多数基于深度学习的时空跟踪器其本质是利用视觉外观信息之间的关联，但视觉信息不可避免的会引入背景和其他相似目标的干扰。所以单纯基于视觉信息的时空跟踪器在面对具有复杂场景的挑战时已感到吃力。为此本文提出了一种新颖的基于运动-视觉信息交互的双通路目标跟踪算法（Dual pathway object tracking algorithm based on Motion-Vision information interaction，MVTrack）。MVTrack通过引入运动信息并提取其特征，进行高效的时空建模，使整个跟踪网络可以同时分析和参考运动信息和视觉信息，显著提高了面对复杂场景的目标跟踪能力。此外，MVTrack针对运动信息和视觉信息还设计了一个特征融合交互模块，可以充分对两种信息进行交互与融合，进一步提高跟踪器性能。实验结果表明，MVTrack在GOT-10k上的精度达到了75.0%，比最新的先进算法提高1.5%，证明了所提方法能够提高跟踪器在复杂困难场景下的跟踪精度和抗干扰能力，为后续跟踪器提供了一种新的时空建模思路。

关键词： 坑洼检测   深度学习   计算机视觉   目标检测   YOLOv10  

摘要： 路面坑洼检测对于道路维护和交通安全至关重要。传统的坑洼检测方法依赖人工巡检或简单的图像处理算法，效率低、准确性差，难以应对复杂的环境变化。针对这一问题，本文提出了一种基于改进YOLOv10的路面坑洼检测方法，创新性地引入小波增强特征融合模块（WEFF），通过小波变换提取高频和低频特征，并与原始输入融合，丰富细节先验信息；结合注意力机制，优化特征提取和区域聚焦；使用Wise-IoU损失函数，提升网络精度。实验结果显示，所提方法检测精确率(Precision)达到90.3%，相比原始YOLOv10s模型提升了4.09%，平均精度均值(mAP@50)达到85.1%，相比于原始的YOLOv10s模型提升了2.57%，此外，检测精度与其它同期先进算法相比也有较大提升。综上所述，所提方法在保持运行速度的同时，显著提升了检测精度，为道路坑洼检测提供了一种高效解决方案。

关键词： 绝缘子缺陷   特征融合   注意力机制   目标检测   多尺度特征  

摘要： 针对输电线路绝缘子缺陷样本中存在的复杂背景干扰以及缺陷区域尺度不一问题，提出了一种基于自适应融合特征金字塔与注意力机制的输电线路绝缘子缺陷检测方法。首先，提出了一种自适应融合模块(AF)来处理不同尺度的特征信息，并将其集成到特征金字塔网络当中，来缓解绝缘子航拍图像中存在的缺陷区域尺度不一问题。然后，提出了一种基于注意力机制的缺陷特征细化模块(DFRM)，通过增大感受野以及捕获缺陷区域的上下文特征来应对复杂背景噪声所带来的干扰。最后，将改进后的算法应用到真实输电线路绝缘子缺陷数据集进行实验。实验结果表明，所提出的方法在绝缘子缺陷检测任务上要优于其他方法，相较于基线模型提升了5.7%的准确率，为电网智能巡检提供了一种有效方案。

关键词： 岩石CT图像   图像处理   深度学习   数字岩石物理   人工智能  

摘要： 岩石CT图像反映岩石孔隙和裂隙等结构特征，对CT图像进行处理并提取图像中的地质信息，对研究岩石的孔隙结构、分析岩石物理响应等具有重要意义。本文总结CT图像处理方法的原理、适用条件、应用效果及其影响因素，将图像处理算法分为基于数字图像的处理方法、基于机器学习的处理方法和超分辨率图像处理方法。结果表明：1）数字图像处理方法简单易实现，应用范围广泛，但依赖于人工的先验知识；2）基于机器学习的图像处理方法可自动、客观、准确、快速地提取图像信息，但岩石CT图像数据匮乏、模型泛化能力有待提升；3）超分辨率图像处理方法能有效提升图像清晰度和细节，但受到岩样成像条件限制，分辨率提升效果有限。结合人工智能方法，为岩石CT图像的智能分析和自动识别带来新的可能性，加速地质信息的获取和解释过程。

关键词： 安全工程   森林火焰   目标检测   特征约束   傅里叶变换   空间域频域交互  

摘要： 为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题，本文给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先，设计了一种特征不变性和协方差约束结构（Feature Invariance and Covariance Constraint，FICC），通过拉近不同程度树木遮挡下的火焰特征来保持火焰特征的一致性，从而减轻树木遮挡的影响。其次，给出了一个基于傅里叶变换的空间频率交互模块（Spatial Frequency Interaction Module，SFIM），在振幅相位的结构语义信息约束下补充空间域高质量的火焰细节，从而学习具有判别性的火焰特征来解决烟雾遮挡的问题。试验结果表明，本文给出的算法在自制的森林火灾数据集上取得了84.4%的检测精度，比基线网络YOLOv5s提升4.7百分点，大大减少了参数量。十分有趣地是，经过改进后的算法模型显示在有树木遮挡和烟雾遮挡的情况下仍能准确的预测，优于许多用于森林火灾场景的深度学习网络。

关键词： 目标检测   船舶检测   多尺度特征融合   注意力机制  

摘要： 船舶检测作为海洋监控及安全管理的关键技术，广泛应用于航道监控、海上救援、非法捕捞等。针对船舶检测中存在的尺寸差异大、背景干扰和遮挡问题，本文提出基于亚像素卷积的多尺度加权融合船舶检测方法。首先，针对船舶图像中的尺度差异，提出多尺度特征加权融合机制，利用亚像素3D融合模块和三重特征编码模块，有效融合不同尺度特征，同时结合多尺度卷积注意力加权机制，使模型在不同空间范围内关注输入特征，从而提升检测精度。其次，为了增强特征提取灵活性并保持网络性能，引入可变核卷积，根据输入动态选择采样点位置，提高特征表达能力。最后，针对锚框在回归过程中膨胀导致模型收敛慢的问题，引入Powerful-IoU损失，利用自适应惩罚因子和梯度调节函数引导锚框回归，同时引入聚焦机制提高中等锚框的聚焦能力。在公共船舶数据集SeaShips上进行了实验，实验结果表明，所提出的方法在多尺度船舶检测任务中表现优越，相比基准模型，精确率提升2.8%，召回率提升4.8%，mAP@0.5提升1.5%，mAP@0.5:0.95提升6.6%，且模型能够快速收敛并保持较好的稳定性，有效应对了复杂背景和船舶遮挡问题。

关键词： 番茄枝条分杈点   机器视觉   Shi-Tomasi角点检测算法   图像处理  

摘要： 针对番茄枝条分杈点的识别问题，本文提出了一种基于机器视觉的识别方法，该方法适用于低算力平台，大大地降低了设备成本。本文通过对番茄植株进行紫光染色并拍摄图像，将融合图像中的红色、蓝色及灰度通道，利用阈值分割技术将融合后的灰度图转换为黑白二值图，以凸显植株特征；采用中值滤波处理以减少背景干扰，使枝条边缘更加平滑；运用形态学腐蚀法进行骨架细化，并通过Shi-Tomasi角点检测算法精准定位分杈点。试验结果表明，该机器视觉算法在识别番茄枝条分杈点上表现出色。其单个目标识别时间仅需0.107 s，识别准确率高达84.7%，识别精度达到77.4%，F1得分为0.808。证明了方法在低算力平台上的高效运行能力和高识别性能，通过此方法，可以准确、快速地识别番茄枝条分杈点。

关键词： LSKA-Transposed   ECA   YOLOv5   目标检测   C2F   GSConv  

摘要： 针对果园采摘环境中的苹果检测问题，包括目标小、密集及严重遮挡，提出了一种基于LSKA-Transposed且融合高效通道注意力机制（Efficient Channel Attention， ECA）的YOLOv5目标检测算法。该算法利用大型可分离内核注意力模块（Large Separable Kernel Attention， LSKA）提升网络对多尺度目标的适应性和准确度；将YOLOv5中的C3模块与ECA融合，形成新的C3ECA结构，以增强模型对有效特征的提取能力；引入转置卷积（Transposed Convolution， TC），通过逐步上采样低维表征来重建高维状态，从而减少上采样过程中的特征丢失；同时，采用C2F模块实现深浅层特征的有效融合。为了减轻模型计算负担，在不影响检测精度的前提下，使用轻量级卷积GSConv来减少模型参数量。实验结果表明，改进后的模型在未引入GSConv时的检测精度为87.3%，引入GSConv后精度为87.2%，仅降低0.1%，而参数量减少了440960个。此外，改进模型的检测精度相比于原始模型提升了8.4%。

关键词： 交通运输系统工程   小目标检测   长尾分布   小目标条件扩散模型   自适应渐近特征金字塔   多尺度通道注意力  

摘要： 为解决交通标志检测中的数据长尾分布和小目标特征信息丢失问题，提出了一种交通标志小目标检测网络STF-YOLO。首先，提出了小目标条件扩散模型对TT100K数据集进行数据增强，得到类别均匀的TT100K-P数据集，有效缓解了原数据集长尾分布严重的问题。然后，提出了自适应渐近金字塔网络(AAFPNet)，其自适应多尺度通道注意力模块（MC-ACA）在通道层面自适应地融合多层级特征，解决了小目标细节特征丢失问题。最后，设计了K-NCIoU回归损失，结合CIoU与NWD两者优势进一步提升模型检测性能。在三个交通标志检测数据集的测试结果表明，相较于基准模型YOLOv8，STF-YOLO在TT100K-P、TT100K和CCTSDB数据集上mAP@0.5:0.95分别提升了2.5%、3.3%、2.8%。经实车验证，证明其具备优秀的交通标志实时检测能力。