关键词： 热应激   奶牛行为   计算机视觉   深度学习   精准畜牧业  

摘要： 气候变暖导致的热应激限制奶牛生产性能，每年给全球乳业造成巨大的经济损失。奶牛热应激反应的具体表现为采食量减少、采食时间分布改变、饮水行为增加、活动量减少、卧倒时间变化和空间利用模式改变等，这些行为变化直接影响奶牛的生理健康和生产性能。本文讨论了人工智能技术在奶牛热应激检测与管理中的应用，包括计算机视觉技术的行为识别与分析、个体追踪和异常行为预警，传感器数据分析技术的生理参数实时监测、环境参数采集和多源数据融合，以及深度学习模型在热应激预测、行为模式识别和个性化管理方案中的应用。未来研究方向的趋势是加强技术整合、数据共享以及基础研究与应用的结合，对促进奶牛养殖业的可持续发展具有重要意义。

关键词： YOLOv8   机场跑道异物(FOD)   目标检测   深度学习  

摘要： 为了解决YOLOv8在检测机场跑道异物时由于某些异物体积较小、空间位置随机及异物间尺度差距大而引起的漏检误检问题，本文对YOLOv8进行改进，提出应用先验掩膜的针对小目标的AMMS-YOLOv8。首先在主干网络中，引入各向同性边缘检测算子并构建EIEStim，增强模型的小边缘感知及预处理能力。同时替换下采样，将改进后的接受场注意力应用在检测领域，构建LDFDS，增强空间感知并保护微小语义信息；其次重构Neck层结构，允许多尺度特征聚合，构建出CCFPN以增强模型对多尺度异物的语义感知；最后向检测头中嵌入先验异物掩膜特征，并将其与深度特征级联形成了MSN-Head，以强化模型空间感知力。使用自建的复杂场景异物数据集对模型检测能力进行验证分析，在该数据集上AMMS-YOLOv8的mAP50及mAP50-95分别提升了1.8%及1.7%，准确率、召回率、F1函数分别达到了0.971、0.976和0.973，相比原网络有很大提升。实验结果验证了改进方法的有效性，同时应用向复杂场景异物数据集中加入FOD-A的混合数据集和复杂输电线路异物数据集对AMMS-YOLOv8做了泛化性及鲁棒性对比实验，经实验表明各项指标均有提升。

关键词： 铁轨异物侵限检测   生成对抗网络   数据增强   目标检测   深度学习  

摘要： 为解决铁路轨道异物检测中训练样本稀缺、复杂场景适应性差以及小目标检测能力弱等问题，提出一种融合图像生成与模型结构优化的智能检测方法。在数据增强方面，将通道注意力机制与感知损失函数引入条件生成对抗网络，以提升合成图像的结构保真度与语义一致性，构建出涵盖动物、汽车、行人等典型目标的多类别铁轨异物合成图像集。该方法在生成效果上兼顾自然度与细节表达，各类别结构相似性指数均超过0.88，峰值信噪比最高达到29.77。在模型优化方面，基于YOLOv11构建检测模型，融合自集成注意力机制与多尺度差异融合模块。其中，自集成注意力机制增强浅层特征对关键区域的响应能力，多尺度差异融合模块显式建模跨尺度语义差异以强化特征融合表达。实验结果表明，该模型在mAP@0.5与mAP@0.5:0.95上分别达到0.981和0.922，展现出优异的小目标检测性能与复杂背景下的鲁棒性。通过消融实验进一步验证两模块的独立增益效果和联合优化优势，相较原始YOLOv11模型，在稳定性与适应能力上得到提升。与YOLOv8、YOLOv10以及不同优化策略组合的代表模型对比结果显示，所提出模型在真实场景中的误检率与漏检率更低，对小目标、遮挡、与复杂背景特征相似的异物具有更强的检测能力，具备更高的应用价值与潜力。研究结果为铁路智能运维系统中的轨道异物检测提供了高性能、可扩展的解决方案。

关键词： 光通信   大气湍流   光斑定位   图像处理   高斯白噪声  

摘要： 为应对光斑中心定位方法在大气湍流和高斯白噪声干扰环境下通信与定位性能下降的问题，本文提出了一种强高斯白噪声下基于正方形内接圆的光斑中心定位技术。首先，在接受到的畸变光斑图像中添加额外的高斯白噪声，并经过一系列图像处理步骤，将全局阈值转换为二值图像。接着，采用Canny边缘检测算法提取光斑边缘，进而获取边界点信息。通过计算光斑的宽高比，取较小的一边作为正方形的边长，最终确定光斑中心位置和内接圆的半径，从而实现对光斑中心的精确定位。为验证算法的有效性，本文进行了仿真实验，并将其与分块质心法、圆拟合法和最大弦长法等三种定位方法在距离中心点偏差、算法运行时间以及掩膜强度三个方面进行了对比。实验结果表明，本文提出的强高斯白噪声与正方形内接圆算法结合的技术能显著提升光斑中心定位的准确性和稳定性。

关键词： 露地甘蓝   采收质量检测   无人化作业   改进YOLOv8s   目标检测   卷积注意力机制  

摘要： 采收后甘蓝质量精准识别是实现露地甘蓝无人化采收作业质量检测的前提，为解决采收甘蓝质量识别过程中存在的采收背景环境复杂、运输装置运行速度快导致甘蓝特征难以获取、对小目标识别精度不足的问题，提出一种基于YOLOv8s的轻量化采收作业质量检测方法。首先，采用VepRGG模块替换Backbone层中部分Conv模块，增强原始模型特征提取能力的同时减少模型参数量；其次，引入CBAM卷积注意力模块抑制复杂背景中的非关键特征信息，使模型更加关注采收的成熟甘蓝质量；最后，在Head层中增加下采样为4的小目标检测头P2，增强模型对多尺度甘蓝的检测能力。结果表明，改进的模型相较于原始YOLOv8s模型，准确率、召回率和mAP50:95(IoU在0.50到0.95阈值之间的平均精度)分别提高2.5、0.9、1.9百分点。与常见的目标检测模型相比，在甘蓝采收作业数据集上的检测结果也具有明显优势。改进的模型能够准确识别露地甘蓝无人化采收作业的质量，可为远程调控机具作业参数提供数据支撑，为露地蔬菜自主无人精准作业的研究和应用提供理论参考。

关键词： 景象匹配   目标检测   主动学习   领域自适应   判别器  

摘要： 航空遥感目标检测技术所获取的高精度基准图语义信息,可有效提升景象匹配导航系统的感知维度。由于遥感图像尺度大、目标密度高且标注成本昂贵,限制了高性能检测模型的训练与应用。针对景象匹配场景的语义目标检测中面临的源域与目标域数据分布差异及目标域标注数据不足的问题,提出了一种高效的主动学习方法来优化目标域样本的选择。该方法利用源域已标注数据和目标域未标注数据,通过主动学习策略从目标域中选取具有高信息量的样本进行人工标注,从而弥补目标域数据标注不足带来的影响。文中设计了3种主动学习评分函数——一致性评分、判别器评分和余弦差异评分,分别从检测框预测不一致性、领域归属概率以及特征差异角度等方面来评估目标域样本的标注价值。同时,还构建了一套针对目标检测任务的评估框架,考虑每张图像的整体标注效果并量化每个检测框的标注成本。实验证明,该最佳方法能够在目标域上将主动学习的目标检测性能提高约3.29%,同时将目标域所需的标注边界框数量减少约17.6%。所提方法在标注资源有限的条件下,有效提升了目标检测性能与领域迁移能力,能够应对源域与目标域之间因分布差异导致的模型性能下降问题,为遥感场景中的跨域目标检测提供了新的解决思路,为构建高精度的语义基准图提供了可靠的数据支持,进而提升了景象匹配导航的精度和可靠性。

关键词： 高速机动飞行器   重尾噪声   学生t分布   变分贝叶斯   时延补偿   鲁棒滤波  

摘要： 针对高速机动飞行器目标跟踪中重尾噪声导致滤波结果严重偏离真实状态，以及探测信息传输带来时延误差问题，本文提出了一种基于鲁棒容积卡尔曼滤波的机动目标跟踪算法，以实现对目标状态的精确跟踪。首先，采用学生t分布对噪声的重尾特性进行近似，通过变分贝叶斯方法联合估计未知尺度矩阵和辅助变量，显著提升了算法在含野值噪声下的跟踪精度。其次，通过对时滞量测信息的运动学外推，提高了时延条件下的机动目标的跟踪精度。最后，仿真实验表明，相较于现有目标跟踪算法，该算法在噪声存在野值和时延条件下仍能保持对机动目标状态稳定的估计性能，且跟踪精度更高。

关键词： 目标检测   YOLOv8   混凝土裂缝   混凝土裂缝检测   高效通道注意力   多尺度卷积   损失函数  

摘要： 为实现混凝土裂缝准确高效的检测，提出一种基于YOLOv8s的混凝土裂缝检测模型YOLO-CCD。引入多尺度卷积模块PSConv （poly-scale convolution），增强跨尺度特征的学习能力，提高对微小裂缝和复杂背景下裂缝的检测效果。采用高效通道注意力机制（efficient channel attention,ECA），增强特征通道之间的依赖关系，优化特征表示。引入SIoU损失函数，通过综合考虑几何特征优化边界框回归过程，提高模型的检测精度。与YOLOv8s模型相比，改进后模型的平均精度mAP50、mAP50-95分别提升了7.9%和2.4%。与其他检测方法相比，本文提出的模型在检测精度和计算效率方面均有显著优势。研究结论为混凝土裂缝检测提供了新的可行方法。

关键词： 船舶目标检测   扩散模型   特征强化   合成孔径雷达图像   多尺度融合  

摘要： 近年来目标检测技术取得了显著进展，但大多数基于自然图像设计的检测方法在直接应用于SAR船舶遥感图像时表现不佳，性能显著下降。深入分析表明，SAR图像目标检测的关键挑战在于复杂的背景杂波干扰和多尺度船舶目标的尺度变化。针对上述问题，本文将扩散模型（Diffusion）模型引入SAR图像船舶目标检测领域，并提出了一种面向SAR图像船舶目标检测的多尺度网络（DMADNet）。为提升检测精度，本文设计了一种多尺度聚合网络（MANet），其核心设计理念是独立特征提取和交互融合策略，构建灵活且高效的信息流处理框架，突出目标特征，并显著增强推理阶段的检测表现，同时，本文设计的上下文聚合注意力（CA-X）以并行方式集成于网络中，能够有效整合长距离上下文信息，在保证全局上下文对目标判别的帮助下，避免了无关背景的干扰，从而显著提升了复杂背景下船舶目标的检测精度。DMADNet在SAR船舶检测数据集（SSDD）、高分辨率SAR图像数据集（HRSID）以及SAR-Ship数据集上，所提出的模型在IoU阈值设为0.5的条件下，分别达到了96.65%、93.03%和97.92%的平均精度，进一步验证了其在复杂环境下的鲁棒性与卓越的检测性能。

关键词： Stable Diffusion   光学模型   雾气图像   目标检测   交通场景  

摘要： 在雾天条件下采集复杂交通场景中的数据，往往面临较高的成本投入与安全风险。为此，提出了一种融合Stable Diffusion与光学模型的雾气图像生成方法，在保持原图像结构特征的基础上，能够合成高质量的雾天图像。该方法首先利用双目图像与相机参数估算场景深度，优化透射率图后结合随机森林回归模型估计大气光照强度生成雾图。随后，借助ControlNet生成结构化深度图，引导Stable Diffusion的生成过程，并通过大语言模型的低秩适配（Low-Rank Adaptation of Large Language Models，LoRA）机制微调U型卷积神经网络（U-shaped Convolutional Neural Network，U-Net）与语言-图像对比预训练（Contrastive Language–Image Pre-training，CLIP）模型，以提升模型的雾天表达能力。最终，融合两种模拟结果生成高质量雾天图像。量化与可视化实验结果表明，所提出的融合算法在保持原始图像特征的同时，相较于Optical Model-Based Fog Simulation在轻度、中度和重度雾条件下的真实性值（Authenticity Value，AV）分别提升了48.71%、217.92%和502.16%。此外，生成的仿真雾天图像显著增强了YOLOv11n在不同雾浓度场景中的目标检测性能，验证了该方法的有效性。