关键词： 被动目标追踪   状态估计   最大相关熵准则   自适应核宽   卡尔曼滤波  

摘要： 针对机动目标状态难以精确估计的问题,提出一种基于连续-离散最大相关熵分布式容积卡尔曼滤波的状态估计方法。首先利用1.5阶伊藤(ITO)泰勒展开将随机微分方程转换为随机差分方程,并根据三次容积规则对状态预测值进行精确计算。然后利用最大相关熵准则处理异常测量值,修正状态预测值得到最优状态估计值。同时,为了确保算法在合适的核宽度下工作,基于测量新息误差提出了一种自适应核宽选择方法。通过经典被动目标跟踪的数值仿真表明,该方法不仅跟踪精度高、鲁棒性强,而且使用便利、可扩展性强。

关键词： 无人机(UAV)   目标检测   深度学习   YOLOv8算法   注意力机制   Focaler-CIoU损失函数  

摘要： 无人机拍摄影像存在大量分布密集的小目标,针对通用目标检测方法对小目标容易造成漏检和错检的问题,提出了一种改进YOLOv8的无人机航拍图像小目标检测算法。利用高分辨率浅层特征信息具有较小的感受野和更精细的空间信息特性,改进算法增加小目标物体检测头,采用四个特征检测头提升小目标检测率。设计构造ConvSPD卷积模块和BiFormer注意力增强模块的小目标检测模块组改进YOLOv8骨干网络,有效增强小目标浅层细节特征信息的捕获能力。为确保模型的硬件终端部署需求,采用可重参数化的Rep-PAN模型优化Neck网络。Head网络采用Focaler-CIoU损失函数优化回归定位损失,提高定位精度。在VisDrone-2019数据集上,改进算法平均检测精度达到51.2%,比YOLOv8提高10.9个百分点,检测速度为63.7 FPS,具有良好的实时性。

关键词： 无人机检测   小目标检测   可见光图像   YOLOv7  

摘要： 非法使用民用低空小型无人机事件频发,严重威胁国家和社会和谐发展。针对基于可见光的无人机小目标检测存在漏检、误检和检测平均精度不高等问题,提出了YOLO-SCAT(YOLO-SCConv ATT)算法模型,通过重构ELAN(efficient layer aggregation networks)结构,减少空间和通道冗余特征;同时引入注意力机制CBAM(convolutional block attention module),训练中在空间和通道维度加强特征提取,提高模型检测平均精度。实验表明YOLO-SCAT模型的精确率、召回率、F_(1)分数、mAP@0.5和mAP@0.5:0.95分别可达94.4%、94.4%、94.4%、94.7%和52.9%,证实了YOLO-SCAT模型提高了在复杂可见光场景下对无人机小目标的检测识别能力,能更好地满足反无人机系统的实际需求。

关键词： 同时定位与建图(SLAM)   动态环境   目标检测   运动一致性检测   惯性测量单元(IMU)状态估计  

摘要： 针对于动态环境中同时定位与建图（SLAM）位姿估计精度低、鲁棒性差及实时性弱的问题，提出一种动态视觉惯性SLAM算法（DVI-SLAM）：通过引入惯性测量单元（IMU）的运动先验信息对图像进行校正，显著提升相机大幅运动时的目标检测精度；结合语义信息与运动检测一致性，在快速获取静态特征点的同时，可保持较高的精度；为应对高度动态场景中基于语义的动态SLAM的挑战，利用来自IMU的运动信息估计动态物体运动状态，并最大限度地利用环境中的静态特征点。仿真结果表明，DVI-SLAM在室内高动态场景中的绝对轨迹误差（ATE）均方根值（RMSE）相比ORB-SLAM3可降低96.2%，在室外动态环境中可降低59.9%；与现有主流算法相比，提出的方法能在动态室内外场景中表现出较高的定位精度和鲁棒性。

关键词： 遥感图像显著性目标检测(RSISOD)   空洞多尺度注意力聚合(DMSAA)   Mamba-UNet   多尺度注意力聚合视觉Mamba-UNet (MSAAVMamba-UNet)  

摘要： 针对遥感图像显著性目标检测(RSISOD)难题，构建一种多尺度注意力聚合视觉Mamba-UNet (MSAAVMamba-UNet)模型。该模型由一个编码器、一个解码器、三个通道注意力跳跃连接(CASC)层和一个瓶颈层组成，其中编码器和解码器由视觉状态空间(VSS)模块构建，利用VSS和CASC有效获取遥感图像（RSI）中的长距离依赖关系，在瓶颈层引入空洞多尺度注意力聚合模块(DMSAA)，有效整合局部-全局特征，提取多尺度小目标的细节特征。该模型整合了多尺度卷积、注意力机制、U-Net与Mamba-UNet的优势，提高了RSISOD的性能。在大规模RSI数据集EORSSD中的飞机图像子集上进行实验。结果表明，MSAAVMamba-UNet能够精确检测RSI中的显著性多尺度小目标，精确率达到84.07%。该方法为RSISOD系统提供了技术支持。

关键词： 茶叶病害检测   目标检测   注意力机制   特征融合  

摘要： 为了更准确地检测茶叶病害，从3个不同的视角重新审视特征图：通道-宽度、通道-高度以及宽度-高度视角。基于通道-高度视角及通道-宽度视角，提出了一种新的残差多尺度增强注意力模块，提取病害图像的语义信息和空间特性。同时，从3个视角出发，提出了一种新的基于三重注意力的特征融合增强模块，对通道和空间特征进一步融合，以提高模型对叶片和病害的区分能力。实验结果表明，改进后的模型实现了95.2%的mAP、93.1%的精度、92.0%的召回率，优于现有的检测方法。

关键词： 苹果叶片   植物病害   YOLOv8n   深度学习   目标检测  

摘要： 为提升复杂背景下苹果叶片病害的检测精度，应对苹果叶片病害对生产带来的影响，提出改进YOLOv8n模型。构建一个多场景下的苹果叶片病害数据集，共包含4 686张图片，涵盖6种常见病害。引入Optimized—CBAM注意力机制增强模型对关键特征的关注度。使用更轻量化且高效的SimSPPF模块替换特征融合模块。引入结合CIoU和EIoU优点的Focal-EIoU损失函数，进一步增强模型在特征提取和边界框精确定位方面的能力。结果表明，改进YOLOv8n模型准确率为94.16%、召回率为84.16%、平均精度均值mAP为87.4%，模型体积为6.15 MB，检测速度为370.4 FPS，与基线YOLOv8n模型相比，分别提升1.02%、4.07%、2.8%、0.03 MB、14.8%。改进YOLOv8n模型有效提高苹果叶片病害的检测性能，特别是在复杂背景下，其检测精度和鲁棒性方面显著优化。为智能农业的病害检测提供可靠支持。

关键词： 计算机视觉   深度学习   目标跟踪   热红外图像   多模态融合  

摘要： 目标跟踪是计算机视觉领域的一项重要任务，其中单目标跟踪是指在给定的视频序列中持续跟踪单个目标。然而可见光图像的成像依赖于光照条件，仅凭可见光信息难以满足低光照、雨雾天气等复杂恶劣环境下的目标跟踪。RGBT(RGB-Thermal)目标跟踪是指结合热红外与可见光图像数据，利用双方互补优势共同实现跟踪任务，以提高跟踪的鲁棒性和准确性。随着深度学习的发展，目前RGBT目标跟踪领域研究成果众多，但现有大部分综述缺乏对近几年新兴的多模态融合研究前沿的介绍与总结。文中首先介绍了RGBT目标跟踪的概念与面临的挑战，随后将现有算法分为五大类进行梳理与分析，之后总结了当前主流的RGBT目标跟踪数据集与评价指标，并提供了各种跟踪算法在主流数据集上的性能对比，供研究人员参考，最后探讨了RGBT目标跟踪亟待解决的问题和潜在的研究方向，以期推动跟踪领域的进一步发展。

关键词： 胶凝材料   背散射电子图像   能谱图像   微观表征   图像处理  

摘要： 背散射电子(BSE)与特征X射线能谱(EDS)图像分析技术凭借其出色的二维空间分辨能力，已成为表征土木工程材料微观结构的重要技术手段。本工作提出一种标准化的图像预处理策略，通过整合BSE图像和同视场的定性与定量EDS元素面谱，建立以超像素为基本分析单元的多模态数据集，有效克服孔隙存在及特征X射线与样品相互作用体积过大对物相识别的影响。结合降维和聚类算法，开发可解释的BSE–EDS图像分析模型，实现水泥矿渣复合胶凝材料物相组成的自动化分类。基于Glue平台构建多视图交互分析技术，实现化学元素特征、物相含量分布和离子迁移路径的可视化、同步、联动表征。基于PHATE(Potential of heat-diffusion for affinity-based trajectory embedding)图像构建物相网络拓扑图，通过节点-连接拓扑关系量化物相演化动态特征。最终形成以EDS图像为核心、BSE图像为辅助的智能分析范式，实现化学模态(元素组成、物相类别)与空间模态(孔隙分布、物相分布)的协同定量表征，达成“单次独立微观表征-多模态特征融合分析”的技术愿景，为胶凝材料反应机理研究及微观结构动态演化分析提供较为综合全面的技术支撑。

关键词： 安全帽检测   目标检测   深度学习   YOLOv5  

摘要： 随着现代建筑工程的复杂度不断提升,高空作业等特殊施工场景的安全风险日益突出。近年来,由于施工人员未佩戴安全帽引发的高空坠落、物体打击等事故频繁发生,这些事故不仅对施工人员的生命安全构成了严重威胁,同时也对施工进度和工程质量造成严重影响。为了有效解决这一问题,基于施工现场图像数据构建了一个安全帽佩戴检测数据集,提取了不同环境下施工人员的佩戴特征,并针对这一数据集,设计并应用了基于YOLOv5的施工现场安全帽佩戴检测模型。该模型将施工人员和安全帽作为检测目标,通过网络训练与分类性能评估,所提出的模型在测试中取得了89.8%的检测精度。该方法不仅实现了全天候、全覆盖的自动化监管,极大提高了检测效率,而且有效降低了人工监管的成本。实验结果表明,该系统具备良好的鲁棒性,能够在复杂和多变的施工现场环境中稳定运行,满足施工现场安全管理的需求。