关键词： 3D目标检测   Transformer   IDAB-DETR   MonoDAB   深度感知模块  

摘要： 针对在单目图像上进行3D目标检测时由于缺乏深度信息导致检测性能不理想这一问题，提出了一种基于Transformer架构的3D目检测算法MonoDAB。将DAB-DETR图像检测算法的动态锚框的预测方式由中心点和宽高信息的形式改为3D中心点和到边框距离的形式，使2D目标检测精度达到了94.14%，相较与原算法提升了3.08%。在改进版的IDAB-DETR的基础上增加提出的深度感知模块，通过深度真值进行监督指导以提高3D目标检测的性能。实验结果表明，该算法在KITTI测试集上对汽车类别简单任务的3D检测精度达到20.10%，在验证集上进一步提升到25.42%，同时，将模型的检测时间缩短至22ms。该算法在KITTI数据集和构建的场景数据集上均展现出了良好的性能。

关键词： 人工智能技术   智慧广电   计算机视觉   自然语言处理  

摘要： 人工智能技术的快速发展,为智慧广电建设注入了新的活力。本文围绕人工智能技术的特点,结合计算机视觉、自然语言处理、视频分析等关键技术,探讨了在智慧广电建设领域的应用模式。重点探索制播流程、网络维护、运营管理、用户服务等环节的技术融合,研究证明人工智能对内容生产、资源管理及服务优化的推动作用。通过本文探索显示,人工智能技术可有效提升广电行业内容生产效率,优化用户体验。

关键词： 核桃仁分级   YOLOv7   目标检测   注意力机制   机器视觉   深度学习  

摘要： 中国核桃仁分级大多依靠机械和人工，经济成本高、效率低、精度差，严重影响核桃仁产品的标准化和经济价值。为实现核桃仁分级的自动化与智能化，本研究提出基于深度学习的核桃仁智能分级方法。利用图像采集装置采集纯白、淡绿与传送带三种不同颜色背景下的6个等级的核桃仁图像，使用Python的OpenCV库对图像进行数据增强扩充数据集，建立VOC格式数据集12246张，其中训练集、测试集与验证集的比例设置为8:1:1。为选取更适合完成核桃仁分级的模型，分别基于目标检测网络YOLOv5和YOLOv7构建核桃仁分级模型，采用加载预训练权重的方式训练模型，得到YOLOv5和YOLOv7模型核桃仁分级的平均准确率分别为87.83%和91.16%。在验证过程中YOLOV7预测到了错误的对象，引入两种注意力机制ECANet与CBAM对YOLOv7进行改进，改进后的2种模型的训练效果均有所提升，其中YOLOv7+CBAM模型效果更好，平均准确率为94.5%、F1评分为90.2%。改进后的YOLOv7核桃仁分类平均准确率和F1评分比YOLOv7高出3.34%和5.9%，并且推理时间比YOLOv7仅增加2ms。为验证模型的可行性，搭建识别系统平台进行核桃仁等级识别分类测试，设置6种等级的核桃仁各20个，共120个核桃仁为一组，共四组实验。得到YOLOv7+CBAM模型的核桃仁平均识别正确率为91.63%。改进后的YOLOv7+CBAM模型可以实现对核桃仁外观品质的良好分级。本研究可为核桃仁智能化分级提供参考。

关键词： 工业质检   数据增强   目标检测  

摘要： 在工业制造业中，表面缺陷的检测环节对于确保产品质量和生产效率至关重要。当前，基于深度学习的检测技术已逐渐成为该领域的首选方法。尽管如此，由于缺陷样本数量有限且种类繁多，这一领域面临着样本数量与多样性不足的显著挑战，这一状况对深度学习算法的适用性和性能构成了不利影响。针对此，研究提出一种基于控制点插值变形与多层次加权滤波的工业零件表面缺陷生成方法。该方法利用网格控制点变形技术对缺陷区域进行重构，并通过多层次加权滤波优化生成的缺陷图像的细节，使其更符合实际物理特性和工业应用需求。在工业质检场景下，该方法能够快速生成工业零件缺陷图像，降低数据采集成本，提高质检效率。通过实验与通用数据生成方法做了对比，结果表明该方法的生成样本质量更优。通过使用YOLOv5、YOLOv8、YOLOv11及Faster R-CNN模型对生成图像进行评估与实验验证，验证其能有效提高工业零件缺陷检测的精度，为解决工业缺陷检测中小样本问题提供有效途径。

关键词： 深度学习   HOD-Net模型   目标检测   人群计数   智慧教室  

摘要： 针对教室密集场景存在人头目标尺寸小、图像模糊、互相遮挡且数据集匮乏等问题，提出了一种基于Head Object Detection Network（HOD-Net）模型的人群计数方法。首先基于Backbone-Neck-Detect范式构建HOD-Net目标检测模型，并通过增加头部检测层、引入特征增强提取模块提升模型整体特征提取能力以及通过改进计算回归框损失函数降低低质量候选框对模型的影响。最后通过收集课堂教学视频序列构建教室人群数据集来验证了HOD-Net模型的准确性、可靠性和适用性。HOD-Net模型分别在自建数据集及公开数据集中与CenterNet、YOLOv7、YOLOv8、PyramidBox以及Faster R-CNNF算法进行了对比实验，实验结果表明HOD-Net模型在教室密集场景的人群计数方法能够实现96.56%的最高平均精度，优于对比算法。

关键词： YOLO   目标检测   农作物识别   病虫害检测  

摘要： 随着全球人口增长和气候变化的加剧，农业生产面临严峻挑战，迫切需要高效、精准的农作物及病虫害识别方法.YOLO算法因其在速度和精度上的优势，成为农业领域的研究热点.首先，系统综述了YOLO算法从v1到v10的演变历程，分析了各版本在网络结构、训练策略、推理效率和精度评估等方面的技术创新和性能提升.其次，通过评估具体的应用案例，探讨了YOLO算法在农作物识别及病虫害检测中的实际表现.最后，总结了当前YOLO算法在农业应用中仍面临轻量化设计、多传感器数据融合、自适应学习、智能标注等挑战，并提出了未来的研究方向.旨在为提升农作物识别及病虫害检测的效率和准确性提供科学依据.

关键词： 知识蒸馏   伪装目标检测   目标检测   结构化知识   学习率  

摘要： 伪装目标检测在自然场景分析与安全监控中发挥着重要作用，但伪装目标的复杂性和多样性对检测模型的性能提出了严峻挑战。现有知识蒸馏方法多用于模型压缩，通过对教师网络与学生网络的输出层特征对齐，实现轻量化。然而，知识蒸馏现有方法通常忽略了教师网络中间特征的丰富语义信息。此外，固定学习率策略难以适应教师和学生模型规模差距过大的情况，导致蒸馏过程不稳定。为此，设计了一种基于结构化知识蒸馏的轻量级伪装目标检测模型，利用结构化知识改进传统的软硬标签损失计算，从而显著提升蒸馏效果。同时，将学习率优化问题建模为一个最优化任务，以稳定蒸馏过程中的性能波动。实验结果表明，该方法在COD10K-V3和CAMO伪装目标检测数据集上，Sm分别达到82.9%和81.0%，且训练时间减少至6.5h，本文代码可见于：https://***/liuchun0424/lckd。

关键词： 智能合约   深度学习   图像处理   整数溢出   交易延迟  

摘要： 针对智能合约漏洞问题导致的安全事件频发,现有智能合约漏洞检测工具在语言种类上的不择，特别是缺乏对C/C++智能合约源码级别的漏洞检测问题，提出了使用基于深度学习方法来对C/C++智能合约进行漏洞检测，并设计了一种基于深度学习的函数体切片级C/C++智能合约漏洞检测工具。首先，该工具从源码的角度入手，引入了深度学习在图像处理领域中的目标区域概念，并将其应用于智能合约漏洞检测。其次，该工具的实现主要分为四个步骤：第一步，漏洞函数体切片提取，旨在从源码中提取完整的函数体信息；第二步，漏洞切片标记，即对提取到的函数体切片进行标注；再次，编码漏洞切片为向量，将函数体切片转化为深度学习所需的输入格式；继而，进行向量标记并训练，完成模型的训练过程。最后，通过分析C/C++智能合约产生漏洞的原因，定义了五种漏洞类型：整数溢出、权限控制、代币转移、内存管理和交易延迟，并专门构建了一个包含5024个C/C++智能合约源码的数据集，解决了C/C++智能合约源码缺乏开源数据集和统一漏洞类型定义的问题。该工具通过使用深度学习技术对C/C++智能合约源码进行漏洞检测，能够减少对专家的依赖。进一步分析发现，该工具相较于同种类型的检测工具，拥有更高的漏洞检测精度和范围，并且由于使用深度学习，通过不断的学习训练，该工具能够不断的提升检测范围和精确度。实验结果表明，该工具与同样使用深度学习技术的GNNSCVulDetector工具对比，在检测范围上，该工具能够检测到五种类型漏洞，而GNNSCVulDetector只能够检测到一种；在精确度上，该工具比GNNSCVulDetector高了14个百分点。

关键词： 目标跟踪   网络加速   深度可分离卷积   网络剪枝   知识蒸馏  

摘要： 近年来，基于深度学习的目标跟踪算法在精准度和鲁棒性方面已经超越了传统方法，但其实际应用却因参数规模和高昂的计算成本而面临挑战。本文选取SiamFC深度跟踪网络作为研究案例，通过引入轻量级的深度可分离卷积技术来取代传统的卷积层，并融合网络剪枝与知识蒸馏的方法，进一步精简和优化网络架构。在剪枝过程中，为了避免网络跟踪精度降低，运用知识蒸馏策略，借助一个预训练原始的高性能教师模型，将其在大量数据上积累的知识传授给待剪枝的学生模型。学生模型剪枝过程中在维持跟踪精度的基础上，可以进一步削减了所需的计算资源。VOT数据集上的实验结果表明，该方法在基本保持跟踪性能的同时，显著降低了目标跟踪模型的参数量和计算量。

关键词： 资源优化   现场可编程门阵列   轻量级网络   硬件设计  

摘要： 为了解决在现场可编程门阵列（field programmable gate array， FPGA）开发板上部署传统卷积神经网络（convolutional neural networks， CNN）时面临的资源限制问题，本文提出了一种轻量级卷积神经网络 ——IRPC-YOLO，以及一个经过优化的用于高效目标检测的硬件加速系统。核心贡献在于将部分卷积（partial convolution ，PConv）集成到逆残差网络中，设计出部分卷积逆残差（inverted residuals of partial convolution， IRPC）模块，该模块构成了所提出的轻量级网络的基础。这种设计在显著提升目标检测速度的同时，有效地保持了较高的检测精度。为了克服硬件实现方面的挑战，开发了一种专用的硬件架构，实施了算子融合量化，融入了优化的最大池化模块和乘法器复用模块，以减少硬件资源消耗并提高计算效率。所提出的设计在赛灵思ZYNQ 7000系列XC7Z020平台上进行了验证。实验结果表明，IRPC-YOLO 网络将内存访问量降低至55.19MB，实现了0.319G 次浮点运算，同时保持了具有竞争力的精度。在ZYNQ XC7Z020平台上，它的推理延迟为23.81ms，功耗仅为1.8W，使其成为资源受限、低功耗嵌入式应用的理想解决方案。