关键词： 异型包装   烟支端面   多级模型   图像处理  

摘要： 【目的】解决异型包装设备无法对模盒内烟支端面缺陷进行全面检测和无法及时剔除的问题。【方法】设计一种基于多级模型的异型包装设备烟支端面检测系统，该系统通过建立的多级检测模型对异型包装设备的烟支端面图像进行分析，可以最大程度提高检测速度和精度。【结果】①相比于ResNet算法，DenseNet算法在烟支端面图像的识别中具有更高的识别率和训练效率；②利用该检测系统能够对异型包装设备的缺陷烟支进行准确识别和预警反馈，该系统对烟支端面刮破烟包的平均识别正确率≥99%，平均漏检率＜1%。【结论】该系统能够对异型包装设备的端面缺陷进行精准检测和预警，有效的保障了卷烟产品的质量。

关键词： 无监督学习   目标检测   夜间域适应   光度对齐   CNN-Transformer模型  

摘要： 夜间目标检测相较于白天环境存在诸多挑战，受限于低光照条件和高质量标注数据的匮乏，难以提取目标特征，从而影响了夜间目标检测精度。为此，提出一种针对夜间图像的域适应目标检测方法。首先，设计一种夜间域适应光度对齐模块，将有标记的白天源域图像转换为对应的夜间目标域图像，即通过光度对齐弥合源域与目标域之间的差距，从而解决低光照条件下难以获取准确夜间目标注释的问题；其次，采用CNN-Transformer混合模型作为检测器，即以CSwin Transformer作为主干网络提取多层次的图像特征，并将提取特征输入特征金字塔网络中，以促进多尺度目标检测；最后，引入Outlook注意力解决由于光照不足导致的图像细节不明显问题，提升了模型在光照变化、阴影等复杂环境下的鲁棒性。实验结果表明，在公共数据集BDD100K上，所提方法平均精度均值(mAP@0.5)达到了50.0%，相较于2PCNet方法，mAP@0.5提高了4.2个百分点；在SODA10M数据集上，所提方法的mAP@0.5也达到了45.4%的精度，与SFA方法相比提高了0.9个百分点。

关键词： 目标检测   YOLOv5s   注意力机制   扫描相机  

摘要： SMT生产线贴装器件类型多样、料盘规格不一致，针对生产过程中芯片位置姿态易出错、芯片字符难识别等问题，本研究设计并实现了一种基于改进YOLOv5s的SMT生产线器件检测系统，利用高精度线扫描相机快速抓拍生产线上料盘图像，通过在YOLOv5s目标检测算法中增加注意力机制、增加P2小目标检测层等方面进行算法改进，实现了不同规格的料盘图像中所有芯片的位置姿态检测和信息识别。通过实际测试验证表明，该系统能够实现不同工况下器件的准确检测，显著提高了SMT生产线器件的检测质量和效率。

关键词： 图像分类   目录页识别   目标检测   目录块定位   文本分类   目录行分类   命名实体识别   目录实体抽取  

摘要： 期刊蕴含巨大的学术价值和社会经济价值，解析期刊PDF文档实现文章内容结构化抽取，具有广泛的应用场景。在解析一期多篇期刊PDF文档时，目录检测与解析是首要环节。针对一期多篇期刊PDF文档的目录检测与解析，当前没有公开发表的相关论文对此进行研究。该文首次提出一种多网络级联的期刊PDF文档目录检测与解析算法，使用四种深度学习模型采用级联的方式实现期刊目录页级别、块级别、行级别以及实体级别的检测与解析，能将非结构化的期刊目录转化为结构化的目录树。实验结果表明，多网络级联的期刊目录检测与解析算法能准确识别目录页、定位目录块、确定目录行和抽取目录实体，有利于确定文章在一期多篇PDF文档的篇幅范围，促进文章内容结构化抽取。

关键词： 图像处理   深度图像修复   联合双边滤波   局部滤波窗口   RGB纹理特征  

摘要： 针对自适应联合双边滤波(Adaptive Joint Bilateral Filter, AJBF)算法存在的修复深度图像准确性不足、边缘结构模糊问题，本文提出了一种基于边缘-空洞标记与局部窗口改进的联合双边滤波算法。首先，该算法利用自适应局部色调映射(Adaptive Local Tone Mapping, ALTM)算法增强RGB引导图像，将其扩展至RGB-HSV空间后，提取最优相似性通道，再进行小波变换融合，生成增强引导图像，以此提升阴影区域空洞修复的准确性；随后，针对边缘结构修复不连续问题，提出一种RGBD图像融合边缘-空洞标记权重构建方法；最后，利用梯度角度选择局部滤波模板进行自适应滤波，并预构建空间距离权重查找表，以提升算法效率。实验结果表明，本文算法在Middlebury数据集、Kinect数据集以及使用RealSense相机自行采集的RGBD数据上表现出色。与其他方法相比，本文算法峰值信噪比(the peak signal-to-noise ratio, PSNR)平均提升了26.51%，结构相似性(the structural similarity, SSIM)平均提升了2.40%，均方根误差(the root mean square error by an average, RMSE)平均下降51.29%，这表明所提方法能更准确地修复深度图空洞，并保持边缘结构清晰。

关键词： 目标检测   交通场景   轻量化网络   Deformable Attention   多尺度特征融合  

摘要： 随着自动驾驶的快速发展，交通场景下的目标检测技术成为不可或缺的关键环节。传统的检测技术在处理复杂的道路环境下时模型有较大的复杂度，且部署的难度大。为了解决上述问题，提出了基于YOLOv8n改进的交通场景下目标检测算法BGR-YOLO，旨在减少计算负担并提升检测精度。首先引入Deformable Attention，使模型聚焦关键采样点，提高了检测准确性；同时，将GSConv替换标准卷积，使模型减少不必要的冗余，从而降低了模型的参数量和计算复杂度；其次引入BiFPN实现多尺度特征的高效融合；最后，引入CGR设计模块通过重参数化技术对原始C2f特征提取模块进行增强，其以隐式特征复用的方式有效降低计算复杂度。在公开道路目标数据集BDD100K上的实验结果表明，BGR-YOLO在mAP@50上达到了0.49，模型参数量减少了37%，计算量下降了20%。实验结果证明，BGR-YOLO在保持高精度的同时，显著减轻了计算负担，实现了在低算力环境下的高效部署需求。

关键词： 目标检测   YOLOv8m   损失函数优化   高效通道注意力   多尺度特征融合   下采样策略  

摘要： 针对目标检测任务中因光照变化、目标遮挡与姿态角度变化所带来的检测难点问题，提出一种基于YOLOv8m的改进模型ECSC-YOLO。首先，设计EAConv模块，通过嵌入高效通道注意力机制，强化特征提取能力，抑制过曝或低光区域的干扰；其次，改进CoordAtt模块，首次引入下采样策略，在降低特征图尺寸的同时保持上下文语义一致性，显著提升网络对前后重叠目标的敏感性；采用改进的SPPFCSPC＿E模块替代原有SPPF模块，拓展模型感受野并提升多尺度特征聚合效果；最后，针对目标框精确定位问题，采用WIoU损失函数优化检测头，使预测结果更精确。实验结果表明，改进后的ECSC-YOLO模型在PASCAL VOC2007数据集上的平均精度达到64.8%的，在复杂环境下较现有主流算法精度提升1-3个百分点，为目标检测任务提供了高效、可靠的解决方案。

关键词： 无人驾驶矿车   激光雷达   三维点云   数据增强   物理仿真   目标检测  

摘要： 当前三维目标检测模型大都基于数据驱动的深度学习技术，数据集的质量对模型的性能至关重要。本文针对煤尘环境数据集缺失、建立真实煤尘环境数据集费时费力的问题，提出了一种基于煤尘对激光雷达电磁波散射和吸收效应的点云数据增强方法。该方法针对煤尘粒子的光学特性，构建了雷达波在煤尘中的传播仿真模型，模拟激光雷达信号在煤尘环境中的衰减与散射。然后，在晴朗环境下采集的真实点云数据基础上，基于仿真模型对点云的三维坐标和反射强度进行修正，生成符合煤尘环境感知特性的仿真点云数据。在增强后的仿真数据集上训练并测试了五种主流三维目标检测模型（PV-RCNN++、PVRCNN、PointRCNN、PointPillars、Voxel＿RCNN＿Car），这五种检测模型在煤尘环境下的检测精度均有所提升，其中模型复杂度最高的PV-RCNN模型在汽车、行人和骑行者类别上的表现分别提高了1.88、1.74、0.84个百分点。实验结果表明：在煤尘环境中，使用增强后的点云数据训练的目标检测模型，相较于在晴朗条件下训练的模型，其检测精度显著提升，能更可靠地感知露天矿复杂环境，为无人驾驶矿车的稳定运行提供了数据支撑。

关键词： 目标检测   多帧检测   激光雷达点云   场景流   融合推理  

摘要： 随着自动驾驶技术的进步，基于激光雷达点云的3D目标检测已成为关键任务。然而，现有方法大多依赖单帧检测，未充分利用时序信息，导致检测精度不高，存在遮挡和目标丢失等问题。本文提出了一种新型多帧目标检测模型， 通过集成多帧信息来提高检测性能。为了有效利用多帧信息，本文提出的模型引入了匹配推理模块和场景流模块，其中，匹配推理模块根据目标的初始位置推断其运动方向和速度，更新目标的后续位置。场景流模块则整合了点云中各点的位置信息、速度和方向，为推理过程提供更准确的数据支持。实验表明，本文提出的模型在nuScencs数据集中达到了59.2%的mAP和67.4%的NDS，在KITTI数据集中重要的车类别中等难度评价中取得了89.03%的平均精度，优于大部分目标检测模型。同时，我们将检测结果可视化，通过多种消融实验进一步验证了该模型的有效性和所提出改进的可行性。

关键词： 除漆机器人   轻量化   注意力机制   目标检测  

摘要： 自动巡航船舶除漆机器人目标检测受外部干扰时，存在算法检测精度下降、难以达到实时性要求等问题。为了解决这些问题，首先将重参深度可分离移动网络模块（Repvit-MobileNet block）引入到YOLOV5的主干网络中，提高检测速度。然后在骨干网络每个阶段后增加位置注意力机制，扩大模型的全局感受野，提升模型的目标定位及抗干扰能力。其次将卷积块注意力模块（CBMA）引入到颈部网络中，通过融合CBMA模块增强特征提取能力，提高网络模型的检测性能。最后，提出了一种Refine-Loss损失函数，通过优化预测框和真实框的几何关系、兼顾IOU的权重和置信度信息，提高对机器人目标位置的检测精度。在船舶机器人实验数据集中测试与验证，结果表明融合Repvit-MobileNet block与注意力机制的YOLOV5轻量化网络平均检测精度达到84.1%，在边缘设备上的推理运算速度达到26.6 FPS，满足对船舶除漆机器人目标检测的工业应用需求。