关键词： 图像处理   模式识别   非负表示   竞争增强   标签信息  

摘要： 非负表示分类器（NRC）在模式分类任务中表现优异，但传统NRC未充分利用标签信息，忽视类别间的竞争性表征，限制了其判别能力。为此，提出基于增强型双重竞争的非负表示（DCENR）模型。该模型引入类均值竞争和类间竞争两种机制，以不同方式挖掘标签信息以提升识别性能。类均值竞争将各类别训练样本的均值向量作为核心表征，并通过引导测试样本的类特定表示向该均值靠拢，降低了类间相似性与类内差异性对识别精度的干扰；类间竞争则通过构建类别间的竞争性约束，增强真实类别的重构表示在所有类别中的竞争优势。两种竞争机制协同作用，共同构建高效的判别性学习框架。实验表明，DCENR在多个数据集上均优于现有主流方法，展现出显著的性能提升。

关键词： 毛尖茶叶   嫩芽检测   计算机视觉   YOLOv5s   小目标检测   注意力机制  

摘要： 茶叶嫩芽的准确检测对于茶叶的生产和加工具有重要意义。针对毛尖茶叶嫩芽检测中小目标特征不显著、复杂背景干扰严重等问题，本研究提出了一种基于改进YOLOv5s的检测方法。首先，设计了SE（Squeeze-and-Excitation）注意力机制与CSP（Cross Stage Partial networks）结构相结合的SE＿CSP模块，并将其引入YOLOv5s的主干网络中；其次，在网络的中间层结构中引入BifPN（improved feature pyramid network）模块，以提升模型对小目标特征的提取能力以及对多尺度特征的双向融合效果，从而适应复杂场景下的目标检测需求。使用不同场景下的茶叶嫩芽数据集对改进的YOLOv5s算法进行验证，并与多种算法（Faster R-CNN、MobileNetV+SSD、YOLOv5s）进行比较分析。结果显示，本研究提出的模型在精确率、召回率和平均精度均值方面，分别较原YOLOv5s模型提高3.8、6.5、5.8个百分点。改进的YOLOv5s算法在识别各场景下的毛尖茶叶嫩芽的准确率上表现优异，显著降低了漏检率和误检率，可为茶叶产业的自动化和智能化发展提供技术支撑。

关键词： 流速监测   图像处理   机器视觉   智慧水利  

摘要： 灌溉用水的精确计量是提升灌区水资源利用效率和实现智慧化管理的关键。针对传统测流方法在复杂环境下存在的高成本、低效率等问题，以及现有视觉测速技术在光照变化、示踪物缺乏等条件下适应性不足的情况，本研究提出一种基于单目视觉与特征匹配测速（feature matching velocimetry,FMV）的非接触式明渠表面流速监测方法。通过引入人工泡沫作为高可见性、可降解的示踪物，增强水面特征的可识别性；结合ORB特征提取与FLANN匹配算法，并设计空间约束筛选机制提升匹配精度；采用分区处理策略缓解光照不均对特征点分布的影响；利用高斯曲线拟合优化运动距离直方图，进而获取最优位移估计，实现表面流速的精确反演。在此基础上，结合表面流速系数法推算明渠断面流量。试验在矩形与梯形混凝土衬砌渠道中进行，设置30～60 L/s范围内7个流量等级，在晴天、阴天及夜间补光3种光照条件下共实施42种工况试验。结果表明：表面流速测量平均绝对误差为0.026 m/s，平均相对误差为3.79%，较时空影像法具有优势；流量计算的平均相对误差控制在3.6%以内，最大相对误差不超过7.2%。该方法具有成本低、抗干扰能力强等优点，适用于中小型灌区复杂环境下的水流监测，可为灌区智慧化管理提供可靠的技术支撑。

关键词： 道路交通   检测精度   轻量化   YOLOv11  

摘要： 针对现有道路交通场景下的检测算法存在对密集车流中的车辆、红绿灯和行人等小目标检测精度不足、模型冗余和计算复杂度大等问题，本文提出了一种基于YOLOv11的检测模型RME-YOLO。首先，使用RepConv来取代HGNetV2中的传统卷积，形成Rep-HGNetV2作为模型Backbone，从而实现模型的轻量化并提升检测精度；接着，在Neck中引入MLCA注意力机制，使模型能够更多关注小目标区域；最后，设计Efficient-Head检测头取代原始Head，提高模型推理过程的计算效率和检测精度。实验结果表明，RME-YOLO在本文数据集上的mAP50和mAP50-95指标分别提升了5.3%和4.2%，参数量和计算量分别减少了27.8%和28.6%，模型体积仅为3.96?MB，兼具精度与轻量化优势，适合部署在资源受限的道路交通场景。

关键词： 目标检测   图像增强   模型   行为识别   YOLOv11   肉牛  

摘要： 针对夜间肉牛图像可见度较低、行为特征模糊、噪声干扰等问题，该研究提出一种低光照图像增强下的夜间肉牛行为识别方法。首先，采用LightenDiffusion模型对夜间肉牛行为图像进行低光照增强处理，以改善图像视觉质量。其次，对于夜间环境下肉牛行为特征不明显、识别难度大等问题，在YOLOv11n网络基础上进行改进，构建C3k2-CAFormerCGLU模块，筛选局部重要特征的同时抑制噪声和无关信息；采用空间深度转换卷积（space-to-depth convolution, SPDConv）提高远视角下小目标的检测能力；在颈部网络引入特征聚焦模块（feature focusing moudle,FFM），构建特征聚焦扩散金字塔网络（feature focusing pyramid network,FFPN），丰富各尺度特征的上下文信息；结果表明，相较于增强前的肉牛总体行为数据集，增强后YOLOv11n的平均精度均值提升了2.5个百分点；CSFYOLOv11n对夜间肉牛行为检测平均精度均值达到了94.3%，相比基础模型YOLOv11n提高了4.9个百分点；可视化结果表明CSF-YOLOv11n能有效关注不同行为关键特征区域。CSF-YOLOv11n模型满足夜间肉牛基本行为的精准检测需求，可为肉牛健康监测与智能养殖提供技术支撑。

关键词： YOLOv10n   芒果   目标检测   果梗   感受野注意力卷积  

摘要： 为了精准快速检测自然环境下的芒果果实与果梗，该研究基于YOLOv10n提出一种改进的检测模型MALYOLOv10n。首先，将骨干网络中传统的C2f模块替换为融合了感受野注意力卷积（receptive-filed attention convolution,RFAConv）与卷积注意力机制（convolutional block attention module, CBAM）的RFAM-C2f模块，以增强模型在自然环境下对果实特征的提取能力。其次，针对细小果梗检测精度低的问题，引入双向特征金字塔网络（bidirectional feature pyramid network, BiFPN），实现特征提取过程中双向信息的高效流通，从而提升对小目标果梗的感知效果。最后，在颈部网络中引入部分卷积（partial convolution, PConv），减少模型参数量并提高计算效率。试验结果表明，MALYOLOv10n模型的精确率为94.9%，召回率为89.7%，平均精度均值mAP为95.5%，与YOLOv10n相比，分别提高了3.1、3.3和2.5个百分点。同时，模型进一步轻量化，浮点运算量、参数量和模型大小分别降低了12%、3.7%和8.6%，检测帧率达到119.6帧/s。该研究可为复杂自然场景下的芒果自动化采摘提供技术支持。

关键词： 神经辐射场   三维重建   动态场景   遮挡物消除   计算机视觉  

摘要： 针对神经辐射场（NeRF）在干扰物体影响下难以实现高质量三维重建的问题，提出一种基于SfM（Structure-from-Motion）与SAM（Segment Anything Model）模型协同优化的方法。以SfM重建过程中的SIFT（Scale-invariant-feature-transform）算法为基础，利用动态场景中的几何不一致性进行特征点的识别与匹配，将未匹配的特征点视为动态干扰物，进而引导可以接受点引导分割的SAM模型实现动态遮挡物分割，生成静态场景掩膜。基于分割结果，使用掩码感知体积渲染技术预测颜色，并建立四重损失函数：重建损失、结构一致性损失、对抗损失、自监督修补损失。通过联合优化目标的方式约束被修补区域的颜色输出，经多次迭代训练后，实现多视角下被遮挡区域的几何结构与外观的一致性修复，保证辐射场完整性的同时，实现遮挡物的消除。经公开动态场景数据验证表明，利用掩膜体积渲染和联合优化后的重建效果相较于基线模型和主流遮挡物消除方法峰值信噪比PSNR平均提升了5.24dB，感知图像相似度LPIPS降低35%，该方法为复杂动态环境下的三维重建提供了新范式。

关键词： 郁闭度   林冠信息   图像处理   机器视觉   随机森林   深度学习  

摘要： 郁闭度是森林结构和生态评估中的关键参数，准确评估郁闭度对于森林防火和资源管理具有重要意义。人工目测或样地调查的传统郁闭度测量方法受地物条件和人为主观因素影响，测量耗时长、误差大，难以满足大面积测量需求；随着遥感技术的快速发展，无人机等高分辨率航空摄影可客观、高效地获取林冠等信息，通过信息自动提取处理，可为郁闭度快速精准评估提供新的途径。以某生物防火阻隔带建设项目为研究对象，依托无人机摄影测量，构建研究区高精度三维数字模型和数字正射影像图，综合应用三种典型机器视觉算法自动解算区域郁闭度。结果表明，三种方法解算的郁闭度结果较为一致，均能满足防火带设计阈值测量要求；其中，DeepLab-v3+深度学习分割方法的解算值最接近人工测量值，并在冠层交错区域展现更优的边缘识别能力；Trainable Weka Segmentation算法通过融合颜色、纹理等多维特征，显著提升了复杂背景下的分割精度；局部极值驱动分割方法则在离散林冠结构场景中效率突出。研究进一步探讨了光照条件与季节变化对识别结果的显著影响，成果可为生物防火阻隔带及类似林业工程郁闭度快速精准评价提供场景化决策依据。

关键词： 交通安全   多目标跟踪   计算机视觉   弱光照图像增强  

摘要： 实时精准的乘客移动轨迹跟踪是实现地铁站智能化安全管理的关键技术。然而，地铁站普遍存在弱光照和乘客频繁遮挡等问题，导致计算机视觉领域主流的多目标跟踪技术在地铁管理实践中往往难以保证跟踪精度。为此，本文提出了一种基于弱光图像增强的乘客移动轨迹跟踪方法，旨在提升弱光照条件下存在遮挡情况下的地铁站内乘客移动轨迹的实时跟踪性能。首先，引入先进的Retinexformer技术，对弱光照监控视频进行细节恢复和图像质量提升；随后，分别采用基于观测中心的多目标跟踪算法（Observation-Centric SORT,OC-SORT）和基于稀疏特征的SparseTrack算法跟踪存在乘客遮挡情况下的地铁乘客轨迹。实验结果表明：经图像增强处理后，OC-SORT模型在弱光环境下的跟踪性能达到73%的HOTA和96%的MOTA，而SparseTrack模型则达到了76%的HOTA和98%的MOTA。

关键词： 漂浮物检测   无人机组网   深度学习   目标检测   YOLOv11  

摘要： 为提升水厂水源河道异常漂浮物的智能化监测水平，提出了一种基于无人机组网的FEW-YOLO水厂水源漂浮物智能监测模型。针对YOLOv11n基准模型，本文引入了FasterNet Block模块以降低模型的复杂度；同时结合高效多尺度注意力模块（Efficient Multi-Scale Attention， EMA）来增强特征表达能力；接着采用WIoUv3损失函数优化目标边界框的回归性能，从而进一步提升检测精度。基于无人机组网自主巡检所采集的实景影像数据，构建了Floating Objects漂浮物监测数据集，并对模型的先进性与实用性进行了系统评估。在南方某大型水厂及其周边典型河段开展的实地验证实验中，FEW-YOLO模型的mAP@0.5达83.6%，较原始模型提高5.7%，同时参数量降低近11%，在各个关键性能指标上均优于主流的对比模型。本研究实现了对南方某大型水厂水源漂浮物的常态化和智能化监测，并方便进行监测类型扩展，具有广阔的实际工程应用前景与推广价值。