关键词： PCB   图像预处理   目标检测   处理方法  

摘要： PCB(印刷电路板)属于电子产品的核心零部件,其质量关乎到电子产品的使用寿命,所以PCB的焊点质量高低与否对于企业来说尤为重要。随着表面封装技术越来越成熟,国内外绝大部分的PCB封装厂都采用了一种新型的焊接方式,那就是贴片焊接。这种焊接方式相比直插焊接方式生产效率更高,但是由于部分元器件的特性,国内大量企业都是采用贴片焊接与直插焊接相结合的方式生产。因此,直插式元器件焊点的质量检测具有很高的研究价值。聚焦于直插式元器件PCB焊接质量的关键检测技术,重点探讨了焊点图像的预处理过程和实验仿真,通过对比和分析图像处理的不同算法、不同参数对处理结果的影响,得出最佳的焊点图像预处理方法。

关键词： 无人机操控系统   空对地视频   目标检测  

摘要： 本文探讨了无人机(UAV)在执行空对地任务时,如何利用先进的计算机视觉技术进行高效的目标检测与分割。我们提出了一种面向无人机操控系统的优化方法,该方法结合了深度学习中的目标检测和语义分割算法,以实现更精确的实时视频分析。通过实验验证,我们的方法不仅提高了识别精度,还显著减少了计算资源的消耗,为无人机的应用提供了更加可靠的技术支持。

关键词： 减饱和法   气体运移形态   孔隙结构   微观机理   图像处理  

摘要： 注气减饱和法是一种通过工程措施将气体注入可液化土体内部，通过减小土体的饱和度以提高土体抗液化强度的方法。开展了饱和砂土注气减饱和过程的可视化薄板模型试验，考虑了粒径分组和密实程度的影响。结果表明：（1）根据注气量和砂土排水量的对比，可将气体注入砂样内部的过程分为四个阶段：Ⅰ突破阶段、Ⅱ内部运移阶段、Ⅲ扩展溢出阶段、Ⅳ稳定溢出阶段。注入气体的运移形态受孔隙结构内的孔喉尺寸和连通性控制，其主要呈现出两种典型特征：以惯性力主导的通道流和以黏性力和毛细管力主导的室流。（2）Ⅰ阶段的最小注气压力Pmin等于静水压力u和毛细管阻力Pcr之和。Pcr与特征粒径deff呈负相关，而与Dr呈正相关。（3）粗砂组中气相饱和度Sr,a与deff呈现正相关，与Dr呈现负相关，且在Ⅱ和Ⅲ阶段均显著变化。中细砂组和细砂组Sr,a与deff呈现负相关，与Dr呈现正相关，且集中在Ⅱ阶段中变化。（4）粗砂组实现减饱和的过程主要依赖易于扩展的连通通道，而中细砂组和细砂组主要依赖气体在选择流动路径的途中在低流动阻力区域内的积累。

关键词： 文本图像生成   扩散模型   变分自编码器   CLIP   深度学习   高斯噪声   图像处理   神经网络  

摘要： 针对目前扩散模型采样速度慢且耗费算力大等问题，文中基于现行主流算法提出了一种新型文本图像生成模型RDM(Rapid Diffusion Model)。使用改进后的变分自编码器(Variational Auto-Encoder， VAE)学习样本数据的潜在特征，在潜在空间训练数据，不仅可以降低模型计算复杂度，还可以有效保留图像的细节特征，并对图像不同通道施以不同关注。使用CLIP(Contrastive Language-Image Pre-training)中的文本编码器提取文本特征，将其作为算法的文本条件。Rapid Diffusion模型在数据集FFHQ(Flickr-Faces-Hight-Quality)和CelebA-HQ上分别进行定性和定量分析实验。FID(Fréchet Inception Distance)和IS(Inception Score)的评价指标以及生成结果表明，所提算法均优于ControlGAN(Generative Adversarial Network)、DDPM(Denoising Diffusion Probabilistic Model)文本图像生成算法，生成图像具有更丰富的光影细节与色彩搭配，同时降低了时间复杂度。

关键词： 目标跟踪   自适应检测   神经网络   分类信息   消息传递  

摘要： 为解决杂波环境下雷达多目标检测与跟踪时的目标漏检及数据关联错误问题，提出了一种联合分类信息、目标检测与目标跟踪的框架，利用目标与杂波在距离-多普勒谱中的分类信息辅助检测与跟踪。检测阶段设计了一种自适应检测方法，能够自适应漏检目标所处杂波背景并调整检测阈值重新检测，分类信息可过滤重检测产生的杂波量测。跟踪阶段采用神经增强消息传递算法，统一数据关联与量测分类模块，利用Dempster-Shafer规则融合概率数据关联置信与分类置信，该方式能够更好地分配不同信息源间的置信度，有效解决信息冲突的问题，提高数据关联的精度。该框架下分类信息、目标检测与目标跟踪能够有效联动，雷达实测数据与仿真数据结合的实验结果表明所提出的方法能够有效避免目标漏检导致的目标航迹跟踪不完整以及杂波与目标误关的问题，提高杂波环境下雷达目标检测与跟踪的性能。

关键词： YOLOv8n   航拍图像   目标检测   小目标  

摘要： 航拍图像中，由于目标较小、特征不明显且分布密集，导致对小目标的检测存在漏检和误检严重等问题。为了解决这些问题，并考虑到无人机设备计算资源的有限性，提出了一种基于YOLOv8n的小目标检测改进算法：LS-YOLO（Light and Scale-YOLO）。首先，为了避免小目标在特征提取和增强过程中被噪声和冗余信息淹没，改进算法去除了主干网络中最后一层特征提取层，再将原P5检测头替换为P2小目标检测头；然后，在主干网络中新设计了轻量化多尺度特征提取模块（Lightweight Multi-scale Convolution，LMC），以更好地提取小目标的多尺度特征，同时减少计算开销并提高改进算法模型的运行效率；最后，新设计共享任务对齐检测头（Shared Task Alignment Detection Head，STA-Head），旨在解决特征在分类和回归任务中不协调的问题，从而提升模型的检测精度，并进一步降低模型的参数量。相比于基线算法YOLOv8n，所设计的算法模型在VisDrone2019数据集上的mAP50（mean Average Precision）提高了8%，达到43.2%，准确率（P）和召回率（R）分别提高8%和6.7%，分别达到53.6%和41.4%，参数量下降56.6%，仅有1.3M；在RSOD数据集上同样表现良好，展现了良好的泛化能力。

关键词： 深度学习   目标检测   共轴双旋翼无人机   YOLOX   轻量化   机械臂抓取   无锚框   注意力机制  

摘要： 共轴双旋翼无人机（Unmanned Aerial Vehicle， UAV）自动回收作业对视觉检测精确性与实时性要求较高，现有目标检测算法检测精度和实时性不足，无法直接用于边缘计算平台。文中基于YOLOX（You Only Look Once-X）检测模型构建了一种轻量级无锚框的视觉检测模型P-mobilenext-YOLO。采用轻量级逆残差模块，融合自注意力机制，提高了视觉检测的特征提取能力，减少了训练参数。在无人机抓取实验中，通过相机与手眼标定对模型检测结果进行处理，实现目标的准确抓取。实验结果表明，模型参数量为5.36 MB，处理速度为67 frames·s-1，在边缘设备上具有较高的检测精度与实时性。对比主流模型，所提模型更轻量，检测速度更快，为共轴双翼无人机自动回收提供了有效的目标检测解决方案。

关键词： RGB-T跟踪   多模态   热红外   特征融合   Transformer  

摘要： 可见光-热红外（RGB-T）目标跟踪旨在结合可见光与热红外成像的双重优势，以达到稳定的跟踪性能。目前普遍的方法是为每个模态分配权重，但是这样无法充分利用它们的互补性。我们提出了一种用于RGB-T目标跟踪任务的多阶段多模态融合方法。首先，使用两个独立的特征提取网络单独提取各自模态特征，以便将单模态跟踪器TransT扩展到RGB-T任务上。其次，设计了模态内多尺度特征聚合和模态间特征调制融合，前者挖掘单一模态内的多尺度信息的特征互补性，提升单模态特征判别能力。后者旨在利用多模态信息的特征互补性，实现多模态特征的交互。本文方法在GTOT数据集上实现了57.3%的成功率和71.2%的精确度，在LasHeR数据集上实现了44.6%的成功率和56.8%的精确度，实验结果表明，所提出的跟踪算法能够有效提高目标跟踪的性能。

关键词： 職業安全   人工智慧（AI   驗證與驗收（V&V   計算機視覺   物聯網（IoT  

摘要： 本文介绍工厂在职业安全管理中应用AI系统的验证与验收过程，涵盖可信赖AI的要素如准确性、稳定性及反应时间。主要步骤包括验证与验收标准定义、系统性能评估、缺陷管理及最终验收，并强调使用计算机视觉、物联网和交叉验证等技术来实现危险行为识别和环境监测。本文强调全面测试、修正与再验证的重要性，确保AI系统在多样化场景中稳定运行并满足安全需求。

关键词： 目标检测   焊缝缺陷识别   YOLOv8算法   上采样   损失函数  

摘要： 针对目前石化储罐表面焊缝缺陷检测效率低、小目标易出现漏检、误检等问题，提出一种改进YOLOv8n的焊缝缺陷检测方法：YOLOv8-SDB。首先，在主干网络中引入空间深度转换卷积(symmetric positive definite convolution，SPDConv)模块，减少浅层特征提取过程中细节信息的丢失，捕获更加丰富的空间和通道信息；其次，利用加权双向特征金字塔网络（bi-directional feature pyramid network，BiFPN）融合多层次特征，提高特征表达能力；再次，采用轻量化且高效的上采样算子DySample（dynamic sampling），提高模型特征重建能力并减少计算复杂度；最后，使用WIoU(weighted intersection over union)损失函数加快边界回归损失收敛速度，提高回归精度。将改进后的算法在焊缝缺陷数据集上进行实验，实验结果表明，YOLOv8-SDB算法的检测准确率为86.2%，召回率为79.4%，平均精度为84%。较YOLOv8n算法分别提高了3.4%、2.8%和3.9%。