关键词： 图像处理   显著性检测   深度学习   特征增强   渐进式解码  

摘要： 针对现有的大多数RGB-D显著性检测方法在特征提取过程中难以有效提取多尺度特征以及在解码过程中模态特征信息交互不充分导致信息丢失的问题，提出了一种特征增强和渐进式解码的RGB-D显著性检测方法。首先，针对多尺度特征提取困难，导致算法对多目标、小目标物体检测精度低的问题，构建了多尺度自注意力特征增强模块；其次，为了充分发挥两种模态特征的优势，构建了跨模态特征融合模块，以增强不同模态分支之间的信息交互；为了解决解码过程中信息易丢失的问题，提出了渐进式加权融合解码器，充分整合细化不同模态的特征信息；最后，通过对逐层解码的结果采用混合损失函数监督训练，实现初始显著图优化。通过在5个公开基准数据集上与10种先进主流方法进行的对比实验表明，该方法在5个指标上均有较优表现。实验结果表明，该方法在多种复杂情况下都能获得相对精确的显著图，达到了较为先进的性能。

关键词： 无人机   电力巡检   架空输电线路   YOLOv7   边缘端   小目标检测   多尺度识别   局部遮挡  

摘要： 在无人机电力巡检的航拍视角下，考虑到电力设备图像特征的特殊性，针对普遍存在的小目标检测、目标点遮挡和航拍图像尺度多变引起模型漏检率上升，以及稠密检测带来计算量增加的问题，本文提出一种适用于无人机边缘端的视觉检测模型EDR-YOLOv7。首先，在颈部网络中引入显示视觉中心模块捕捉像素的隐性关系，解决小目标特征遗漏的问题。其次，用动态采样模块替换转置卷积实现特征点的灵活采样，降低模型计算的复杂度。最后，针对无人机视角尺度多变的问题及因局部遮挡而导致的预测框误删和偏离的问题，先后在损失函数中先后添加Inner-SIoU（Inner-Scylla Intersection over Union）损失项和斥力因子损失项，不断缩小训练迭代时的预测误差。经试验验证，EDR-YOLOv7相较于原模型mAP@0.5提升3.89%的同时检测帧率提升了5.2 frames/s，最终将模型部署于Jetson XAVIER NX边缘计算机上并采用TenssorRT推理加速，在视频流检测任务中表现出色。

关键词： 计算机视觉   单目深度估计   自监督学习   动态场景   Computer Vision   Monocular Depth Estimation   Self-Supervised Learning   Dynamic Scenes  

摘要： 近年来，自监督单目深度估计因其无需深度标签的优势，在计算机视觉领域获得了广泛关注。然而，传统自监督单目深度预测方法通常基于静态场景假设，这导致在相邻帧中出现动态对象时，深度预测的精度会显著下降。为了解决这一问题，本文提出了一种多帧自监督单目深度估计模型。该模型通过分割网络预先识别图像中的运动物体，并利用多帧图像之间的光流信息来重构图像。通过将静态场景与动态物体分开处理，该方法有效提高了动态物体深度估计的准确性。此外，本文设计了动态物体重构损失(Dynamic Object Reconstruction Loss, DRL)和深度一致损失(Depth Consistency Loss, DCL)，以监督动态重构图和重构深度图的生成。实验结果表明，在三个公共数据集上，该方法优于现有的主流方法，能够在动态场景中准确预测深度图。

关键词： YOLOv7算法   目标检测   深度学习   无人机   松材线虫病  

摘要： 松树是世界上分布广泛的树种之一,具有重要的生态和经济价值。松材线虫病（PWD）是一种毁灭性的全球性森林疾病,致病力强、发病时间短、传播速度快,对松树生态系统构成重大威胁,造成严重的生态和经济损失。无人机航拍和基于深度学习目标检测算法的应用是目前监测PWD的一种常用手段。但为了在短时间内完成大面积的航拍,无人机往往处于较高的飞行高度,导致获取的地面影像分辨率低,疫木目标较小,因而疫木检测识别精度偏低。针对这一问题,该研究提出了一种基于YOLOv7的松材线虫病疫木检测算法DSEN-YOLOv7。该算法将YOLOv7骨干网络MP模块中的CNN替换为可变形卷积DCNv2,使网络能够适应疫木形状的变化;引入新的度量算法NWD替换原有损失函数CIoU,提高模型收敛速度和小目标检测的性能;引入注意力机制EMA,增加网络对小目标特征的提取能力;用SPPFCSPC空间金字塔池化模块代替SPPCSPC,提升模型的精度。实验结果表明,改进后得到的DSEN-YOLOv7模型在测试集上mAP@0.5、mAP@0.5:0.95分别达到81.0%和41.4%,比原YOLOv7模型分别提高了4.0和1.9个百分点,与当前其他主流目标检测模型如YOLOv8、YOLOv5i、Faster R-CNN、SSD相比,模型的F1和mAP也均有提升。该模型的推理速度为175帧/s,模型大小为71.89 MB。本研究提出的改进型DSENYOLOv7模型基本满足PWD疫情大规模实时检测的需求,为实现高效率的松林管理提供了重要的技术支持。

关键词： 目标识别   跟踪控制   智能制造   有界系统  

摘要： 在智能制造过程中，存在操作者对机器人进行牵引运动的需求，这种牵引运动往往是随机的、非线性的。如何让机器人准确识别操作者的意图并实现平滑的跟踪控制，是机器人顺利完成智能制造任务的难题。首先，对操作者与六自由度机器人的柔性交互过程进行数学建模，并在此模型基础上分析操作者的指令意图。然后，使用Pade逼近方法将机器人运动延时和系统状态的导数建立联系。接着，设计了六自由度非线性目标跟踪运动的状态反馈控制器，并分析了系统的稳定条件。最后，将系统的非线性跟踪目标、系统状态、系统输出之间的关系进行了有界性分析。经过仿真验证，该控制器对于有界非线性目标可以进行有界跟踪。

关键词： 深度学习   图像处理   遮挡检测   可变形卷积v2   Soft-NMS   Alpha-CIOU损失函数  

摘要： 为了解决生产环境中烟丝检测因粘连、遮挡现象而引发的检测精度不足等问题，提出一种基于改进YOLOv5s的遮挡烟丝检测方法。利用DCN v2C3模块替换YOLOv5s网络颈部的C3模块，提取烟丝深层次的特征信息，提升网络模型的空间变换能力及其泛化到不同形状目标的能力；引入Soft-NMS算法，平滑抑制冗余的边界框，增强对遮挡烟丝的识别能力；采用Alpha-CIOU损失函数，以优化模型的边界框定位精度。实验结果表明，与原始方法相比，改进方法的检测精度提高了2.7%。该方法在提高了检测精度的同时减少了计算量。

关键词： 光伏组件   红外图像   目标检测   YOLOv8   深度学习  

摘要： 通过无人机拍摄光伏组件红外图像进行检测时，图像背景较为复杂，且其中含有的小目标热斑故障在检测过程中容易丢失信息，出现误检或漏检等状况。针对上述问题，将HCF-Net与YOLOv8n网络结合，提出一种融合网络（HCF-YOLO）用于光伏组件红外图像热斑故障检测。加入并行化注意力机制（PPA），通过分层特征融合和注意力机制来增强小目标的表达，确保在多个降采样步骤后保留热斑关键信息。采用维度感知选择性集成模块（DASI），注重对高维和低维特征的自适应选择和精细融合，增强小目标的显著性。使用PIOU（Powerful IoU）作为HCF-YOLO的损失函数，在回归的早期阶段，引导预测框沿着有效路径回归，提升检测速度。HCF-YOLO算法相较于原有的YOLOv8n算法检测精度(average precision 50，AP50)由89.27%提升至97.28%，并且检测速度达到217.33帧/s，实验结果可证明模型的有效性。

关键词： 无人机   边缘计算   目标检测   目标跟踪   公路巡检  

摘要： 对公路标线的实时跟踪是无人机公路巡检任务中的一个重要环节。较新的深度学习网络算法一般伴随着较大参数量，限制了其在边缘设备上的应用，针对其部署在边缘计算平台上的需要，本文提出了一种基于改进YOLOv3-tiny和DeepSORT的公路标线跟踪算法。改进的算法首先进行K-Means++聚类，其次采用CIOU损失函数，使检测框的回归更加稳定，最后引入改进的SPP结构和SAM空间注意力机制丰富有效特征提取。对检测到的公路标线进行跟踪，并根据实际巡检的情况对DeepSORT进行改进。实验结果表明改进的YOLOv3-tiny算法相比于原算法mAP提高了4.02% ，改进的DeepSORT算法相比于原算法MOTA值提升了1.9 %，在Nvidia Jetson Xavier NX平台上进行测试，平均帧速率可达31.2帧/s，满足了无人机实时巡检的需求。

关键词： 目标检测   特征提取   注意力机制   插值函数  

摘要： 针对Deformable DETR仅采用ResNet进行简单特征提取限制了后续模块检测效果的问题， 提出一种基于特征增强与多项式差值的目标检测网络. 首先引入特征提取模块同时提取图像局部和全局信息， 帮助网络更精确地捕捉图像关键特征; 然后设计双注意力模块根据需求动态地调整特征通道和空间位置的权重， 使网络能够聚焦于对当前任务更为重要的图像区域; 最后提出一种多项式插值方法拟合目标点周围更多的特征向量， 计算生成更高质量的特征向量. 在COCO数据集上采用一致的实验条件进行实验， 相比Deformable DETR， 所提网络平均检测精度提升至44.8%， 大目标检测精度提升1.9个百分点， 各项检测精度均得到提升， 并且优于对比的其他系列网络.

关键词： 滑坡体监测   变动识别   图像处理   Python   大尺度粒子图像测速(LSPIV)  

摘要： 针对传统滑坡体形变位移监测方法在点状测量、设备安装及维护上的局限性，提出了一种基于图像差分技术的滑坡体形变监测新方法。首先对监控相机拍摄的图像进行预处理，包括计算参数设定、位移噪声过滤与差值计算；随后，采用大尺度粒子图像测速（Large Scale Particle Image Velocimetry，LSPIV）技术分析图像序列，精准测量物体表面的位移或速度矢量场；最后，结合自编Python算法实现滑坡体变动的自动识别与移动区域的精确测速。试验结果表明：该方法相对误差平均为5.35%，验证了LSPIV技术在滑坡体形变监测中的高精度与可靠性。通过对室内滑坡模型及实际滑坡视频数据的处理，实现了滑坡体形变与移动的准确识别与测量。该方法不仅能够实现大范围区域的面状监测，还在满足高精度要求的同时具有较低的实施成本，为滑坡体变动监测提供了一种创新性的解决方案。