关键词： 图像处理   芯片引线框架   图像分割   海鸥优化算法   脉冲耦合神经网络  

摘要： 为满足集成电路封装阶段对芯片引线框架图像的高精度分割需求,本文提出了一种新的图像自动分割方法,该方法基于海鸥优化算法（Seagull Optimization Algorithm,SOA）和脉冲耦合神经网络（Pulse-Coupled Neural Network,PCNN）,旨在解决传统图像切割技术在处理引线框架图像时存在的精度低、边缘模糊以及对噪声过于敏感的问题.首先从引线框架图像的需求出发,对传统的PCNN模型进行了针对性的改进.再将图像熵作为SOA算法的适应度函数,以此自适应地优化PCNN的连接系数β、阈值衰减系数αE和阈值放大系数VE,以实现对引线框架图像的最佳分割效果.最后,将所提算法与传统的PCNN、GA-PCNN和GWO-PCNN方法进行了主观实验对比,并采用Dice系数、召回率和分割精确度等常用图像分割评价指标,对这四种处理方法进行了客观的性能评估.实验结果表明,本研究提出的技术方案在分割精度上表现出色,并且具备良好的鲁棒性,显示出其在实际工程应用中的潜力和价值.

关键词： 水利工程   混凝土裂缝   智能识别   图像处理  

摘要： 为了提升水利工程混凝土裂缝的识别与修复效率,本文系统分析了裂缝形成的主要机理,包括结构应力、温度变化及干缩湿胀等原因,并探讨了智能识别技术的最新进展,如图像采集、深度学习识别模型、多源数据融合等。通过分析典型模型和平台实践,结果表明智能识别技术可有效提升裂缝诊断的准确性和响应效率。建议构建标准化数据体系,推动人工智能与工程管理深度融合,优化裂缝修复技术与运维机制。

关键词： 地铁场段   安全管控   YOLOv8-Metro   目标检测   深度学习  

摘要： 地铁停车场和车辆段是城市轨道交通系统的核心运维场所，承担着地铁车辆停放、检修、调度等重要任务，也是人员、车辆、设备交互频繁的高风险区域，其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法，旨在辅助地铁场段内异物检测与安全管控。本文提出了一种基于YOLOv8-Metro (you only look once version 8-Metro, YOLOv8-Metro)的安全管控算法，由作业人员、地铁车辆、轨道异物3类目标检测和安全管控决策两部分构成。其中，目标检测模型是在YOLOv8的基础上引入卷积注意力机制（convolutional block attention mechanism,CBAM）、深度可分离卷积模块（depthwise separable convolution, DWS-Conv）和双向特征金字塔网络（bidirectional feature pyramid network, BiFPN），大幅增强了模型对多尺度目标和复杂场景下的实时检测能力；安全管控决策在目标检测的基础上，综合考虑三类目标的位置、运动状态和作业计划，实时判断场段内是否存在上述两类安全风险。以南京地铁某场段为实验现场，采集各类场景下股道异物、作业人员和地铁车辆图像，创建原始数据集，测试YOLOv8-Metro的目标检测和安全管控效果。实验结果表明，YOLOv8-Metro对目标检测的整体精度达到了96.3%，在复杂光照、遮挡等各类挑战性场景下，仍保持较高的鲁棒性；此外，各种作业场景下安全风险预警的召回率为0.975,f1-score为0.963，有效降低了漏报的概率。本文所开发的YOLOv8-Metro模型能够满足地铁场段安全管控检测精度和实时性的需求，有望赋能地铁系统的安全管理。

关键词： 恶劣成像环境   退化图像   深度学习   一体化恢复   计算机视觉  

摘要： 为提升图像恢复模型在多种恶劣成像环境下的泛化能力与适应性,系统探讨了一体化图像恢复模型的研究进展。首先,分析恶劣成像环境下6类一体化图像恢复模型的现状;接着,总结模型特点;然后,探讨模型的局限性;最后,展望模型的发展趋势。研究发现,现阶段一体化图像恢复模型提升了图像清晰度与多场景适用性,但存在真实退化图像恢复效果较差、可解释性差、模型结构复杂等问题。未来可通过真实退化建模与自监督学习提升恢复效果,结合注意力机制与物理建模及物理信息网络提升可解释性,通过模块化设计与模型压缩实现轻量化。该研究可为高性能通用图像恢复模型的研究及应用提供重要参考。

关键词： 事件相机   目标检测   运动分割  

摘要： 针对事件相机原始数据存在大量冗余事件、现有运动分割算法难以聚焦运动目标且计算开销较大的问题，本研究提出一种基于UVEVENT事件降维策略的快速运动目标分割算法。该算法首先对事件数据进行水平和垂直方向的压缩以降低数据维度，然后在压缩后的数据上执行单目标和多目标的运动分割。实验结果表明，所提算法的分割准确率达到81.47%，与当前最优方法相当，并且具有出色的实时处理性能和运动目标识别能力。在不同目标运动速度、传感器状态和光照条件下，该算法均表现出良好的鲁棒性，能够满足无人机、机器人等动态场景下实时视觉任务的需求。

关键词： 焦粉粒度   目标检测   多尺度   深度学习   图像增强   RT-DETR   IoU   工业自动化  

摘要： 针对冶金工业中燃料焦粉检测存在的复杂图像噪声、焦粉与背景分离度低、现场采集图像模糊等导致的粒径难以准确检测等问题，提出了基于改进RT-DETR算法的焦粉检测模型ESGE-RTDETR（Edge-Sparse Graph-enhanced Efficient Real-Time DETR），针对焦粉检测场景能够对焦粉粒度进行高效准确检测。针对焦粉边缘特征提出MutiScaleEdge多尺度边缘卷积模块并结合ConvEdgeFusion边缘特征融合模块，得到不同维度信息的特征图，采用窗口化注意力和动态自适应稀疏注意力，优化计算复杂度，通过CSP-MSF融合模块进行颈部特征融合，最终输入检测头得出焦粉检测结果。为提升训练精度，融合PowerIoU和FocalerIoU的特点，提出了FocalPowerIoU替换原有的GIoU，使得训练较快收敛且稳定训练，提高了模型的准确度。通过可视化模型所聚焦的特征提取点及区域，提升模型检测过程的可解释性。在实际生产过程中，检测预处理阶段经试验对比后选择采用自适应直方图均衡化（CLAHE）进行图像增强，突出焦粉边缘特征，为模型检测提供稳定输入，通过CLAHE图像增强提高了模型推理结果的全面性及准确性。在某钢铁厂焦粉图像数据集上试验结果表明，ESGE-RTDETR模型相较于主流目标检测模型对焦粉多尺度粒度的识别精度有较好的提升作用，相较于原始RT-DETR模型，mAP50准确率提升20.6个百分点，召回率提升了14.1个百分点，相较于主流检测YOLOv8， mAP50准确率提升了8.9个百分点，召回率提升了8.5个百分点，能够为现场生产及焦粉粒度工业闭环控制提供技术支持，经某钢厂实际生产验证，满足生产检测精度及速度要求。

关键词： 高分辨率遥感影像   智能处理   深度学习   图像分类   目标检测  

摘要： 随着遥感技术的发展,高分辨率的遥感影像技术被广泛应用在环境监测、城市规划、灾难评估等领域,而如何提取大量影像数据中能够利用的信息并对之准确解释是现阶段需要解决的难题。通过深度学习技术来提升遥感影像智能化处理的效果是一种重要的途径。本文概述了高分辨率遥感影像智能化处理技术的研究,并探讨了基于深度学习的影像分类、目标检测和识别等应用。

关键词： 无人船   水面目标   3D目标检测   传感器融合   深度学习   聚类算法  

摘要： 针对小型无人船嵌入式平台部署高精度3-D目标检测模型存在计算资源受限问题，本文提出一种基于传感器融合的轻量级水面3-D目标检测方法。首先，针对相机图像数据，构建轻量级水面目标检测模型YOLO-LW。该模型在骨干网络中设计了轻量级GCF结构并嵌入SimAM注意力机制以增强特征提取能力；在颈部网络采用DySample动态上采样模块；增加了一个小尺寸检测头以提高水面小目标检测精度；并设计了融合归一化Wasserstein距离和动态聚焦机制的损失函数N-WIoU，进一步优化模型性能。然后，针对激光雷达点云数据，通过改进基于密度的噪声应用空间聚类（DBSCAN）算法，设计了根据距离和高度自适应调整参数机制，并根据点云反射率自动调整水面目标聚类簇，精准获取目标的3-D坐标。最后，将相机提取的2-D目标位置信息与点云聚类获得的3-D坐标进行深度融合，实现水面目标类别、3-D位置和距离的实时检测。综合实验结果表明，该方法在保证检测精度的同时满足小型无人船嵌入式平台的实时性要求。

关键词： 水下鱿鱼检测   目标检测   图像增强   多尺度特征融合   YOLOv8  

摘要： 为了解决水下图像因模糊和色偏导致的目标检测精度下降问题，提升复杂水下环境中鱿鱼检测的准确性和鲁棒性，本研究提出一种基于图像增强的水下鱿鱼检测算法DUIE-YOLO，采用“先增强后检测”的级联框架，由DUIE-Net增强模块和YOLOv8-HD检测模块组成。DUIE-Net模块通过颜色校正、多尺度特征融合、特征恢复与增强及去雾优化，显著提升图像质量；YOLOv8-HD检测模块结合FasterNet网络、小目标检测头、CoordAttention注意力机制及ShapeIoU损失函数，优化特征提取能力与小目标检测精度。实验结果表明，DUIE-YOLO相比原始YOLOv8n在Precision、Recall、F1-score和mAP等4个关键指标上分别提升4.2%、6.8%、5.7%和5.5%。联合实验结果显示，DUIE-Net与YOLOv8-HD的组合相比基线（Raw+YOLOv8n），mAP提升40.3%，Precision提升10.5%，Recall提升53%，F1-score提升31%，证明该算法具有显著的级联优化效果。研究表明，DUIE-YOLO通过图像增强与检测模块的协同优化，有效解决了水下图像质量差导致的检测性能下降问题。本研究为复杂水下环境中的目标识别提供了高精度的解决方案，对海洋生物监测与资源开发具有重要应用价值。

关键词： 低空监视雷达   多普勒盲区   随机有限集   贝叶斯占用滤波   概率假设密度滤波器  

摘要： 以旋翼无人机为代表的低空目标可采用慢速巡航模式，使自身回波落于雷达多普勒盲区内，以躲避雷达检测跟踪。此外，低空环境中存在的复杂地固杂波，更进一步加剧了雷达对慢速目标的检测跟踪任务难度。为解决上述问题，该文基于随机有限集框架，提出一种基于低空监视雷达的慢速目标跟踪方法。首先基于贝叶斯占用滤波思想，将雷达监视区域分割为沿角度-距离向的均匀网格，并依据慢速目标与地固杂波的动力学特性差异设计自适应滤波参数模块；之后，基于概率假设密度滤波器对多普勒盲区内的网格数据进行统一的滤波处理；最后，利用聚类方法从滤波结果中提取感兴趣目标的信息，实现对慢速目标的检测跟踪。在包含多个慢速目标、环境噪声、面杂波及地固点杂波的典型低空监视场景下，结合实测背景杂波数据的实验证明了所提算法对多个低空慢速目标跟踪的有效性、稳健性及性能优势。