关键词： 矿用无人驾驶车辆   井下目标检测   特征融合   轻量化   YOLOv8  

摘要： 针对煤矿井下无人运输车作业场景中存在的低光照、多粉尘及目标形态多变等因素导致传统检测模型易出现漏检、错检和实时性不足的问题，本文提出了一种高效精准的煤矿井下无人运输车辆目标检测模型——YOLOv8-CBD。首先，结合Dual思想融合CSPNet与HetConv，提出了一种新的CSPConv模块，用于替代原YOLOv8网络中的C2f模块，在保证模型检测精度的同时，降低了模型的计算复杂度；其次，引入加权双向特征金字塔网络（BiFPN）来改进YOLOv8的颈部网络，根据不同的特征重要性分配不同的权重，有效地融合了不同尺度的目标特征，保证目标物特征信息的高效利用；同时，将传统的检测头替换为Dynamic Head，使检测头在复杂背景中的表现得到显著提升，强化模型对小目标的检测能力；最后，使用Focaler-IoU代替CIoU，重构IoU损失的线性区间映射，实现模型损失值在不同难度回归样本间的动态调节，增强模型在复杂煤矿井下环境中的定位和检测能力。利用煤矿井下无人运输车辆目标检测数据集对所提出的YOLOv8-CBD模型进行测试，试验结果表明：YOLOv8-CBD模型的mAP@50达到91.5%、mAP@50:95达到65.9%、Recall达到80.9%、F1-score达到0.861、FPS达到106帧每秒，相较于基线模型YOLOv8分别提升了3.3%、4.7%、2.9%、3.1%和16%；其参数量仅有2.63M，计算复杂度为6.4GFLOPs，相较基线模型YOLOv8n分别下降了12%和22%。与Faster-Rcnn、SSD、YOLOv5n、YOLOv6n、YOLOv7-tiny、YOLOv8s、RT-DETR、Deformable-DETR检测模型相比，YOLOv8-CBD在精度、召回率、参数量以及计算复杂度等各项指标上均优于其它模型。YOLOv8-CBD在提高检测精度的前提下，使得模型更加轻量化，拥有更少的参数量与计算量，更加适合部署在煤矿井下作业的各种无人运输车上，有效解决了因光照不足、烟雾以及粉尘影响引起的无人运输车目标检测困难的问题。

关键词： 图像处理   低照度图像   卷积神经网络   图像增强  

摘要： 在智能驾驶、智能监控中，低照度图像会导致识别困难，以至于对低照度图像进行增强十分关键。目前，大量的低照度图像增强技术在计算效率与视觉质量之间难以实现有效平衡。为解决该问题，提出了一种可并行处理的低照度图像增强模型。在该网络中设计了通道引导模块（CG）、光照增强（CE）模块和过曝光校正（OCE）模块。通过结合设计的模块，能够在对低照度图像增强的基础上抑制高曝光区域，减少图像过曝的情况出现，提高低照度图像的恢复质量。实验结果显示，该算法在低照度图像增强表现显著，在LOL-v1和LOL-v2real数据集上PSNR、SSIM的指标参数分别达到了24.67dB、0.856和23.45dB、0.844。相较于当前流行的低照度图像增强算法有不错的提升。

关键词： 桥式起重机   单目视觉   自适应算法   图像处理   摆角测量   模糊图像  

摘要： 针对桥式起重机负载摆角检测中非匀速运动模糊、光照变化及背景干扰问题，提出一种基于单目视觉负载摆角实时检测方法。该方法以球形标记为特征目标，构建通道与空间可靠性自适应特征跟踪器（CSRT-AFT）与梯度分层自适应圆检测算法协同框架。CSRT-AFT通过动态轨迹滤波与特征自适应机制实现鲁棒跟踪：设计自适应多模态轨迹滤波，基于曲率变化率与加速度突变指数智能切换滤波策略，抑制剧烈运动轨迹抖动；结合动态定向快速和旋转BRIEF(ORB)特征提取、加权K维（K-D）特征筛选、最小中值平均法进行特征匹配及弹性模板更新，增强运动模糊和复杂光照下特征匹配稳定性。为实现目标的快速精确定位，在图像预处理增强鲁棒性的基础上，梯度分层自适应圆检测算法通过梯度场引导圆心候选生成、多阶段概率采样及几何约束验证，实现亚像素级的快速圆检测。最后结合桥式起重机工作空间建立负载摆角测量模型。实验结果表明，该方法在不同小车运动速度和复杂光照、遮挡条件下均能稳定检测负载目标摆角，大幅提升了检测的精度与实时性。

关键词： 遥感目标检测   多尺度特征   上下文信息提取   注意力机制  

摘要： 目前关于遥感目标检测的研究主要集中在改进有向框的表示上，而忽略了遥感场景中呈现出的独特的先验知识：1）在没有考虑足够大区域的情况下可能会造成错误检测的情况，2）不同类型的对象所需检测的范围可能不同。因此，我们考虑了这些先验知识，基于YOLOv8网络设计了由多尺度大核卷积选择机制驱动的遥感检测算法LMS-YOLO。在骨干网络中使用了LSK模块和CReToNeXt模块，有效地提升了网络的特征表达能力和感知能力。在颈部网络，使用了一种新型MSB模块，用于增强多尺度信息的融合效果，使网络能够获得更多更丰富的多尺度特征。此外，还使用了SIOU进一步提高了预测框的精度。最终在DOTA遥感数据集上，与原始网络进行对比，取得了1.9%的mAP性能提升，达到了73.6%。与目前多种先进的检测算法相比，我们的算法也取得了更好的检测性能。

关键词： 深度学习   数字伪装   目标检测   数据增强   图案生成  

摘要： 传统数字伪装技术通常仅针对背景颜色特征分布进行设计，缺乏对目标边缘特征的精准感知，导致伪装目标与背景环境的轮廓明显，融合效果不佳。为解决上述问题，本文提出一种基于深度学习的自适应数字伪装生成方法。该方法结合YOLOv8目标检测算法与傅里叶卷积驱动的图像修复算法，构建了从目标感知到数字伪装生成的闭环流程。针对小样本场景下目标检测精度受限的问题，本方法在YOLOv8模型训练中引入多层次数据增强策略，通过颜色变换、遮盖变换和裁剪拼接等方法有效扩展样本多样性，显著提升目标检测的精度。在数字伪装生成阶段，采用基于傅里叶卷积的特征提取网络，通过频域-空间域联合分析方法捕获伪装目标周边环境的色彩分布、纹理特征及语义信息，同时对网络中的掩膜尺寸进行改进，提升边缘感知能力实现与背景环境融合度较高的伪装图像生成。实验结果表明，与传统伪装方法相比，本文方法在生成的伪装图像上表现出更优的客观评价指标。具体而言，结构相似性指数（SSIM）平均提高了0.028，峰值信噪比（PSNR）提高了0.14dB，均方误差(MSE)降低了1.14，充分验证了所提出方法在自适应数字伪装图像生成任务中的有效性。

关键词： 低光照目标   特征级融合   可见光图像   红外图像   YOLOv11n  

摘要： 针对可见光图像目标在低光照等不良条件下特征不足的问题，研究提出了一种融合可见光图像和红外图像以增强目标特征的目标检测算法。该算法以Yolov11n为基线算法，通过构建双分支的图像多层级特征提取及融合的网络，提取目标可见光图像、红外图像的浅层特征和深层特征，按照特征级融合的方法实现同层级的特征融合；并引入了语义与细节注入模块，融合可见光图像、红外图像的不同尺度特征，实现两种图像的目标特征信息优势互补，提高了低光照条件下目标检测性能。在M3FD、 LLVIP和FLIR-aligned数据集上对所提算法进行验证，实验结果表明，较基线算法分别检测可见光图像和红外图像，该算法在M3FD数据集上，mAP@0.5精度分别提升了 10.2% 和12.4%，mAP@0.5：0.95精度分别提升了7.1% 和6%；在LLVIP数据集上，mAP@0.5精度分别提升了4.8% 和 0.3%，mAP@0.5：0.95精度分别提升了12.8% 和 1.8%；在FLIR-aligned数据集上，mAP@0.5精度分别提升了11.3%和3.5%，mAP@0.5：0.95精度分别提升了8.2%和2%。此外，该算法对比其他两种基于Transformer的图像融合目标检测算法，总体检测性能更高，证明了所提算法的先进性和有效性。

关键词： 人工智能   云视频会议系统   语音处理   图像处理   自然语言处理   多模态融合  

摘要： 铁路云视频会议系统在铁路日常生产和运营中发挥着重要作用。通过对当前铁路云视频会议系统进行调研分析，发现系统存在功能单一、智能化程度低等问题。结合系统使用需求，提出了一种现实可行的技术方案，在既有铁路云视频会议系统的内部服务网络和外部服务网络分别增设业务应用服务器、存储服务器和计算服务器，在终端接入区增设全景会议相机和麦克风阵列等设备。将基于人工智能的语音处理、图像处理、自然语言处理和多模态融合等技术应用于铁路视频会议，实现实时翻译与字幕显示、发言者方位识别、自动纪要生成与分类归档等智能化功能应用。从国产自主可控和系统安全角度对系统主要设备配置提出了选型建议。本方案部署后可大幅提升会议效率和系统服务质量，为铁路云视频会议系统未来升级和高质量发展提供技术支撑。

关键词： 弱光照条件   水下图像   图像处理   深度学习   传统方法  

摘要： 由于复杂水下光学环境影响，水下机器人所获图像普遍存在弱光照引发的对比度衰减、细节模糊及色彩失真等退化现象，严重制约海洋环境的分析。为了深入分析国内外学者对弱光照条件下水下图像处理的研究进展，对近年来相关文献进行分析总结。分析了水下弱光照条件成因并提出所需处理的主要问题，并根据各类算法的原理特点将水下图像处理方法进行分类；其次，从弱光照条件下水下图像的主要问题切入，详细分析和归纳各类算法的主要特征与不足；然后，通过设计实验在弱光条件下将传统算法和基于深度学习的水下图像处理方法进行对比分析；最后，总结了一些弱光照条件下水下图像处理领域尚未解决的问题，并对未来研究发展进行展望。

关键词： 目标检测   模型量化   深度学习   YOLO  

摘要： 深度学习方法已成为目标检测的主流，YOLO作为最具代表性的目标检测模型之一，已广泛应用在视频监控、自动驾驶、安全监控等领域。然而，深度学习目标检测模型的参数量大，存储和推理时所需资源多，现有各类YOLO模型还无法满足在典型飞行平台边缘端（如国产DSP架构的FT6678）的部署要求。针对上述问题，本研究以YOLO模型为基础，基于C语言开发的Darknet框架，提出一种基于模型网络参数分布的训练后量化方法(Distribution of network parameters based Post-Training Quantization, DNP-PTQ)。与传统PTQ方法不同，DNP-PTQ针对网络中不同层及激活函数的数据分布，设计了差异化的模型参数量化策略。针对卷积层，采用按通道量化(Per channel)方法消除各通道数据分布差异带来的量化参数误差；针对Concat层，采用重量化法保持原始数据分布从而提高量化后的目标检测精度；对于数据离散程度大或者分布不均匀等情况，采用箱线图截断的方式剔除参数异常值后对模型参数进行量化。本文方法在COCO目标检测数据集上进行了测试，DNP-PTQ方法可将YOLO模型压缩近4倍，同时目标检测精度基本保持不变(72.07%vs 72.05%)。DNP-PTQ是一种通用的量化方法，可以拓展至其他目标检测模型框架（如Faster-RCNN）。

关键词： 目标检测   钢材缺陷   成像系统   深度学习   YOLO   轻量级网络  

摘要： 目前钢材表面缺陷检测模型存在对复杂背景、微小缺陷检测精度有限，部署困难等问题，同时在不同光照条件下，模型鲁棒性较差。为取得精度与轻量化间的平衡，提出一种基于深度学习的算法，命名为DFE-YOLO。首先为提升模型对微小目标的检测能力，研究设计一个全新的动态特征提取模块，该模块通过动态调整各卷积权重，增强特征提取与融合能力，从而显著提高对各尺寸缺陷的检测精度。此外，设计了一种新的小波自适应下采样，减少层间空间信息损失的同时抵抗复杂背景噪声对模型的干扰，生成更丰富的特征表示，增强系统的可靠性。最后，为进一步优化工业部署，本文研究设计了高效轻量级检测头，过滤冗杂信息，提取关键特征，在不损失计算精度的前提下大幅降低计算成本，实现模型的轻量化应用。在NEU-DET和GC10-DET两个公开数据集中该模型的mAP最终分别达到了79.7%和69.6%，并且相较原始模型YOLOv8n的参数量和计算量减少了18.8%和60.9%。在配备有可调光源的成像系统中进行测试，验证DFE-YOLO算法在不同光照条件下的鲁棒性，发现在适当的光照强度下模型展现出更优的检测性能。与其他主流的缺陷检测算法相比，DFE-YOLO以极小的复杂性提升了模型的检测精度，使该算法在钢材表面缺陷检测中具有良好的综合性能。