关键词： 加速器装置   输配电线路   火灾预警   数据融合   目标检测  

摘要： 输配电线路作为加速器装置电力传输的关键设备，其火灾隐患将严重威胁装置的正常运行和工作人员的人生安全，因此，设计高效、准确的火灾预警系统尤为重要。针对加速器装置输配电线路覆盖区域广，状态参数难以获取的问题，提出了基于Wi-Fi和LoRa的混合无线传感器网络，有效增强了网络覆盖范围，实现了传感器采集数据的实时传输。针对单一火灾预警方法可能存在误报漏报的问题，基于多源传感器数据融合技术和图像目标检测技术，通过两级决策，提高了火灾预警的准确性。通过测试，验证了Wi-Fi和LoRa混合组网的可行性，两级火灾决策相对于单一火灾预警方法具有更高的准确性。该研究有助于提升加速器装置的运行安全，为火灾预警工作提供了有力技术支持。

关键词： 距离徙动   多普勒频率徙动   分数阶傅里叶变换   相参积累   Radon变换  

摘要： 随着科技的不断发展，高速机动微弱目标检测成为当下热点，虽然通过信号积累可以提高回波信噪比，但由于目标的高机动性，会导致回波信号出现距离徙动现象和多普勒频率徙动现象，影响信号有效相参积累。文中提出一种基于时间反转变换-二阶keystone变换-分数阶傅里叶变换和改进Radon变换的联合算法。该算法首先通过时间反转变换消除一阶距离徙动，然后进行SKT校正二阶距离徙动，通过对目标距离单元FRFT来估计加速度，并构建相位补偿函数校正脉冲压缩信号DFM，再进行改进Radon变换估计目标速度并构建速度相位补偿函数，在0.001°的相同步长下，改进Radon算法的变换次数仅相当于传统Radon变换的0.06倍左右，最后进行慢时间维快速傅里叶变换完成相参积累。仿真实验证明，该算法能够消除距离徙动和多普勒频率徙动的影响，无需复杂的参数搜索过程，相比GRFT算法降低了三至四个数量级，且解决了TRT过程中速度丢失的问题，相比文中的对比算法且具有低复杂度的特点，在复杂度与检测性能之间取得了较好的平衡。

关键词： 高分遥感图像   深度学习   特征融合   特征增强   注意力机制  

摘要： 高分遥感图像目标检测是遥感信息智能化处理的研究热点，具有广泛的应用背景和重要的应用价值.相比于自然图像，高分遥感图像目标检测面临目标朝向任意、尺度变化大、背景复杂易受干扰以及排列密集度高等诸多难点.为了进一步提升高分遥感图像目标检测算法的性能，本文从特征融合与特征增强的角度出发，以YOLO11为基准算法提出一种旋转框遥感图像目标检测算法EIMYOLO，并设计了边缘特征增强、多尺度特征增强提取器和多尺度注意力机制动态融合3个即插即用的模块.边缘特征增强模块通过提取目标的边缘特征，提高了算法对旋转目标的方向敏感度以及复杂背景下的特征提取能力.多尺度特征增强提取器和多尺度注意力机制动态融合模块，分别从层内特征增强及层间特征融合角度出发，提高了算法对密集目标和细长目标的检测能力.为了验证本文算法的性能，在公共遥感数据集HRSC2016和DIOR-R上进行了实验.结果表明，所提算法的平均检测准精度分别达到了90.80%和72.40%，优于基准算法和对比算法.

关键词： 古桥   裂缝检测   深度学习   目标检测   语义分割  

摘要： 为提升古桥裂缝检测的精度与效率，解决传统传感器检测方法易导致信息缺失及二次损伤的问题，提出一种基于改进YOLO11与SegFormer的裂缝识别与测量方法。首先，针对YOLO11模型参数量大、推理速度受限的缺陷，提出YOLO-CD（You Only Look Once-Crack Detect）目标检测模型：通过StarNet轻量化主干网络降低计算成本，结合HSANet颈部网络增强裂缝边缘细节保留能力，并设计优化空间上下文（Optimized Spatial Context Detection Head，OSCD）检测头优化多尺度检测效率；其次，提出改进的SegFormer-HF语义分割模型，通过特征融合模块（FFM）与高低频分解块（HLFDB）抑制下采样信息丢失，提升裂缝分割的语义一致性；最后，提出先检测后分割的联合方案，结合骨架线算法实现裂缝长度与宽度的自动化计算。基于研究建立的古桥裂缝数据集进行实验，结果表明：YOLO-CD模型的F1分数、mAP50与mAP50-95分别达67.8%、71.5%与46.4%，浮点运算量（GFLOPs）较YOLO11降低47.6%；SegFormer-HF的F1分数、mIoU与mPA分别达91.50%、90.51%与85.15%，优于现有的主流模型。研究证明，该方法在兼顾检测速度与精度的情况下，模型更小、检测效率更高，可适合部署于摄像头和无人机等移动设备。

关键词： 图像处理   YOLOv7   冻害分级   品种鉴选   油菜幼苗  

摘要： 针对区域环境下油菜幼苗冻害客观分级检测技术体系尚不完善，制约冻害精准评估与防控的问题，该研究提出改进YOLOv7的冻害分级检测模型YOLOv7-DH。该模型通过引入DCNv2可变形卷积增强特征提取能力，采用FocalEIoU损失函数优化边界框回归，并集成轻量级通用上采样算子CARAFE提升特征重构效果。消融试验表明，改进后的模型在油菜冻害数据集上表现优异，精确度P、召回率R、平均精度mAP分别为95.4%、94.5%、95.2%，较原YOLOv7模型提升9.1,9.3,9.4个百分点。对比试验显示，YOLOv7-DH模型平均精度mAP较YOLOv5s、YOLOv7-tiny、Faster R-CNN和SSD分别提高15.3,22.4,29.4，和21.8个百分点。可视化结果证实该模型能有效实现油菜幼苗冻害分级检测，为油菜抗寒品种选育提供了技术支持。

关键词： 协作机器人   机器人抓取   目标检测   柔顺操作   深度学习   阻抗控制   抓取姿态优化   视觉伺服  

摘要： 针对人机共融非结构化环境下协作机器人智能抓取存在目标识别准确率低、抓取框姿态非最优，难以满足动态未知环境下柔顺操作需求的挑战，本文提出基于视觉伺服的协作机器人自适应阻抗控制技术，实现不同刚度与形状物体的柔顺抓取。设计基于残差网络(residual network， ResNet)的改进目标检测算法，通过输入抓取目标的红-绿-蓝-深度 (red-green-blue-depth， RGBD)图生成最优抓取预测框；提出机器人末端夹爪自适应阻抗控制策略，结合模糊控制自适应调节阻抗参数；构建基于视觉伺服的模糊自适应阻抗控制系统，开展不同刚性物体识别与柔顺抓取实验。结果表明，本文所提方法提升了抓取目标识别的泛化性与成功率，提高了操作的柔顺性，相较于现有自适应阻抗控制策略，柔顺指标分别提升了66.3%与45.9%。

关键词： 卷积神经网络   图像增强   目标检测   深度学习   特征融合  

摘要： 针对大多目标检测方法面对各种退化条件下的低分辨率（LR）图像时检测精度明显下降问题，开发了一个面向检测任务的超轻量级预增强网络(HPEN)。为降低复杂降质带来的图像重构挑战，在HPEN中提出一种分阶递进增强策略：第一阶段，设计一个小波复原模块(WRM)来恢复图像关键纹理信息，实现图像复原目的；第二阶段，采用一个分辨率增强模块重构复原图像细节特征，提升图像分辨率。WRM利用离散小波变换对图像进行多频分解，并提出跨层特征融合单元(CLFU)来探索不同频率分量之间相关性，以实现低频结构和高频细节特征的有效整合。通过将HPEN和任意检测器级联，可以得到一种用于LR图像的目标检测方法HPELOD。实验结果表明，相比其他方法，所提方法仅引入较少参数和计算复杂度就能实现更高检测准确度。

关键词： 深度学习   集装箱箱号   字符识别   目标检测   Transformer网络  

摘要： 集装箱作为现代物流中最重要的载体之一，其箱号的自动识别技术对于提高集装箱码头的自动化和信息化程度起着至关重要的作用。然而，现有的研究并不能够满足码头实时、准确地识别集装箱箱号的要求。因此，我们提出了一种轻量化的箱号识别算法。该方法分为两个模块：定位模块与识别模块。在定位模块中，基于YOLO v3算法进行改进，提出了一个新的轻量化定位网络——swift-YOLO；在识别模块中，设计了基于Transformer的字符识别网络对箱号进行识别。实验结果表明，所提方法识别成功率达到了98.3%，且单帧识别时间仅为20ms，显著优于现有的最佳结果。

关键词： 自动驾驶   3D目标检测   Transformer   可变形注意力  

摘要： 针对视觉3D目标检测方法在低能见度环境下性能显著下降的问题，提出一种融合毫米波雷达和相机特征的多模态目标检测方法RCT-BEV。该方法在BEVFormer框架基础上，引入雷达数据作为互补信息源，构建多模态感知系统。首先采用ResNet提取图像特征，利用基于Transformer的注意力机制聚合时间和空间信息；其次采用PointPillars对雷达点云进行体素化处理，并引入SECOND网络处理稀疏点云数据，随后基于Transformer设计雷达时间自注意力和空间交叉注意力机制，将雷达特征聚合到BEV空间；最后通过多模态共享的BEV查询机制实现了动态信息传递和跨模态数据融合。在nuScenes数据集上进行实验验证算法的有效性，相较于基准方法，mAP提升了3.1%，NDS提升了5.9%，推理时间减少了4.8%，在低能见度环境下，目标检测精度和推理效率均显著提升。

关键词： 目标检测   海底垃圾检测   ODConv   可变形注意力   Uiou损失函数  

摘要： 针对复杂海底环境下垃圾目标呈现多尺度形态分布、与海洋生物特征高度相似导致的类间模糊性，以及由此引发的特征提取能力不足、检测精度不高和定位不准确等问题，提出一种基于改进的YOLOv8海底垃圾目标检测算法。首先，将ODConv全维度动态卷积加融合到颈部网络的C2f中，形成新模块C2f＿ODConv，使模型能够实现对卷积核的全方位动态调整，更精细地适应输入数据的特征，从而提高特征提取的效果；其次，在C2f＿ODConv后引入可变形注意力transformer（deformable attention transformer，DAT），有效捕捉图像中的局部细节，提高模型检测精度；最后，使用UIoU Loss取代CIoU Loss并采用线性衰退策略，进一步准确定位目标，提高模型泛化能力。在TrashCan-Instance公开数据集上进行实验，实验结果表明，改进后模型的召回率Recall和平均精度mAP分别为64.4%、70.4%，相比基线YOLOv8提升6.5%、2.2%，进一步满足了海底垃圾实时检测需求。