关键词： 深度学习   番茄黄化曲叶病毒病   目标检测   YOLO v7   病害检测  

摘要： 为解决自然环境下人肉眼鉴定发病番茄植株效率低、主观性强的问题，提出一种基于改进YOLO v7的番茄黄化曲叶病毒病分级检测模型，分别对轻度、中度、重度发病植株进行检测。模型在主干网络中引入了DCN模块，以加强对复杂病变区域的感知能力；同时，Pconv模块替换主干网络中部分普通卷积，以更高效地提取空间特征，降低冗余计算和内存访问；在检测头中引入SimSPPF模块，极大地减少浮点运算量，提高感受野，增强特征提取能力。经测试，改进YOLO v7模型对轻度发病、中度发病、重度发病番茄植株检测的平均精度分别为97.5%、92.1%和93.6%。改进模型平均精度均值为95.0%,较原模型提升0.8个百分点，参数量减少8.2×10～5,浮点运算量减少2.7×1010,模型内存占用量减少15.7 MB,在保证检测精度的同时减小模型体量。与Faster R-CNN、YOLOX、YOLO v5l、YOLO v8m模型相比，平均精度均值分别提高11.2、5.7、1.4、8.7个百分点。试验结果表明，该模型能够实现对番茄黄化曲叶病毒病的分级检测识别，为实现番茄种植智能化提供支持。

关键词： 城市轨道交通   计算机视觉   非监督学习   图像分割   异常检测   隧道病害  

摘要： 在城市轨道交通行业中，由于隧道内壁图像的复杂性及病害样本的稀缺性，传统有监督学习方法在检测病害时面临挑战。针对这一问题，文章提出一种非监督学习框架，用于检测隧道内电缆托架的病害。首先，采用非监督学习方法对隧道图像进行预分割；随后，利用多边形形态特征进行快速的人工筛选，将筛选出的图像作为训练样本；接着，通过蒸馏监督学习方法训练一个图像分割网络；最后，利用非监督异常检测网络，基于正常样本训练，通过分析病害样本与正常样本的特征分布差异识别稀有病害。该研究可提高电缆托架病害检测的准确性，为复杂环境下的城市轨道交通病害检测提供一种有效的技术路径。

关键词： 无人驾驶系统   YOLOv5   智能控制   旋转目标检测   环形平滑标签  

摘要： 阐述为仿真工程车无人化作业，设计一种基于旋转目标检测的工程车模型智能识别与控制系统。该系统由目标检测模块、运动控制模块、通信链路模块三个模块组成。系统通过联合YOLOv5和环形平滑标签（CSL）对工程车的位置以及方向信息进行识别，将信息传输至运动控制模块，利用多线程技术快速计算出每一辆工程车的控制方案，该方案通过通信链路模块转变为控制信号快速准确地传输到对应的工程车模型，实现多工程车的联合控制。最后，通过采用卡车配合装载机进行Y形作业的实验，验证了系统的完整性和可行性。

关键词： 目标检测   乳腺钼靶诊断   多分支结构   注意力机制   自适应样本划分  

摘要： 针对现有乳腺肿块检测算法中存在不规则肿块漏检率高且容易误诊的问题，提出一种基于多分支结构和多层级注意力的肿块检测网络模型．为了解决小肿块特征表达能力差的问题，设计了一种非对称块和空洞卷积构成的多路分支结构，在降低参数量的同时充分提取融合多层次特征；提出一种基于多层级特征图的注意力机制，通过注意力模块在相邻层之间融合深层注意力信息和浅层特征图信息，以获取重要特征及其位置．为解决肿块正负样本失衡的问题，在样本选择过程中引入自适应样本划分算法，根据锚框和肿块的交并比值集合的分布特征，自适应计算划分阈值，确保正样本比例和训练的有效性．在CBIS-DDSM数据集上进行实验，结果表明：该网络模型的平均精度均值达到86.10%，漏检率低至10.19%，实际检测结果优于其他主流算法．

摘要： 图1摄于黑龙江省海林市双峰林场,那里被称为“中国雪乡”,每年10月开始飘雪,直至来年三四月份,近半年时间白雪皑皑,积雪不化,最厚时可达2米,成为雪地旅游与网红打卡的赏雪、拍雪胜地。拍雪,曝光的关键是最亮的高光部位切勿过曝,否则亮部层次缺失,积雪的亮部细节与形体表面质感就会受到影响,尤其夜间灯光下,白色的雪块是非常好的反光体,任何色光都能得到反射,但前提是曝光必须准确,高光部位过曝超过1.5级,影调层次与颜色就无法还原,而阴影部位的亮度和层次哪怕欠曝4级,在后期编辑中是可以获得一定程度的还原。

关键词： 多目标跟踪   识别   羊只   BoT-SORT   数据关联   目标检测  

摘要： 近年来，随着羊只养殖向大规模和精细化的方向发展，羊场对智能化管理的需求日益增加。因此，精准的个体识别和行为监测变得尤为重要，对多目标跟踪(Multiple object tracking, MOT)算法的准确性提出了更高要求。然而，现有的MOT算法在目标遮挡和动态场景下的性能仍不理想。本文提出两种跟踪线索：深度调制交并比(Depth modulated intersection over union, DIoU)和轨迹方向建模(Tracklet direction modeling, TDM),旨在补充交并比(Intersection over union, IoU)线索，提高多目标跟踪的精准度和鲁棒性。DIoU线索通过引入目标的深度信息改进了传统的IoU计算方法。TDM聚焦于目标的运动趋势，预测其未来的移动方向。本文将DIoU和TDM跟踪线索集成到BoT-SORT算法中，形成改进的多目标跟踪算法。在两个私有数据集上，改进算法相比基线方法，MOTA(Multiple object tracking accuracy)指标分别提高1.6、1.7个百分点，IDF1(Identification F1 score)指标分别提高1.9、1.0个百分点。结果显示，改进算法在复杂场景中的跟踪连续性和准确性显著提升。

关键词： 声学成像技术   人脸识别   图像处理   超声波   多模态融合处理方法  

摘要： 重点研究声学成像技术在人脸识别图像处理中的应用。通过超声波构建面部三维轮廓图，结合视觉图像的多模态融合处理方法，提升人脸识别在低光、遮挡等复杂场景中的准确性和适应性。实验结果表明，该方法在识别准确率、误识别率及特征匹配时间方面均优于单模态处理方法，为复杂场景下的人脸识别提供创新性解决方案。

关键词： 运动目标   核函数   SAR   序贯图像  

摘要： SAR图像中高动态运动目标散焦严重，导致传统的动目标检测方法难以实现有效探测。为此，本文利用SAR序贯复数图像特点，提出了基于核函数深度关联的动目标检测方法。首先，分析了高帧频序贯SAR图像获取方式和运动目标频谱特性；其次，借鉴光学图像动目标检测思路，引入了核函数理论，并按照是否有运动目标经过，将SAR图像像元分为两类；再次，将复数图像域动目标检测转换为沿一维时序扰动的检测，理论分析了基于核函数深度关联的运动目标和杂噪分离的机理，联合实部数据和虚部数据目标检测结果，可进一步提高运动目标检测性能，并给出了复数图像域检测流程；最后，开展了低信杂噪比条件下高动态目标检测仿真实验，验证了本文所提方法的有效性。

关键词： 图像处理   时间序列   目标去重   废钢智能定级  

摘要： 基于分层场景识别框架，提出了一种多维度废钢时序去重算法，旨在有效解决背景干扰、实现精确去重并保持帧间一致性。具体而言，该算法引入感兴趣注意力模块以抑制背景干扰，并结合互补的前向与后向关联策略执行细粒度时序去重，以确保每个废钢实例在视频序列中被唯一且准确计数。实验结果表明，相较于所选的基线方法，所提方法在去重细粒度、鲁棒性及准确性方面表现出显著优势，实现了5%的相对误差。本研究为高精度自动化废钢定级提供了关键技术支撑，有望应用于废钢全生命周期的智能化管理，助力废钢回收行业实现数智化转型。

关键词： 图像处理   焊缝定位   三维视觉传感器   机器人焊接   激光传感器手眼标定  

摘要： 随着智能制造技术的持续发展，工业机器人与机器视觉技术的深度融合已成为工业生产中的关键趋势。机器视觉技术在多个制造领域展现出广泛的应用潜力，并取得显著成果。焊接作为工业生产中的核心环节，传统焊接机器人由于缺乏自适应能力，难以满足智能制造对于高效率和高质量的要求。该研究以3D机器视觉技术为基础，开发一种集成于工业机器人的自动焊缝追踪激光系统，该系统融合3D视觉技术、深度学习、光源技术、激光原理及机器人技术。该文的研究重点包括：首先，在硬件配置完备的前提下，建立图像与机器人坐标之间的映射关系；其次，进行视觉系统的标定；接着，制定数据收发协议；然后，探讨图像处理技术；最后，基于神经网络技术实现焊缝轨迹的自动获取。通过在实际应用场景中的测试，验证该系统能够满足自动焊缝跟踪焊接的实际需求。