关键词： 图像处理   缺陷检测   SURF特征   图像配准   缺陷密度  

摘要： 针对深度学习算法无法兼容设备检测及新样本收集、检测时效性及泛化能力差的瓶颈，提出了一种基于SURF特征改进的传统模板匹配检测算法。首先，使用SURF算法对图像进行特征提取，采用乘积量化理论构建搜索树，结合特征点空间位置信息快速筛选匹配点；其次，根据匹配点获取单应性矩阵和仿射变换矩阵，通过两矩阵结合筛选“内点”进行偏移量计算并执行图像配准；最后，结合局部缺陷密度度量法思想，综合区域前景及区域背景加权方式计算缺陷密度，通过缺陷密度判定标签是否合格，同时针对小字符特征少又含有局部偏移的场景，使用改进方法避免误判。结果表明，算法提升特征点匹配稳定性及检测精度，且在自建数据集上的准确率、召回率及F分数分别为98.67%、97.69% 及98.18%，均优于主流方法，在设备上实际应用满足实时性要求。该算法能有效提升特征点稳定性和检测精度，满足设备检测时效性要求，为其实际应用提供了技术参考。

关键词： 模型   计算机视觉   目标检测   体质量估测   注意力机制   跨模态层级特征融合   双流网络  

摘要： 为解决群养场景下肉牛个体质量称量复杂、精度低的问题，该研究提出了基于注意力机制的跨模态层级特征融合模型CMHFF-ResNet(cross-modal hierarchical feature fusion resnet)。首先，无接触式地采集俯视视角下日常活动的肉牛的RGB(red-green-blue)图像与深度图像，使用引入定向边界框OBB(oriented bounding box)的YOLOv8网络对肉牛进行旋转目标检测和识别，精准定位群养场景中的个体目标；其次，以ResNet50为骨干网络构建双流估重模型，分别提取RGB和深度模态特征，并引入CBAM(convolutional block attention module)注意力机制以增强关键特征表达能力。设计跨模态的层级特征融合，有效结合RGB流和深度流的特征并充分利用浅层特征；第三，引入肉牛的身份信息便于网络学习肉牛身份与其体质量之间的对应关系，为优化模型效率，将全连接层替换为KAN(kolmogorov-arnold networks)，显著减少参数量；最后，将双流的输出结果融合，回归肉牛体质量值。在试验中，构建了包含2 546对RGB-D图像的数据集，包括2 373对训练数据和173对验证数据。结果表明，CMHFF-ResNet在验证集上的平均绝对误差为14.19 kg。与基于RGB和深度的单流模型相比，双流模型在平均绝对误差上分别降低16.943%和26.133%。同时，该方法优于其他现有肉牛体质量估测方法：多元线性回归、改进MobileNetv2模型、改进DenseNet201模型和改进跨模态特征融合模型CFF-ResNet，在平均绝对误差上分别减少57.233%、34.699%、24.761%和20.991%，提升了群养环境下肉牛个体质量估测的精度与泛化性，能够有效地学习跨模态的层级特征表示。该研究为大规模群养环境中肉牛个体质量的高精度估测提供了参考。

关键词： YOLO11   课堂行为检测   目标检测   智慧教育  

摘要： 针对YOLO11在课堂行为检测中存在复杂细节丢失、多尺度感知能力不足、计算效率低以及检测精度低的问题，提出了一种改进的ATDW-YOLO算法。首先，在颈部网络中构建了自适应极化特征融合模块，提升特征语义融合能力，更好地捕捉复杂细节。其次，设计了任务动态对齐检测头模块，提高模型在多尺度目标上的识别能力。然后，在主干网络中引入动态分组卷积混洗转换模块，增强特征表示能力，实现网络轻量化。最后，采用Wise-IoU函数替代CIoU损失函数，改善边界框的拟合能力，提高检测精度。实验结果表明，与YOLO11n模型相比，ATDW-YOLO的mAP0.5和mAP0.5:0.95分别提高了3.1%和4.0%，而模型参数量、计算量和模型大小分别降低了23.1%、9.5%和23.6%，显著提升了检测精度，实现网络轻量化。

关键词： 深度学习   目标检测   yolov7   地下矿山   井下无人驾驶  

摘要： 在地下矿无人驾驶电机车运行过程中，经常会出现人员、矿石、设备等潜在碰撞体，给生产运输带来很大的安全隐患。为避免这类隐患，参考类似案例选择YOLOv7算法对机车运行中的潜在碰撞体进行识别，识别结果表明YOLOv7算法在井下环境中的检测区域划分和碰撞体特征提取方面存在问题，容易出现漏检和误检。为此，在原YOLOv7算法的基础上加以改进，添加了SimAM注意力机制来帮助算法模型进行检测区域划分，并用EIoU损失函数改进原有的CIoU损失函数来增强模型的特征提取能力。试验结果表明：改进后的YOLOv7算法mAP值达到了98.41%，较原算法提高了4.62%，检测速度也提升了8FPS，对各类碰撞体的精确率和召回率提升明显，能够满足井下无人驾驶机车运行中的潜在碰撞体检测，可以为实现井下机车无人驾驶提供技术支撑。

关键词： 有孔虫化石   深度学习   目标检测   FocalNet网络   YOLO模型   Transformer架构  

摘要： 有孔虫化石的属级鉴定在地层划分与对比、古环境和古气候重建等方面具有重要应用；其传统分类依赖工作人员经验，成本高、周期长、工作量大。为此本文提出了一种基于深度学习的有孔虫目标检测方法：焦点调制主干网络FocalNet-YOLO。该方法以YOLOv5网络为基础，结合焦点网络(FocalNet)的焦点调制思想，使用焦点调制(Focal Modulation)作为转换器(transformer)网络内部令牌(token)，优化YOLO网络结构，提高了目标检测精确度与召回率等评价指标。实验结果表明：该算法可以检测出21个有孔虫属且全类平均准确率达到99.6%，召回率达到99.8%，模型大小减小22.2%，一帧推理时间为28.1毫秒；该方法有助于有孔虫化石迅速确定属名，有助于迅速检测样本地质年代，具有潜在的应用价值。

关键词： 轻量化   目标检测   算法   杂草识别   可变形卷积   特征融合  

摘要： 为提高自然环境下草坪异质杂草的检测效率和准确性，提出一种基于YOLOv8n模型的轻量化检测算法YOLOv8-LDB。首先，在主干网络中，使用可变形卷积DCNv2(deformable ConvNets v2)结合c2f卷积层，增强模型特征提取能力，提高模型的精确度和鲁棒性。其次，在颈部网络引入加权双向特征金字塔网络（bidirectional feature pyramid network,BiFPN），提升不同尺度的特征融合能力与泛化能力。最后使用Inner-IoU(Inner intersection over union)损失函数，优化预测框的损失计算，进一步提升模型的稳定性。试验结果表明，YOLOv8-LDB模型平均精度均值较原始模型提升了3.2个百分点，在保持总体精度提升的同时，模型的参数量、浮点运算量和模型大小分别降低了32.7%、13.6%、31.8%，检测速度由80.4帧/s提高到87.1帧/s，提高了模型的推理效率。该研究结果可为自然环境下草坪异质杂草的实时检测提供更强的支持。

关键词： 泊松多伯努利混合滤波器   扩展目标   量测产生点   变分贝叶斯   量测噪声协方差   高斯逆伽马分布   后验概率密度   聚类  

摘要： 针对扩展目标泊松多伯努利（ET-PMBM）滤波器在量测噪声协方差未知场景下跟踪性能显著下降的问题，本文提出一种改进的扩展目标跟踪算法并给出了其实现方法。该算法基于变分贝叶斯(VB)框架构建泊松多伯努利混合滤波器模型，认为扩展目标的量测由目标表面的量测产生点所产生，联合估计量测产生点和量测噪声协方差的后验概率密度，使用变分贝叶斯技术将联合后验概率密度近似为高斯逆伽马分布，滤波迭代过程中通过实时量测动态更新高斯逆伽马分布参数，实现量测产生点状态与噪声协方差的同步估算，基于聚类分析的量测产生点分组策略，实现扩展目标状态的有效提取。实验结果显示，在未知量测噪声协方差场景下，本文所提ET-VB-PMBM算法可有效地估计多扩展目标的状态，跟踪精度及鲁棒性优于ET-PMBM算法。

关键词： 分布式MIMO雷达   双层非均匀   目标检测   子空间干扰   恒虚警特性  

摘要： 针对分布式多输入多输出(MIMO)雷达在子空间干扰和非均匀杂波中检测目标场景，该文提出了一种面向分布式MIMO雷达双层非均匀多秩目标检测方法。首先，利用目标信号和干扰位于两个相互线性独立且秩大于1的子空间，两个子空间对应的子空间矩阵和相应距离单元的坐标向量都是未知的，建立了多秩目标模型及子空间干扰模型；然后，设计分布式MIMO雷达系统的双层非均匀结构，每个发射-接收对的干扰是非均匀的，即每个发射-接收对具备不同的统计量。此外，每一个发射接收对中的杂波是非均匀的。在此基础上，通过采取Rao与Wald检验准则，构建待解参数估计策略，并通过功率中值归一化协方差估计，设计了面向分布式MIMO雷达子空间干扰背景下双层非均匀多秩目标Rao检测器和Wald检测器。最后，通过理论推导证明了所提检测方法相对于杂波协方差矩阵结构具有恒虚警特性。仿真实验结果表明，所提检测方法能够保证对杂波协方差矩阵结构具有恒虚警特性，此外，相较于现有分布式MIMO雷达检测方法，所提检测方法有效改善了目标检测性能和干扰抑制性能。

关键词： 可见光图像   红外图像   自适应多模态特征融合   目标检测   RFC-YOLOv8  

摘要： 为解决在夜间、大雾和遮挡等复杂环境下多目标检测精度显著降低的问题，提出了一种基于可见光-红外图像特征融合的目标检测算法——RFC-YOLOv8。该算法借鉴了YOLOv8的特征提取网络，采用并行结构，分别对可见光图像和红外图像进行多尺度特征提取。通过残差融合模块RFN自适应地融合可见光和红外图像特征。在Neck部分，融合了CBAM注意力模块，进一步加强了不同尺度融合特征的上下文联系。此外，添加了一个小目标检测头用以提升对小目标的检测能力。实验结果表明，RFC-YOLOv8算法在M3FD数据集上的平均精度均值（mAP）高达87.7%，在FLIR数据集上的平均精度均值（mAP）高达85.6%。相比于现有最先进的可见光-红外特征融合目标检测算法，精度分别提升了4.8%-6.1%和1.9%-6.4%。该算法显著提高了红外和可见光融合图像的检测性能。

关键词： 机器视觉   图像处理   视觉导航   农业机器人   导航线提取  

摘要： 大田作物因种植密度不均、缺苗或株行间错位等问题，整体呈现出碎散分布状态，导致农业机器人在作业过程中无法准确生成导航路径。为此，该研究提出纵向搜索模型结合贯通域匹配实时导航线提取方法。该方法首先将农业机器人采集的图像标准化至统一分辨率，并在YCrCb颜色空间增强绿色分量，通过最大类间方差法实现作物与背景分割；随后应用形态学处理去噪，利用纵向填充模型沿作物轮廓搜索，将同一作物行中分散区域连接为连通域，接着设定上下边界，筛选符合条件的连通域定义为贯通域，并逐层提取导航点与贯通域匹配，最终拟合出导航线。试验表明，本文方法在多种作物分布形态下提取的导航线平均精度为93.35%，处理960×540像素RGB图像的单帧耗时约95 ms，满足实时检测要求。该算法在作物分布复杂的非理想环境下具有鲁棒性与实时性，可为农业机器人提供有效的视觉导航支持，确保作业安全。