关键词： 雷达目标检测   海上目标   自适应恒虚警   特征检测   信息几何   深度学习  

摘要： 本文系统综述了雷达海上目标检测技术的研究进展，重点围绕“信杂噪比改善”与“检测统计量形成”两个关键环节的联合处理与级联处理展开讨论。在联合处理方面，围绕不同的目标模型、杂波模型、检验准则以及不同的参数估计和训练样本筛选方法这几个方面的各种组合，讨论了能量域自适应恒虚警检测技术，并从工程应用的角度指出，该方向还可以从复杂情况下的检测统计量构造、训练样本量不足情况下的杂波协方差矩阵估计以及提高数据的信息利用率三个方面进行深入研究。在级联处理方面，重点讨论了雷达目标特征检测技术，提出了研究雷达目标特征检测方法的总体思路，详细阐述了其所包含的“特征提取、特征分析、特征再表达、特征选择与检测统计量形成、求解检测门限或判决空间”五个步骤。同时，对基于信息几何的检测统计量形成问题进行了描述，并列举了几种主要的基于信息几何的矩阵恒虚警（Constant False Alarm Rate, CFAR）检测器。最后，从模型驱动与数据驱动相结合的角度出发，提出了“观测条件的智能辨识+基于模型的海上目标检测算法选择”、“智能处理替换传统雷达信号处理环节”、“端到端的智能一体化处理”三个基于深度学习的雷达目标检测处理框架。文中还针对雷达海上目标检测技术面临的瓶颈问题，给出了一些建议、解决方案和实践结果。

关键词： 深度学习   卷积神经网络   超材料   拓扑优化   图像处理  

摘要： 基于卷积神经网络模型，建立了超材料微带天线拓扑结构布置图-增益性能数据库，实现了超材料微带天线拓扑结构性能预测。针对数据库预测精度不足的问题，改进卷积神经网络结构模型，引入了深度卷积方法和反向残差结构等。改进后的数据库性能比较优良，损失函数下降至0.008，且在验证集上达到了99%的预测准确率，验证了基于深度卷积神经网络的超材料微带天线拓扑结构性能预测的有效性。

关键词： 杂粮粮色选机   大豆物料   图像处理技术   色选选净率  

摘要： 在全球粮食加工行业持续精细化、智能化发展的过程中，大豆作为重要的农产品，其品质把控直接关系到下游豆制品、油脂等产业发展质量与市场竞争力。本文对杂粮色选机图像处理技术在大豆物料的处理中应用进行了深入的研究。首先介绍了杂粮色选机的工作原理和在大豆分选中的重要作用。其次分析目前图像处理技术在大豆物料色选中的运用现状与挑战。最后介绍了图像采集硬件优化，图像算法改进，智能识别技术融合等方面对图像处理技术的提升策略，并结合实际案例分析了图像处理技术在大豆选净率，生产率等方面的显著应用效果，以期为杂粮色选机在大豆产业的进一步发展提供理论支持与实践参考。

关键词： 条码定位   YOLO   目标检测   ShuffleNetV2网络  

摘要： 针对自动化生产中条码定位算法的精度低，鲁棒性差的问题，提出了一种基于轻量化YOLO网络的条码定位算法。算法首先采用ShuffleNetV2网络构建主干特征提取网络，使用分布偏移卷积(DSConv)构建网络特征金字塔(FPN),实现模型的轻量化的同时，提升了模型运行速度；然后增加SE通道注意力机制，以提升条码种类的识别能力；最后为提升收敛速度和提高回归精度，采用增强交并比(EIoU)作为边界框损失函数。消融实验、模型对比实验和可视化验证表明，算法平均检测精度为0.956,模型大小为1.39 MB。同时相较于其他算法具有更好的平台适用性，推理一张640×640分辨率图片，CPU耗时41 ms, GPU耗时仅7 ms,满足算法在不同硬件配置下的部署要求。

关键词： 水稻叶片   病害检测   深度学习   图像分割   目标检测  

摘要： 在农业生产中需要尽早准确地检测和识别水稻叶片病害。为减小水稻叶片病害识别中背景噪声的影响并提高病害检测的准确度，提出一种基于DeepLabv3—Faster R—CNN网络的水稻叶片病害检测方法。待检测的水稻叶片图像首先经过DeepLabv3网络进行图像分割，获得背景和叶片分割的初步结果，再把经过背景分割的叶片图像中叶片部分还原进行检测，从而规避背景部分噪声对检测结果的影响。检测部分主要由FasterR—CNN网络实现，结合特征金字塔和CBAM方法，提高模型对多尺度水稻叶片病害目标的检测能力。通过公开数据集训练模型，得到该方法对白叶枯病、稻瘟病、褐斑病和黄矮病的平均检测准确率达到98.1%。

关键词： 行人跟踪   YOLOv8   DeepSORT   多目标跟踪   关联匹配  

摘要： 针对复杂多变的交通环境中行人追踪常遇到的局部遮挡与ID频繁变换等问题，提出一种融合YOLOv8(You Only Look Once-v8)和改进后的深度关联度量（Simple Online and Realtime Tracking with a Deep Association Metric,DeepSORT）的多目标行人追踪方法。首先，为增强在密集交通场景下捕捉目标行人特征信息的能力，在检测阶段选用YOLOv8算法，该算法具有高效的小尺度特征处理能力，确保了检测的精确与快速。其次，针对行人追踪的实时需求，在DeepSORT的基础上引入OSNet(Omni-Scale Network)作为特征提取网络。OSNet通过多尺度动态融合策略，为后续追踪提供了更加丰富精准的信息基础。然后，针对传统卡尔曼滤波在非线性运动轨迹预测中的局限性，设计了一种创新的自适应遗忘卡尔曼滤波算法（Filter Smoothing Kalman Algorithm,FSA），该算法能够灵活调整滤波参数，有效应对复杂交通场景下行人运动的不确定性，显著提升预测精度。此外，为提升追踪过程中的数据匹配稳定性与准确性，将DeepSORT原有的交并比（Intersection over Union,IOU）关联匹配机制替换为改进的交并比（Complete-Intersection over Union,CIOU）算法。CIOU不仅考虑了目标间的重叠程度，还融入了形状和大小等几何信息，有效降低了漏检率与误检率。最后，为进一步削弱多重噪声对追踪性能的影响，引入具有较强泛化能力的轨迹特征提取器（Trajectory Feature Extractor,GFModel）。该模型通过平均池化技术，将局部细节与全局上下文信息有机融合，实现对目标行人轨迹的精准追踪与预测。实验结果显示，该方法在实现高达77.9%的追踪精度的同时，保持了55.8帧/s (Frame Per Second,FPS)的处理速度，充分满足了实际复杂交通环境下的高效与精准追踪需求。

关键词： Object recognition  

摘要： Integrating image and depth information for RGB-D salient object detection has become a research hotspot in the field of saliency detection. Balancing the efficiency and performance of salient object detection models under resource constraints is a key challenge. To address this, this paper proposes an asymmetric lightweight network suitable for real-time RGB-D salient object detection tasks. The network reduces the number of network parameters by designing different lightweight feature extraction networks for different input modalities. Additionally, a multi-modal feature enhancement fusion module is designed to effectively fuse multi-modal features while compensating for the information loss caused by the lightweight backbone network. Moreover, this paper utilizes a global context module for dense decoding, aggregating local and global information of multi-scale features without significantly increasing computational complexity. The experimental results on five benchmarks show that the proposed lightweight RGB-D salient object detection network not only outperforms most mainstream models quantitatively and qualitatively, but also significantly outperforms other models in terms of efficiency, only with a parameter count of 5.1 million and a computational load of 0.77 gigaflops. This achievement validates the proposed method’s ability to achieve lightweight salient object detection while maintaining high efficiency. © Shanghai Jiao Tong University 2024.

关键词： 电力工程量   目标检测   点云数据   识别精确度  

摘要： 针对传统电力工程量测算困难的问题，文中以深度学习为基础，研究了图像结合点云数据的目标检测算法。该算法基于端到端Frustum PointNet实现三维目标检测，基于YOLOv5获取二维检测结果，通过视锥模块将二维区域映射至三维点云，结合通道与空间注意力机制实现精准目标检测。以ModelNet40、KITTI和自制数据集为训练与验证的对象，并针对电线杆目标类别进行了深入检测对比。检测结果表明，所提算法在保持与电力工程量测算相关目标检测稳定性的同时，提高了精确度。消融实验的测试结果说明，结合视锥和注意力机制的综合算法相比原始算法的精确度提升了约2.32%，且其综合性能也有所提升。

关键词： 计算机视频图像处理   颈椎三维运动测量   康复医学  

摘要： 近年来，计算机视频图像处理技术快速发展，为医学领域精准检测与诊断提供了有力的技术支撑。研究运用颈椎三维运动测量及可视化系统精准检测颈椎三维运动，不仅能为临床医生提供更准确直观的颈椎运动信息，还能为相关康复设备研发提供理论依据，推动康复医学与影像技术深度融合。

关键词： 信息处理技术   水下目标识别   成像声呐   图像处理  

摘要： 阐述了侧扫声呐、合成孔径声呐和前视声呐在图像分类、检测以及分割任务中的目标识别算法及其解决的主要问题。通过结合不同声呐的成像特点与应用场景，分析总结上述成像声呐对应图像处理任务下的目标识别算法的优劣及仍需解决的关键问题，并展望其未来发展方向。