关键词： 热贡艺术   智能生成技术   服饰色彩设计   机器学习   计算机视觉  

摘要： 文章基于非物质文化遗产热贡艺术的色彩与图案特征，通过机器学习与计算机视觉技术，探究智能生成技术在服饰色彩设计中的创新应用路径。研究采用生成对抗网络（GAN）和变分自编码器（VAE）构建智能模型，提取热贡艺术的色彩、纹样元素，并生成融合传统与现代的服饰设计方案。结果表明，该技术显著提升了色彩搭配效率与设计创新性，成功将热贡艺术的红色、金色等核心色彩应用于现代服饰，实现文化符号的数字化传承。研究认为，智能生成技术为传统艺术与现代设计的深度融合提供了技术支撑，并为非遗文化的创新性转化开辟了新路径。

关键词： 小行星探测   图像处理   人工智能(AI)   地物识别   形貌感知   物理特性分析  

摘要： 小行星是太阳系中重要的天体，保留了早期形成和演化的历史信息，可能提供地球生命与水起源的线索。自20世纪90年代以来，针对小行星的科学探测和在轨处置活动逐渐增多，成为深空探测领域的热点。在小行星抵近探测任务中，探测器在不同距离拍摄的图像数据是研究小行星表面特征和物理特性的主要来源。然而，小行星表面复杂的地貌结构、动态变化的光照条件以及探测器与目标之间不断变化的姿态，导致获取的图像数据具有高度的独特性和多样性，使传统图像处理技术在适应性上存在不足。引入图像智能技术进行自动化处理与分析，将增强小行星探测任务对深空环境的认知能力，提升科学效益和成功率。本文系统综述小行星抵近探测任务中图像智能处理技术的研究现状与发展趋势，围绕表面地物识别、三维形貌重建和物理特性反演3个关键方向，全面分析现有技术的优势与局限，结合深度学习、多源数据融合等最新技术，讨论其在小行星复杂表面环境中的适应性与应用潜力。本文还对国内外产业界和学术界的成功经验与技术路径进行总结，剖析当前技术在数据标准化、模型泛化性及实际任务应用中的不足。最后，探讨未来研究的发展趋势，为推进小行星探测任务的技术创新提供参考。

关键词： 目标检测   目标分割   施工建材   非圆形截面   实时计数   模型检测精度  

摘要： 建材管控是建筑智能施工建造的重要一环，由于型钢截面形状多样、摆放时相互堆叠遮挡且堆放背景环境复杂等因素，其智能实时计数的研究与应用相对于钢筋、钢管等圆形截面建材仍充满挑战。对此，本文提出了一种基于改进YOLOv7的非圆形截面建材的计数模型。首先拍摄大量工字钢、方钢管和木枋的现场照片，结合数据增强手段获得14 950张图像，共包含1 290 210个端面。进而在现有YOLOv7架构中新增一阶段实例分割模块，与目标检测任务并行操作，再通过改进骨干网络和检测头、加入注意力机制、修改损失函数和训练策略等提升模型检测精度，最后采用轻量级卷积模块减少特征冗余以实现模型轻量化并提升检测时效。试验结果表明，三种经过改进的建材计数模型的检测准确率均达到90%以上，满足使用要求。最后，将上述算法集成到小程序并已成功部署，使用户通过手机拍照即可完成型钢的在线实时计数工作。

关键词： 分布式容积卡尔曼滤波   聚类融合   目标追踪   状态估计   网络攻击  

摘要： 针对无线传感网络在遭受恶意攻击时的目标跟踪问题，提出一种基于信任的分布式容积卡尔曼融合滤波算法，以提升目标跟踪的精确性和鲁棒性．该算法包括测量更新、K-means降维两簇聚类融合和时间更新三个关键步骤．首先，各节点利用局部测量对目标状态估计进行更新，获得当前时刻的局部后验估计；其次，各节点基于局部交互的所有后验估计与融合先验局部估计之间的相异性特征，执行K-means降维两簇聚类，相异性较小的节点估计被划分为可信节点估计，而相异性较大的则视为不可信节点估计；随后，不可信节点估计被剔除，可信节点估计通过自适应权重融合以提高可靠性；最后，各节点利用当前时刻的局部融合估计，预测目标下一时刻的状态估计(即先验估计)．仿真结果表明：本算法当应对虚假数据注入攻击、拒绝服务攻击、随机攻击、重放攻击和混合攻击等恶意网络攻击时，均表现出优越的鲁棒性．

关键词： 精子检测   小目标检测   多目标跟踪   YOLOv8   ByteTrack  

摘要： 精子质量评估在生殖医学中具有重要意义,而精子目标检测与跟踪是实现精子运动分析和数量统计的核心任务。当前,精子检测面临目标尺寸小、分布密集、背景复杂等挑战,这些问题严重影响了检测与跟踪的准确性和效率。同时,现有算法在高密度目标和复杂背景下常存在精度不足和计算资源消耗大的问题,限制了其临床应用。针对上述问题,本文主要进行了以下三个方面的研究与改进: (1)针对精子目标尺寸小和分布密集的问题,本文设计了一种改进的YOLOv8＿STA算法。通过引入SPD＿Conv模块和改进的C2F模块,重新构建了YOLOv8的骨干网络结构。SPD＿Conv模块通过空间到深度的特征转换,增强了细粒度特征提取能力,适用于低对比度、小目标的显微镜图像检测。改进的C2F模块结合Triplet Attention机制,强化了对小目标精子的关注,抑制了背景噪声。新增的高分辨率小目标检测头通过构建104×104的特征图,并与主干网络和颈部网络多次融合,有效保留了浅层信息,提升了对小目标特征的敏感性和表达能力。实验结果显示,YOLOv8＿STA的m AP@0.5达到88.1%,较基线模型提高了4.2个百分点,同时保持了较低的参数量和计算成本,显著优于原始YOLOv8和其他主流检测算法。 (2)针对跟踪任务中的目标检测精度和匹配准确性的问题,本文在Byte Track算法基础上进行了优化。首先,使用改进的YOLOv8＿STA检测器替代原有的YOLOX,提高了检测阶段的精度和鲁棒性,增强了跟踪框与实际目标框的重合度。其次,采用DIo U替代传统的Io U计算方式,改善了重叠较少、目标中心偏移或遮挡情况下的目标匹配能力,提升了整体跟踪性能。实验结果表明,优化后的Byte Track在MOTA、FP、Precision等指标上均优于原算法。FP的大幅下降,表明算法极大地抑制了虚假目标的生成。可视化对比进一步验证了改进算法在复杂场景中的鲁棒性。 (3)为实现精子检测与跟踪的可视化与实时分析,本文开发了一款基于Py Qt5的精子检测可视化软件。该软件集成了改进的YOLOv8＿STA算法与优化后的Byte Track跟踪算法,能够实时展示和分析精子数量、活力、前向运动率、平均速度及运动轨迹等关键指标。软件界面设计包括菜单栏、视频可视化区和结果展示区,支持视频文件导入、精子检测与跟踪、数据展示及指标导出等功能。实时检测功能使得精子的运动轨迹动态显示,并叠加运动速度和方向信息,增强了数据的可视化效果。实际应用测试表明,软件在用户体验和数据处理效率上表现优异,显著提升了临床诊断的效率和准确性。

关键词： 残膜识别   YOLO 11模型   目标检测   模型轻量化  

摘要： 为实现残膜回收机在自然环境中快速、准确地识别棉田地表残膜目标，本文提出了一种基于DCA-YOLO 11轻量化模型的棉田地表残膜识别方法。以4JMLE-210型残膜回收机工作后棉田地表残膜为研究对象，在不同时间段采集地表残膜图像900幅，通过透视变换、图像裁剪、数据清洗、数据增强等预处理，最终得到5 215幅残膜样本图像，按照4∶1划分为训练集和测试集，实现了对棉田地表残膜的数据集构建。通过在YOLO 11模型主干网络中增加深度可分离卷积（DWConv）模块代替通用卷积（Conv）模块，用于减少计算复杂度和参数量；通过在输出检测端末尾加入CBAM卷积块注意力机制模块来提高模型的感知能力，减少边缘与背景干扰；通过用ADown模块替换主干网络中的Conv模块，实现残膜特征图不同层之间的下采样，减少特征图空间维度，保留关键信息来提高残膜目标检测准确性。试验结果表明，在复杂自然环境下，DCA-YOLO 11模型精确率P为81.9%,召回率R为80.9%,平均精度均值mAP（重叠率0.5）为86.7%,参数量为2.20×10～6,处理速度为80 f/s。通过对不同模型进行对比试验，DCA-YOLO 11模型检测精确率比YOLO v10、YOLO v9、YOLO v8分别高2.9、2.3、3.8个百分点，召回率比YOLO v10、YOLO v9、YOLO v8分别高2.0、1.0、1.8个百分点，处理速度比YOLO v9、YOLO v8分别提升12.7%、14.2%,略低于YOLO v10。DCA-YOLO 11模型在保证精度的同时，模型最小，参数量最少，证明其轻量化与优越性。模型通过泛化性试验，其在验证数据集上的检测结果，R2为0.72,平均绝对误差和均方根误差分别为4.92个和2.72个，提出的DCA-YOLO 11轻量化模型泛化性较好。该研究可为残膜回收机械在复杂环境下精准、高效捡拾残膜以及残膜回收机回收率车载视觉估测提供理论依据与数据基础。

关键词： 机载激光雷达   图像处理   水下探测   障碍物检测  

摘要： 无人机机载激光雷达是水下障碍物探测的重要手段，尤其在浅水区航迹规划与导航中应用广泛。传统三维点云建模能准确呈现水体及障碍物的空间关系，但精度受水体参数影响，且解算耗时较长。提出一套机载激光雷达海洋探测数据的处理流程，对数据中存在的水体散射现象和随机反射强的情况进行波形预处理，将预处理后的波形拼接为图像，针对图像提出基于多尺度差分高斯增强与对比度判定的障碍物检测方法，该方法旨在克服现有技术在图像模糊、障碍物分辨率低以及背景干扰等情况下的不足。结果表明：所提方法在已有实验数据中整体的准确率达到94.55%,F1-Score达到94.97%。该处理流程能够有效提高水下障碍物的识别精度，为水下探测、航迹规划以及海洋资源开发提供重要的技术支持。

关键词： 图像处理   目标检测   YOLOv8   轻量化   特征增强   Wise-交并比   上下文聚合注意力  

摘要： 为解决常见鱼类识别算法存在实时性差、计算成本高昂等问题，研究一种轻量化嵌入式水下鱼类识别算法。使用GhostConv精简网络。在下采样添加上下文注意力机制，替换CIoU为Wise-IoU损失函数，将改进后的算法与常见识别算法进行对比。在ACID数据集上，实验结果表明，改进后的GCW-YOLOv8模型与原始模型相比，平均精确率达到98.7%、模型的参数量减小了12%,模型大小减小了10%。基本满足水下嵌入式识别算法的轻量化、精度高等要求。

关键词： 计算机图形图像处置   计算机   虚拟现实   三维  

摘要： 本文首先概述了计算机图形图像处理技术，然后详细阐述了其关键技术与应用，并结合这些分析了其在不同领域的应用效果。最后，以《上古卷轴5：天际》为例，具体分析了三维重建技术，以期为相关提供参考。

关键词： 波形板钢连梁   计算机视觉   损伤量化和评估   地震损伤  

摘要： 地震灾害后，对结构耗能元件的损伤状态进行快速检测是灾情评估与灾后重建的重要环节。以波形板钢连梁的变形特征作为表征损伤状态的视觉载体，以损伤指标作为定量评价连梁损伤状态的依据，提出一种结合计算机视觉技术与损伤量化评估模型的波形板钢连梁震后损伤量化与评估方法。基于现有试验数据建立并验证精细化有限元模型，并通过参数化建模和数据增强方法构建充足的图像数据集；基于修正的Park-Ang量化损伤评估模型，建立波形板钢连梁视觉特征与损伤指标的映射关系，为图像数据集提供物理意义可解释的损伤状态分类标签；基于GoogLeNet深度学习网络实现了波形板钢连梁三种损伤程度的高效识别。研究结果表明：该方法用于分辨波形板钢连梁图像对应损伤状态在测试集上的正确率、精确率、召回率及综合评价指标均达到90%以上，同时能够输出所判别损伤状态的概率估值作为参考，进而实现对波形板钢连梁震后损伤的智能化快速检测；该方法可降低基于计算机视觉和深度学习的构件损伤检测研究对大规模图像数据的依赖，提高解决效率。