关键词： 煤矿智能化   目标检测   深度学习   数字孪生   具身智能  

摘要： 随着深度学习理论的研究与发展，基于深度学习的目标检测技术在智能化矿山领域取得了显著进展，目标检测已成为人工智能技术在煤矿应用场景的典型范式和研究热点。然而深度学习目标检测对标注数据集依赖性强，存在模型可解释性差、计算复杂等问题，如何提高矿井目标检测精度、模型自适应性和计算效率，是矿山人工智能领域亟待解决的研究课题。对煤矿井下智能目标检测技术及其研究进展进行综述。首先，简要概述了目标检测技术，介绍了基于深度学习的目标检测技术演进过程和算法分类，并分析比较了基于CNN和Transformer的目标检测网络。然后，重点研究了矿井智能目标检测的数据增强、超分辨率重建、特征提取等关键技术，并围绕煤矿“人-机-环”应用需求，详细阐述了基于深度学习的目标检测在井下人员安全监测、矿井设备智能检测、工况环境感知等方面的研究进展。最后，指出了煤矿应用场景下智能目标检测技术在数据集构建、模型优化、多源异构数据融合等方面仍存在挑战，讨论了煤矿智能目标检测技术的发展趋势。并提出未来应致力于将目标检测技术与小样本学习和多模态融合、模型轻量化和边缘计算、数字孪生和具身智能等新兴技术相结合，以此促进智能检测技术与煤矿安全生产的深度融合与应用，为矿井智能目标检测技术体系构建提供理论参考。

关键词： 空间小目标   目标检测   异面交会   可见光图像   态势感知  

摘要： 空间交会任务执行成功与否的关键在于目标检测的准确性。针对远距离异面交会过程中空间目标与恒星成像相似、特征少、成像轨迹随机、星点像移缓慢等特点，提出了一种基于星点关联和轨迹匹配的空间目标检测算法。首先对多帧星图图像进行预处理，包括噪声处理、阈值分割、质心定位、以及图像配准，然后，基于所提出的关联度函数与关联法则进行多帧星点关联，滤除游离噪点的同时提取出星点帧间运动的轨迹，最后以目标尺寸、速度、方向三个指标进行轨迹匹配，检测出空间目标。经仿真验证算法满足异面交会过程中的检测要求，在存在一定程度帧间失配情况下，空间目标检测率可达99.8%，虚警率为0.04%，可以适应复杂空间环境下的目标检测需求。

关键词： 机器视觉   自动点胶   视觉检测   图像处理  

摘要： 阐述基于机器视觉的自动点胶检测系统设计，该系统采用高精度工业相机配合同轴光源，建立点胶轨迹识别算法与胶点质量评估模型。实验验证表明，系统在点胶位置精度等方面均取得显著提升。

关键词： 动态环境   视觉SLAM   目标检测   特征剔除   稠密建图  

摘要： 针对同步定位与建图（Simultaneous Localization and Mapping,SLAM）算法在动态场景中存在的定位精度低且无法生成有效地图的问题，提出一种基于动态特征剔除与稠密建图的视觉SLAM算法。在ORB-SLAM3算法基础上新增特征点筛选线程，使用轻量化的YOLOV8网络检测环境中的动态物体，并结合光流法和对极几何约束剔除环境中的动态特征点。在新加入的稠密建图线程中利用生成的关键帧及计算出的位姿构建稠密点云地图。在公开的TUM数据集进行验证，相比于原ORB-SLAM3，各项定位误差下降达90%，同时在稠密建图结果中去除了动态物体所造成的重影。新算法通过加入的特征点筛选线程和稠密建图线程，有效地解决了视觉SLAM算法在动态环境中无法正常定位和建立有效地图的问题，极大增强了SLAM系统在动态场景中的精准度和鲁棒性。

关键词： 无人机   改进YOLO算法   目标跟踪  

摘要： 无人机对目标的精准识别和高效跟踪是一个具有挑战性的问题。现有的目标跟踪算法大多存在跟踪精度不高、抗干扰能力差等问题，难以满足实际应用需求。为了提高无人机的目标追踪能力，文章提出改进YOLO算法的无人机目标跟踪方案，在基于YOLO算法构建特征网络的基础上，采用Kalman跟踪算法对目标的运动轨迹进行预测和跟踪，结合Re ID算法对目标的轨迹信息进行选择和关联，并在数据集UAV＿databases上进行测试。相较于其他传统模型，本研究提出的模型在各项指标上具有优越的性能，准确率为95.69%,F1值为93.04%，目标丢失率为6.79%。

关键词： 苹果   YOLOv8n   目标检测   Slim-neck   高效多尺度注意力机制   损失函数  

摘要： 为快速精准检测自然场景下的苹果外观品质，该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先，使用融合了部分卷积（partial convolution, PConv）与高效多尺度注意力机制（efficient multiscale attention, EMA）的EP-C2f模块替换骨干网络中的C2f模块，提升模型对复杂遮挡情况下苹果目标的特征提取能力。其次，为改善患病苹果表皮病斑区域定位不准的问题，引入基于最小点距离的损失函数（multiple path distance intersection over union, MPDIoU）作为边界回归损失函数来加速预测框与真实框之间的位置拟合，提高模型对病害识别能力。最后，使用Slim-neck架构重建YOLOv8n的特征融合网络，实现颈部网络轻量化，提高模型运行速度。结果表明，与原模型相比，改进后的YOLOv8n模型的准确率、召回率和平均精度均值分别提高了3.4、1.1、1.3个百分点，同时，浮点运算量、参数量和模型大小分别缩减了22.2%、17.7%、15.9%。该模型在提高检测精度的同时实现了一定程度的轻量化，可为苹果智能采摘机器人的研发提供技术支撑。

关键词： 计算机视觉   铁路轨道故障   自动检测系统   卷积神经网络   Lucas-Kanade光流检测算法  

摘要： 文章设计并实现了一种基于计算机视觉的铁路轨道故障自动检测系统，旨在提高轨道维护的效率和准确性。系统主要由硬件设备、图像处理模块、故障检测算法模块和数据分析模块等组成，首先通过高分辨率工业摄像头、激光扫描仪和红外传感器采集轨道表面图像，图像处理模块对采集的图像进行去噪、灰度调整和边缘检测，以提高图像质量；然后，利用卷积神经网络（CNN）进行深度特征提取，并结合Lucas-Kanade光流检测算法分析轨道形变。实验结果表明，该系统在裂纹、变形和磨损等故障检测中的平均准确率为99.2%，具有较高的实用性。

关键词： YOLOv8n   多尺度卷积   特征金字塔   轻量检测头   NWD  

摘要： 针对遥感图像中存在因背景复杂、尺度变化大、小目标密集而导致的目标检测准确率低等问题,提出了一种改进YOLOv8n的检测算法:MGL-YOLO。首先,设计MSConv减少模型参数,基于MSConv重构C2f模块,提高多尺度特征提取能力;其次,基于GLSA和GSConv模块改进Bi FPN结构,简化颈部网络,增强网络的特征处理能;在头部设计Light-head进一步轻量化模型,加强小目标特征提取能力;最后引入NWD损失函数替换原损失函数,增强对小目标的定位精度。在DIOR-R、DOTAv1.0和VEDAI数据集上验证,实验结果表明MGL-YOLO模型在DIOR-R数据集上准确率和m AP@0.5比基准模型提高了1.7%和1.3%,在DOTAv1.0数据集上提高了1.0%和1.1%,在VEDAI数据集上提高了2.4%和2.1%。参数量降低47%,计算量降低32%,与其他小目标检测算法相比也得到了较好的检测性能。

关键词： 动态称重   计算机视觉   轴重   影响线   影响因素  

摘要： 桥梁动态称重系统(BWIM)具有易安装、高精度且不需要中断交通等优点，近年来受到广泛关注。然而该系统往往假定车辆匀速过桥，可能与实际不符，使用的应变传感器精度易受环境影响且耐久性不足。本文将深度学习方法与计算机视觉技术相融合，提出基于位移影响线的非接触式动态称重系统，仅需两台相机即可实现对车辆实时速度、轴距、轴重等信息的识别。一台相机用来记录车辆通过时桥梁的位移响应，另一台相机实现对轮轨位置的实时追踪。针对桥梁位移监测目标固定、振动幅度小、测量精度要求高的特点，采用连通域分割匹配法以识别桥梁位移；鉴于车辆追踪目标运动范围大、对环境敏感、实时性强而精度要求相对较低的特点，将基于深度学习的YOLOv5s算法作为检测器，结合DeepSort算法共同构成目标追踪系统以实现车辆轮迹的实时追踪。为验证该方法，开展了模型试验和现场实测，最后讨论了轴重识别精度的主要影响因素。结果表明：非接触式动态称重系统能较好地应用于非匀速工况并能有效克服目标遮挡问题，具有较好的应用前景。

关键词： 遥感图像   弱监督学习   旋转目标检测   向量表征   特征增强  

摘要： 为应对遥感图像中通用旋转目标检测面临的高复杂度与标注成本问题，提出了一种基于几何表征学习的弱监督旋转目标检测模型。该方法仅用水平框注释训练模型，设计了双分支共享主干和颈部网络结构，其中弱监督分支用于从水平框标注中学习旋转框的位置、纵横比和比例一致性，而自监督分支用于学习旋转一致性；为了改善特征表达和上下文交互，模型引入了浅层特征增强模块，并提出了旋转框的几何向量表征形式以提升旋转一致性学习精度；针对边界框回归，引入了基于顶点坐标的距离损失(FPD Loss),从而缓解尺寸回归对角度精度依赖的敏感性。在公开遥感数据集DOTA和DIOR-R上，该检测模型准确率分别达到了79.33%和58.50%,相较H2RBox算法提升了4.8和1.5个百分点。本文方法在基于水平框标注数据的条件下提升了准确率，降低了计算量和复杂度，为遥感图像旋转目标检测提供了新的解决方案。