关键词： 陵园   异常检测   目标识别   无人机   图像处理   YOLOv8  

摘要： 针对人工巡检存在的漏检率大、人工成本高、无法全天候监测等问题，建立陵园异常状态检测系统，提升小目标检测的效率和准确性。系统主要由挂载于无人机的对地监测摄像头和图像处理模块组成，摄像头获取陵园地面图像传送至图像处理模块，对陵园入侵人员、火焰和烟雾等异常状态进行实时检测，并设计双通道通信机制将检测结果短信息和图像分别发送至地面站，解决了传统无人机图像识别抗干扰能力较差的问题。图像处理模块通过图像预处理技术对无人机图像进行边缘增强，叠加原始图像作为YOLOv8 Nano目标检测模型的输入执行目标检测，在无人机有限计算资源的前提下提升小目标检测的效率和准确性。测试结果表明，该系统可实现对陵园异常状态的准确检测。

关键词： 点云   目标检测   交叉注意力   层级融合注意力  

摘要： 室外场景中的点云数据常呈现稀疏性，这使得远处物体和小物体检测困难。针对上述问题，以经典的高效检测器IA-SSD（InstanceAwareSingle-StageDetector）作为基线网络，在此基础上改进出了层级融合注意力目标检测网络HFA-SSD（Hierarchical Fusion Attention Single-Stage Detector）。首先，在下采样层中结合几何和语义特征并使用两层交叉注意力机制，以增强待投票种子点的特征质量，从而提高投票中心坐标的准确性；其次，通过设计层级融合注意力机制，融合三个上采样层的点云特征，以获取更丰富的投票中心特征。在KITTI（Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上的实验结果表明，HFA-SSD相较于IA-SSD在整体检测精度上提高2.35%，弱感知物体平均精度提高2.48%。检测速度达到了75FPS（Frames Per Second），符合实时检测要求。

关键词： 3D目标检测   点云编码   点通道注意力机制   残差网络   激光雷达  

摘要： 针对当前3D目标检测在稀疏点云环境下存在的远距离小尺度目标因特征提取能力受限而导致检测精度下降的问题，本文提出了基于多重注意力机制和深层残差网络的CAResPillars。以PointPillars 为基准算法，在点云特征编码阶段引入点通道注意力机制PC-Attention，通过建立点级和通道级的双重注意力权重，自适应增强关键几何特征，缓解稀疏点云信息的不足；在BEV特征提取阶段，采用集成坐标注意力机制的深层残差网络CAResNet42作为主干网络，以强化模型对远距离与小目标的特征建模能力，并减轻梯度消失的问题。在KITTI数据集实验中，改进算法显著提升检测性能，尤其是在目标相对较小的行人3D检测的平均精度提升6.39%，车辆3D检测精度也得到2.06%提高。消融实验验证了各模块的有效性，实车部署进一步证明了算法的鲁棒性和实用性，为实际应用提供了有效的解决方案。

关键词： 线结构光   几何中心法   灰度重心法   亚像素提取   最小二乘拟合   三维重建   工业测量   计算机视觉  

摘要： 针对传统线结构光提取算法在速度与精度难以兼顾的不足，提出一种融合几何中心法与灰度重心法的改进提取算法。该算法首先通过阈值化处理减少低像素值对中心线提取的干扰；随后逐行双向搜索最大像素值坐标并存储，若当前行的列坐标差小于设定阈值，则利用几何中心法粗提取条纹中心，否则通过计算与上一行中心坐标的距离将最近点作为当前行中心，实现快速准确的条纹定位；在此基础上，在粗提取坐标的邻域内采用改进的灰度重心法进行亚像素级精提取，在降低计算量的同时提升精度；最后通过最小二乘拟合进一步优化光条纹位置，增强平滑性和连续性。通过与传统算法的对比实验和三维重建验证本文算法的有效性。结果表明：本文算法在提取精度(RMSE=1.081pixel)、运行效率(0.057 s)及重建质量(0.122 mm)等方面均优于对比算法，能够更好地保留工件几何特征，显著优于5 mm的工业误差容限，满足亚像素的高精度工业测量需求。本研究为三维视觉检测提供了高效可靠的解决方案。

关键词： YOLO   目标检测   计算机视觉  

摘要： 目标检测是计算机视觉的基石，在医疗成像、工业缺陷检测、自动驾驶和农业监测等领域有着广泛的应用。YOLO(You Only Look Once)作为单阶段目标检测的开创性算法，以其卓越的实时性和高效性成为计算机视觉领域的核心技术。从2016年YOLOv1的首次亮相到2025年YOLOv12的发布，YOLO通过持续优化网络架构、改进损失函数设计和创新数据增强策略，显著提升了检测性能和应用适配性。本文系统回顾了YOLO长达十年的发展历程，分析了其在不同领域的应用，并探讨了其快速发展背后的驱动力，包括深度学习技术的突破、开源社区的广泛协作以及对实时性和边缘计算的迫切需求。与双阶段算法（如Faster R-CNN）和基于Transformer的方法（如DETR）相比，YOLO在速度和工程部署上展现出显著优势，但在小目标检测、密集场景处理和复杂背景下的鲁棒性方面仍面临挑战。未来YOLO或可通过整合轻量级Transformer模块、优化多任务学习框架以及引入生成式AI增强数据多样性，有望进一步提升精度和场景适应能力。

关键词： 仪表读数识别   角度法读数   目标检测   图像处理  

摘要： 针对泵房内背景复杂、仪表类型众多、拍摄路径不易等问题,提出了一种最小限界视觉指针仪表读数识别方法。该方法采用YOLOv5检测仪表盘上的数字0,确定起始点坐标。随后,采用传统图像处理提取刻度线和指针轮廓,刻度线直线拟合圆心坐标并排序刻度线值。通过定位指针距离最近的刻度线并计算角度,采用角度法读数。通过限定在一个极小的扇形区域内,可以降低角度法读数的误差。以泵房常用压力表为实验对象,读数平均误差为1.2%。

关键词： 水下目标检测   YOLO11   边缘增强   多尺度特征融合   注意力机制  

摘要： 针对水下目标检测任务中图像分辨率低、目标尺寸变化大、水体浑浊及目标遮挡而导致检测精度低的问题,提出一种基于细节增强与多尺度特征融合的水下目标检测模型DEMF-YOLO11n(YOLO11n underwater object detection model based on detail enhancement and multi-scale feature fusion).模型以YOLO11n为主体,为改善普通下采样对于低分辨率图像及小目标所造成的特征损失问题,使用浅层与深层鲁棒下采样方法RFD(robust feature downsampling)分别替换模型浅层及深层步长卷积.同时,使用多核并行卷积模块PKIModule(poly kernel inception module)及上下文锚点注意力CAA(context anchor attention)对模型骨干中的C3k2进行重新设计,以增强模型对遮挡目标及不同尺度目标的特征提取效果,以及对复杂背景下目标的感知能力.最后,为解决水体浑浊等因素所导致的目标边缘细节模糊问题,在头部网络中使用CGAFusion(content guide attention fusion)模块将深层特征与经EEM(edge enhance module)进行边缘增强后的浅层纹理特征进行自适应融合.在RUOD数据集上的实验结果表明,DEMFYOLO11n较基准模型mAP_(50)提升2.8%,mAP_(50-95)提升4.1%,而参数量仅增加0.53M.

关键词： 移液器   量值检定   机器视觉   图像处理  

摘要： 基于机器视觉的移液器检定量值的半自动检测系统,可以通过光学成像获取移液器量筒液面图像,运用基础图像处理算法辅助特征提取,并结合电子天平测量方法计算移液器的实际吸排量,给出量值误差等检定结果。系统结合了光学成像、图像处理、精密测量等技术,实现了移液器检定过程的部分自动化,有效提高了检测效率和一致性,减少了部分人为误差。经实验验证,系统各项性能指标基本满足设计要求,为移液器检测提供了可行的辅助技术方案。

关键词： 深度学习   计算机视觉   YOLOv7   SAR图像   船舶检测   注意力机制  

摘要： 在基于深度学习的合成孔径雷达(synthetic aperture Radar,SAR)船舶目标检测中,SAR图像丰富的上下文信息尚未被充分利用。因此,该研究提出一种新颖的SAR船舶图像检测方法,它结合高维上下文注意力和双感受野增强,通过双感受野增强从SAR图像中提取多维特征信息,从而引导动态注意力矩阵在由粗到细的高维特征提取过程中学习丰富的上下文信息;另外,基于YOLOv7,通过引入轻量级卷积模块、轻量化非对称多级压缩检测头和新的损失函数XIoU,构建了YOLO-HD网络。在E-HRSID和SSDD数据集上进行对比实验,实验中所提方法的检测平均精度分别达到91.36%和97.64%,相比原始模型分别提高4.56百分点和9.83百分点,且相比其他经典模型结果更优。

关键词： 多舰船目标   目标跟踪   目标检测   卫星视频   多层次特征聚合网络  

摘要： 利用高分辨率卫星视频数据对大范围海上目标进行实时检测和跟踪,在国防军事、公共安全等领域具有重要应用;然而,现有目标跟踪研究主要集中在自然图像领域,且主要针对单目标跟踪问题;针对海面背景复杂、舰船尺寸多样且部分目标占像素较少、目标间的交叉运动容易出现目标混淆和跟踪丢失等问题,提出了一种基于点表示的目标检测和身份重识别的多任务学习模型,在CenterNet网络中使用多层次特征聚合网络来提取多尺度特征,并以目标中心点的识别和定位来实现目标检测,避免了anchor框和非极大值机制的计算开销;此外,采用目标身份分类和多任务学习损失自适应平衡方法,解决了舰船目标检测和身份重识别任务的特征学习目标冲突问题;通过自建目标跟踪数据集,在24段视频的测试下,多目标跟踪系统的目标检测召回率、目标检测准确率、多目标跟踪召回率、多目标跟踪精确率分别达到88.3%、95.9%、90.2%和98.0%,较好地实现了目标跟踪。