关键词： 图像处理   可调谐半导体激光器吸收光谱学   二次谐波   卷积神经网络   信噪比  

摘要： 针对利用可调谐半导体激光吸收光谱（TDLAS）技术测量气体体积分数的过程中二次谐波谱线受外界噪声干扰的问题，提出一种多层次特征融合的双通道卷积神经网络算法，首先通过主成分分析法降维后的残差网络和格拉姆角和场变换后的残差网络分别进行两路特征提取，进而对信号进行降噪处理。仿真中讨论了不同算法的降噪性能，发现所提出的方法在低信噪比情况下具有显著优势。对实测二氧化碳（CO2）信号的降噪结果表明，所提出的方法能够有效抑制噪声干扰，提取光滑的二次谐波信号，同时能够有效减小基线波动，并且较高的峰值和峰谷值拟合度也说明所提方法适用于实际气体体积分数的反演。

关键词： 红外弱小目标   脉冲神经网络   目标检测   深度学习   注意力机制  

摘要： 随着无人机和其他飞行器技术的快速发展，机载红外弱小目标检测成为重要研究领域。然而，由于目标距离远、体积微小或部分遮挡，传统方法在检测过程中面临巨大挑战。因此，提出更为精确的目标检测算法显得尤为重要。本文提出了一种融合脉冲和卷积技术的新型机载红外弱小目标检测模型，即脉冲增强的融合特征网络（SEFFN）模型。与以往的基于深度学习的红外弱小目标检测算法不同，该模型通过仿生的脉冲神经网络结构增强与弱小目标检测相关的特征表达，从而更精确地提取小目标区域。SEFFN主要包含4个关键模块：扩展金字塔卷积(DPC)、双路注意力融合(DAF)、多脉冲增强（MSE）和监督注意力（SAM）。这些模块共同作用，提高了对小目标区域的关注，同时在排除噪声干扰的前提下保留小目标的主要特征，显著提升了模型的检测性能。在两个数据集上的试验结果表明，与现有的模型驱动和数据驱动方法相比，SEFFN的表现更为出色，特别是在Sirst Aug数据集上，其F和mIoU分别达到85.74%和75.04%。这表明SEFFN在红外弱小目标检测任务中的有效性和优势。SEFFN适用于航空领域，能够部署在飞行器的边缘设备上，提高空中平台对远距离目标的检测能力，支持远程监控、反制敌方威胁等任务。

关键词： 机器视觉   目标检测   运动分析   异常行为  

摘要： 为了检测不法分子在自助通关闸机前尾随合法人员的行为，文章采用了一种通过目标检测与目标跟踪方法分析行人运动属性特征的方案，对尾随行为的检测进行了研究。首先结合交叉学科内容对该行为进行定义，再采用目标检测算法识别出其中的通关人体。利用目标跟踪算法提取目标的运动轨迹，获取可疑人员与合法通关人员的空间位置关系。对目标的运动属性进行定量研究、设定阈值，分析人体的运动特征，得到尾随判定结果。由此对尾随行为进行表征，构建出特定场景下尾随行为的自动识别模型。实验结果表明，算法能够有效检测边检大厅尾随人员，实现区域内人员风险行为的安全管控。

关键词： 机器视觉   公路边坡   位移监测   图像处理  

摘要： 边坡的位移变化对于判断边坡的稳固性、预防山体滑坡以及确保道路安全至关重要。为了验证机器视觉技术在公路边坡位移监测中的可靠性，建立了一套机器视觉智能测量系统。通过采集边坡区域的图像数据，利用边缘计算和特征点跟踪算法提取位移特征，进而计算位移量。针对长沙西站南侧山体景观护坡工程，采用机器视觉技术对各级边坡位移进行实时监测，并和人工监测结果进行对比验证和误差分析。测试结果表明，机器视觉和人工实测位移值吻合较好，二者位移偏差基本在2 mm以内。机器视觉技术在边坡工程监测中具有高精度和稳定性，并且具有实时性、自动化和成本效益的优势。

关键词： 目标检测   智能交通   图像识别   深度学习   车辆检测  

摘要： 传统监控系统依赖人工识别目标，效率低且易误判。文章针对YOLO系列算法展开改进研究。虽然YOLO算法已被广泛应用于多个领域，但在实际交通场景中仍面临三重挑战：天气变化与硬件限制易导致数据质量下降；对狭窄区域目标、遮挡目标及残缺目标的检测能力不足；此外，在复杂场景下，细节特征提取存在局限性。为此，文章研究提出了一种融合轻量化设计与结构优化的改进模型，该模型包含三个创新点：其一，骨干网络引入轻量化架构，在精度损失可控的前提下显著降低计算复杂度；其二，通过VoVGSCSP模块重构检测头，增强细粒度特征捕捉能力；其三，集成注意力机制提升特征融合质量。实验结果表明，改进后的模型在复杂交通场景中实现精度与效率的平衡优化，具有应用价值。

关键词： 凡纳滨对虾   生长表型   深度学习   计算机视觉   测定系统  

摘要： 【目的】为解决凡纳滨对虾生长表型人工测量效率低、误差大等问题。【方法】本研究设计了对虾专用图像采集箱，获取标准化、高质量的对虾侧面图像。在此基础上，利用高分辨率网络(HRNet)模型识别凡纳滨对虾9个关键特征点，实现对体长等体尺相关性状的测量；基于掩膜卷积神经网络(Mask R-CNN)进行凡纳滨对虾的轮廓分割，实现对虾体表面积的计算；最后复合体长以及体表面积构建回归模型预测对虾体重。通过开发配套的图像处理与数据管理软件，建立凡纳滨对虾生长表型精准测定系统。【结果】HRNet模型对9个特征点的识别率均超过98%，其中7个特征点的识别率超过99%。使用直尺人工测量和图像人工标注特征点测量两种方法测定体长和腹节长的真实值，计算体长和腹节长的预测准确性分别为0.91～0.97和0.91～0.93，平均相对误差分别为1.39%～4.63%和2.46%～4.59%。以人工分割虾体轮廓方式获取体表面积作为参考，评估Mask R-CNN模型对体表面积的预测准确性为0.98，平均相对误差为1.73%。以体长、体表面积、性别为变量，构建了4种回归模型来预测体重，所有模型的准确性均在0.94以上，其中以同时包含体长和体表面积的模型的预测准确性最高(0.97)。【结论】利用深度学习算法可以较为准确地获得凡纳滨对虾体长和体表面积等生长表型并预测体重。本研究结果可为凡纳滨对虾生长表型性状的准确、快速测量提供高效工具。

关键词： 彩/谱图像特征融合   环境残差感知   多正则化相关滤波   高光谱视频   目标跟踪  

摘要： 在背景快速变化的情况下，现有高光谱视频目标跟踪算法存在跟踪效果不佳的问题。为此，提出一种基于背景环境残差感知的高光谱目标多正则化相关滤波（MRCF）跟踪算法。首先，为了降低相关滤波（CF）跟踪算法的复杂度，采用背景感知谱段选择方法，从高光谱图像中选择目标和其周围背景区域差异性得分最大的前三个谱段，构成三谱段光谱图像。然后，分别提取伪彩色图像与三谱段光谱图像中目标的三种典型的特征：方向梯度直方图（HOG）、强度和三维HOG特征，再通过朴素相加的方式获得目标融合特征，对目标特征进行描述。最后，将目标融合特征输入改进的MRCF并预测目标位置，当MRCF在训练相关滤波器时，在其岭回归函数中引入背景环境残差感知正则化项来抑制背景快速变化带来的干扰。实验结果表明，与当前的其他算法相比，所提跟踪算法在目标快速运动和尺度变化情况下具有更好的跟踪性能。

关键词： 双目视觉   深度学习   目标检测   轻量化   生猪体尺测量  

摘要： 在畜牧业中,牲畜的体尺与体重参数是评估生长性能和繁殖能力的重要指标,直接影响饲养方案调整、饲料配方优化及品种选育。传统养殖依赖人工测量,不仅效率低、误差大,还会引发猪只应激反应。随着计算机技术的进步,机器视觉为非接触测量提供了新路。但是现有的问题如分割模型、点云处理、三维重建、关键点定位等存在显著弊端,如流程复杂、成本高昂、泛化性差,增加了模型调整与维护成本。在规模化养殖中,猪只数量多、环境复杂,这些方法难以快速适应,总体经济性与实用性受限。为此,本文以立体匹配算法和双目目标检测模型为基础提出了一种经济、高效的生猪体尺测量算法。具体研究内容如下: (1)改进了PSMNet的立体匹配网络。现有算法在生猪的深度估计中面对纹理缺失区域、遮挡边界以及光照变化等复杂场景下的视差估计精度仍有待提升,同时算法的时间复杂度和计算效率也面临着严峻挑战。基于改进PSMNet的立体匹配网络版本通过加入3D SE注意力块、使用转置卷积替代直接插值,优化了边缘细节和噪声处理,显著提升了匹配精度和鲁棒性。 (2)提出一种基于轻量级的YM-Net生猪目标检测算法。针对生猪的检测环境复杂多样,例如养殖场内光线变化大、背景杂乱以及遮挡问题(如其他生猪或饲养设备),同时考虑网络在实际部署中的实用性,提出了一种轻量级的目标检测算法YM-Net。该算法在保持高检测性能的同时,显著降低了计算复杂度和资源需求,从而在实用性和性能之间实现了良好的平衡。 (3)设计了一种基于深度估计和目标检测的生猪体尺测量方法。针对传统的人工方式测量以及基于现阶段基于深度学习的方式的复杂、部署应用环境、及泛化性的问题,提出一种端到端的、轻量化、应用场景广、性能优的生猪体尺测量方法。 最后通过深度估计和目标检测得到三维坐标后,给出了三种生猪体尺计算的方案:坐标投影、回归算法、比例缩放进行了实验,实验结论得出坐标投影最适合本文的生猪体尺的检测和测量,且体长、体宽和体高最好的均方根误差、平均绝对误差和平均相对误差为1.24cm、1cm和2.05%,完全满足资源受限的中小型养殖场对高效、精准、生猪体尺测量的需求。

关键词： 目标检测   空洞卷积   上下文特征   特征融合   注意力机制   ACON激活函数  

摘要： 目的 针对CenterNet无锚框目标检测算法表征能力不足的问题，提出一种基于上下文增强和特征融合的学习方法。方法 该方法采用多感受野和信息融合的思想，构建自适应上下文提取模块和特征融合策略。首先网络通过自适应上下文提取模块的多路径空洞卷积层获取目标的上下文特征，督促深层网络学习多尺度信息；然后，通过ACON-C激活函数在网络中加入非线性因素，对网络神经元自适应地激活，增强网络的数据拟合能力；最后，联合注意力特征融合策略对不同层次的特征信息进行合并，通过整合深层网络的语义信息和浅层网络的位置信息，来捕获对识别任务有用的特征信息，同时学习特征图在多个层次通道间的相关性，以加强网络对关键目标特征的专注度。结果 所提方法在PASCAL VOC公开数据集上mAP达到83.82%,约比基线算法CenterNet增加了3.72%。相较于经典算法Faster R-CNN、SSD、YOLOv3分别增加了7.4%、9.5%、3.5%。结论 有效地提升了CenterNet算法的检测性能，并且改进的CenterNet相较于其他目标识别算法具有更高的识别准确度，在目标检测应用中具有良好的实用性，充分验证了所提方法的有效性。

关键词： 工业视觉   智能检测   汽车钣金件   图像处理   机器学习  

摘要： 随着汽车工业的快速发展，人们对汽车钣金件的质量要求越来越高。传统的人工检测方法不仅效率低下，而且容易受到人为因素的干扰，导致检测结果的不稳定。为了提高检测效率和准确性，该研究开发一种基于工业视觉的汽车钣金件智能检测装置。该装置采用高精度工业相机捕捉钣金件图像，通过先进的图像处理算法对图像进行预处理、特征提取和缺陷识别，利用机器学习技术对检测结果进行智能分析，实现对钣金件表面缺陷的快速、准确识别。通过实际生产线的测试，验证装置的实用性和可靠性。该研究为汽车钣金件的自动化、智能化检测提供一种有效的解决方案。