关键词： 计算机视觉   光流   边缘检测   大位移   振动测量  

摘要： 结构的振动通常包含像素级和亚像素级位移，而单一的识别方法往往表现出较低的鲁棒性。为此，提出一种基于Canny-Hough变换和KLT(KANADE-LUCAS-TOMASI)光流的组合方法（CH-KLT），旨在识别同时包含像素级和亚像素级位移，从而提高大位移振动测量的精度。首先，拍摄结构振动的视频并进行预处理获得感兴趣区域（region of interest,ROI）的振动视频，再利用Canny-Hough变换计算ROI的整像素位移。其次，根据整像素位移对ROI的图像进行平移变换处理，将各个连续帧之间的结构运动限制到1个像素内，并重构ROI的视频，再利用KLT光流计算重构视频中ROI的亚像素位移。最后，将整像素位移和亚像素位移组合得到精确的像素位移，实现结构的大位移振动测量。通过模拟仿真和室内框架结构试验，进行了振动测量，并将测量结果与Canny-Hough变换、传统KLT光流、金字塔KLT光流和基于多项式插值方法的测量结果进行了对比分析。结果表明，在模拟仿真试验中，CH-KLT与金字塔KLT光流均具有较高的位移识别能力，但金字塔KLT的误差曲线分布波动相对较大，且其误差存在增加的趋势；在室内框架结构试验中，CH-KLT的误差均值和标准差均小于金字塔KLT和基于插值的方法，误差曲线波动更小，展现出更强的适应性和测量精度。CH-KLT通过图像平移变换处理，将像素级的运动限制到亚像素级，实现大像素位移识别，避免了图像失真，有效保障了大位移运动的识别性能。克服了单一识别方法的局限性，显著提高了大位移的测量精度。

关键词： 目标检测   深度学习   多模态目标检测   对抗攻击   防御  

摘要： 目标检测作为计算机视觉中的一项基本任务，具有广泛应用。而基于深度学习的目标检测算法以其强大的特征提取能力，成为了当前研究主流。然而大多数目标检测算法仅对可见光图像或红外图像进行单模态检测。通常情况下，可见光图像在天气恶劣、夜间、目标被遮挡等场景成像较差，导致检测性能下降。利用红外图像可以改善上述问题，但红外图像会缺失目标的部分细节信息。因此，基于可见光和红外图像的多模态融合检测算法逐渐兴起。然而，现有的研究集中于改善多模态目标检测算法的性能，对于其安全性的研究相对零散。基于现有的研究工作，围绕多模态目标检测对抗安全性进行综述，首先对多模态目标检测及攻防进行理论分析，其次按照不同时段的融合检测对多模态目标检测方法进行分类归纳，再对现有的目标检测对抗攻击方法与对抗防御方法进行归纳整理，整理了现有的多模态目标检测数据集与主要评价指标，最后探讨了多模态目标检测未来潜在的研究方向，进一步推动多模态目标检测对抗安全研究发展和应用。

关键词： 航空遥感图像(ARSI)   ARSI目标检测   空洞Inception   Transformer   改进U-Net(MU-Net)  

摘要： 航空遥感图像（ARSI）目标检测在国防和民用的很多领域具有重要的应用价值。针对现有ARSI目标检测方法中存在的形态特征提取不充分、目标区域检测不完整、背景混淆等问题，提出一种基于改进U-Net（MU-Net）的ARSI目标检测方法。该方法在U-Net中引入了多尺度空洞卷积模块Inception、语义增强模块Transformer和注意力门控模块，旨在提取局部与全局多尺度分类特征。主要过程包括：利用空洞Inception模块增强U-Net的多尺度局部特征提取能力；利用Transformer模块捕获ARSI的全局位置信息，整合局部形态特征；利用注意门控模块抑制噪声和不重要的特征，实现图像目标检测。该方法在ARSI数据集上进行了测试。结果表明，所提出的方法的检测精度为94.26%、训练时间为2.13 h时，检测结果整体优于其他方法。与其他模型相比，该MU-Net可以提取更丰富的ARSI目标形态特征，检测到更完整的目标区域。

关键词： 羽毛分拣   图像处理   机器视觉   ResNet   YOLO   OpenCV   气泵控制   自动化  

摘要： 在羽毛生产过程中，洗净烘干后的羽毛中常掺杂杂色羽毛，现有拣出方法效率低且人工筛检成本高，制约了羽毛品质；针对上述问题，对ResNet-18、YOLOv5和OpenCV等技术方案进行了实验对比及分析，设计并实现了一个基于机器视觉的羽毛分拣系统；详细介绍了单片机和继电器、电磁阀、气泵等硬件系统设计，以及HSV提取、运动检测、颜色识别、数据通信、气泵控制和远程监控等软件模块的具体实现；结合图像处理与机器视觉相关算法，设计并实现了基于气泵控制的羽毛自动化分拣系统；对该系统在在正常室内环境下进行测试，手持羽毛识别测试的分拣正确率在白天和傍晚分别达到96%和90%；自由下落羽毛识别测试的分拣正确率在白天和傍晚分别为80%和74%。

关键词： 目标检测   深度学习   无人机   YOLOv11   特征融合  

摘要： 【目的】针对无人机视角下小目标检测任务中目标尺寸较小、特征模糊和遮挡等问题，提出了一种基于重校准与上下文引导的小目标检测算法（RCS-YOLO，Re-Calibration and Context-Guided Small Object Detection Algorithm）。【方法】首先，该算法设计重校准特征金字塔网络（Re-Calibration FPN），结合P2小目标检测层优化网络结构，提升特征信息传递和多尺度融合效果。其次，为解决目标多变性问题，引入上下文引导网络下采样模块（CGBD，Context Guided Block＿Down）增强目标信息的上下文感知能力，促进局部特征与全局上下文的融合。最后，引入大型可分离核注意力机制（LSKA， Large Separable Kernel Attention）与空间金字塔池化（SPPF， Spatial Pyramid Pooling - Fast）模块融合，构建SPPF＿LSKA模块，增强感受野，减少计算量，适用于实时检测任务。【结果】实验表明：与原始的YOLOv11n算法相比，改进算法在VisDrone2019数据集上的mAP50和mAP50-90分别提高7.3%和5.2%，在RSOD数据集上的mAP50-90提高6.1%，精度达到了99.4%，验证了算法的有效性。【结论】 通过与其他主流目标检测算法的对比测试，改进的算法在VisDrone2019和RSOD数据集中表现良好，性能优于当下主流算法，有效解决无人机视角下小目标检测漏检误检问题，具有一定的参考价值和应用价值。

关键词： 深度学习   目标检测   YOLOv10   BiFPN   GhostConv   中药材检测  

摘要： 本研究利用轻量化的深度学习YOLO(You Only Look Once，YOLO)v10目标检测算法，构建了面向移动端的高效中药材检测算法，为中药材种植生产、质量评价、教学科普以及自动化抓药等工作场景中的中药材检测提供了智能、高效的技术方案。建立包含31种常用中药材目标检测数据集，共6900张图像。为提升模型的多尺度检测能力和检测效率，引入幻影卷积(Ghost Convolution，GhostConv)轻量化卷积与加权双向特征金字塔模块(Bidirectional Feature Pyramid Network，BiFPN)，提出了一种改进的轻量化中药材检测模型YOLOv10n-GB，并利用算法对数据集中图像样本进行训练、测试、分析、移动端部署测试。改进后模型的参数量2.27M(Million，M)、计算量6.4G（Giga，G）、平均精度mAP50(mean Average Precision 50，mAP50)为0.947，与YOLOv10n相比参数量降低1.2%、计算量降低4.5%，mAP50提升了1.8%，在移动端的模型检测平均帧率8.1帧每秒(Frames Per Second，FPS)。与其他轻量化算法YOLOv5n、YOLOv8n相比，YOLOv10n-GB具有最低的浮点计算量和更高的检测精度。YOLOv10n-GB算法完成了面向移动端的中药材的高效检测任务，为建立便携、实时的中药材检测方案开辟了新思路。

关键词： 目标检测   YOLO   FPGA   量化   硬件加速  

摘要： 依据YOLO系列网络在目标检测领域的出色表现，提出了一种基于FPGA的高能效YOLO目标检测系统，通过对YOLOv5n网络进行层融合优化模型，并采用量化感知训练对网络模型进行再训练和量化，将特征图和权重数据量化为8位，降低了硬件资源的消耗；设计了一种混合流可配置的硬件加速器架构，通过配置模型参数实现网络层的前向推理，在硬件模块中对网络层进行优化设计，并采用乒乓双缓存与层间流水线协同设计；整个硬件加速系统通过软硬件协同设计实现，合理调度硬件模块，实现了软核处理器与硬件加速器高效并行工作；经实际测试在Xilinx VC707 FPGA开发板上，系统以100 MHz的工作频率实现了27.15 GOPS的吞吐量，功耗仅为2.88 W，实现了9.43 GOPS/W的高能效，兼顾了检测速度和功耗，满足目标检测的需求。

关键词： 输电线路   改进的目标检测网络   旋转目标检测   舞动检测  

摘要： 为有效检测输电线路舞动情况，保障输电网络运行稳定性与可靠性，提出一种基于改进目标检测网络的输电线路舞动检测方法，对输电线路的舞动进行检测。首先，使用目标检测网络YOLO11的旋转检测框对监控视频中的输电线路进行检测，使得检测框能够更好地包围目标位置；其次，利用融合了BiFormer注意力机制的C3模块替换一部分C3k2模块，利用简化的快速空间金字塔池化模块替换快速空间金字塔池化模块以及引入PIoU损失函数，对网络进行改进，提高网络对图像的特征提取能力以及检测精度；最后对检测框所检测到的输电线路进行位置提取并绘制舞动轨迹。实验结果表明，与未改进的网络相比，精确率及均值平均精度分别提高了2.4%、1.3%，证明本方法具有更好的舞动检测效果及检测精度。

关键词： YOLOv8   水下目标检测   GSConv   轻量化   HGNetV2   AKConv  

摘要： 为解决现有的水下生物目标检测模型参数过多，难以部署到资源有限的移动端的问题，提出了一种基于GS-YOLOv8的轻量化水下生物目标检测模型；该模型基于YOLOv8s模型进行改进，设计一种轻量化的RepHGNetV2网络作为YOLOv8s的主干网络，以降低模型的计算复杂度和参数量；使用轻量化卷积GSConv替换颈部网络中所有的标准卷积，进一步减少模型参数，提高检测性能；引入设计的C2fAK模块，使模型能够更好地适应不同形状和大小的水下生物目标， 从而提高检测精度；实验结果显示，在URPC2020数据集上，与原模型YOLOv8s相比，改进后的GS-YOLOv8网络模型的参数量降低了37.7%，计算量降低了27.8%，mAP@0.5提高了0.9%；此外，与目前较为先进的YOLOv10模型相比，改进后的GS-YOLOv8模型在检测精度和轻量化方面更有优势。

关键词： 航空发动机   裂纹测量   YOLOv8n-seg   注意力机制   图像处理  

摘要： 针对传统图像阈值分割方法在提取发动机内部裂纹时预处理过程复杂、易受图像光照不均匀及裂纹形状不规则等因素影响的问题进行了研究，提出一种基于改进YOLOv8n-seg与数字图像处理级联的发动机裂纹测量算法。首先，构建发动机裂纹图像数据集，通过采用Ghost卷积、嵌入AW-CBAM注意力机制、优化损失函数以及引入迁移学习改进YOLOv8n-seg，提高网络的分割精度与鲁棒性，在发动机裂纹数据集上实验表明，改进后的网络分割性能更好，分割结果中精确度、平均精度均值分别提高5.8%、0.8%；然后，运用图像二值化、孤立点消除以及Zhang-Suen算法等方法提取裂纹形态信息并计算裂纹长度；最后，基于PyQt5开发人机交互程序，以某型发动机内部裂纹为例，将计算结果与实际长度对比分析，结果表明，两者误差小于5%，验证了该算法的有效性，为发动机内部裂纹智能化测量提供了参考价值。