关键词： 水稻病虫害   无人机   图像处理   CKF   位置估计  

摘要： 水稻是世界三大粮食作物之一，影响其生长环境的因素主要有温湿度、土壤及水稻病虫害等。以无人机为载体，搭载视觉、位置传感器等，在其植保过程中对水稻作物进行图像采集与处理，采用深度学习方法进行观测，分析了影响水稻生长的几种病虫害；另外，文中采用EKF、UKF、CKF三种滤波算法对无人机进行了定位估计，实验表明基于CKF算法对载体二维位置估计误差范围及其均值均最小，表明无人机在施药过程中定位精度较高。

关键词： 番茄果实   目标检测   改进YOLO v8n   FasterNet   BiFPN   WIoU  

摘要： 番茄果实的快速准确检测是实现其智能采摘的重要前提，针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题，提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络，提高模型的特征提取能力；通过在颈部网络中融合P2小目标检测分支和双向特征金字塔网络(Bidirectional feature pyramid network, BiFPN)结构，降低复杂背景的干扰以提高模型的检测精度；使用WIoU(Wise intersection over union)损失函数提高模型在遮挡、重叠情况下的果实定位精度，同时加快模型收敛；基于NCNN框架将模型部署到移动端进行测试。试验结果表明，FPBW-YOLO v8模型精确率、召回率、平均精度均值(mAP@0.5和mAP@0.5:0.95)分别达到97.9%、95.1%、98.3%和74.3%,相较于Faster R-CNN、SSD、YOLO v8n、YOLO v7、YOLO v5n和Rt-Detr均有明显优势，且模型内存占用量仅8.7 MB。在移动端上的测试结果表明，本文模型能够在计算资源有限的硬件设备上获得较高的检测精度，可以有效解决复杂场景下番茄果实的识别问题，为番茄采摘机器人的研发提供技术支持。

关键词： 废钢智能判级   目标检测   目标跟踪   自动结束   卡尔曼滤波   匈牙利算法  

摘要： 废钢智能判级可以优化钢铁企业、废钢基地在采购废钢过程中废钢判级流程，提高废钢判级效率，减少废钢判级感情验质。针对废钢智能判级，基于原有只采用目标检测算法而言，提出了一种基于目标跟踪算法来优化在废钢智能判级过程中实现自动结束判级功能的方法，通过目标检测算法先检测识别枪型摄像机(枪机)画面中出现的判级车辆，可能会出现车辆不全、多个判级车辆等情况，尤其是在这些特殊情况中，需要针对性设计出一个针对车辆识别的目标跟踪算法，以提高识别待判级的废钢车辆的准确性。采用目标跟踪算法来实现废钢智能判级系统自动结束功能，相较于原有的单一目标检测算法而言，通过卡尔曼滤波、匈牙利算法来对图像中检测到的目标分别解决状态预测、轨迹匹配关联，来提高在复杂场景下目标跟踪算法的鲁棒性。废钢智能判级系统自动解决功能的准确率由原来的86%提升至93%,其中探索研究的通过关联每个检测框进行多目标跟踪(multi-object tracking by associating every detection box, ByteTrack)算法相较在多目标跟踪精度(multiple object tracking accuracy, MOTA)评价指标分别提高17.5%、15.3%,IDF1评价指标分别提高16.1%、9.9%。基于目标跟踪算法实现自动结束功能，尤其是在复杂场景下，更能提高其准确性，更加准确地判断判级车辆是否移动，以触发是否需要结束当前车辆的废钢判级。

关键词： 有色金属镍   YOLOv8   相位编码器   旋转图像   目标检测   回归分析  

摘要： 镍板贴标定位时，关键是对镍板边缘位置以及卡扣等目标识别，而镍板等目标的位置动态变化，且存在一定旋转角度。因此，针对旋转图像目标需要准确识别的问题，提出一种基于改进的YOLOv8旋转图像目标检测与定位方法。首先，对传统旋转目标包围盒进行回归分析确定主要问题；其次，改进YOLOv8目标检测算法，引入一种相位编码器形式的角度包围盒定义，解决边界不连续性及类正方形等问题；最后，通过镍板上的实验，验证改进YOLOv8旋转框目标检测方案的有效性。研究结果表明：精准率和召回率稳定在95%以上，且主要关注区域大部分都位于镍板上的卡扣位置附近。由此可见，该算法在提高旋转图像目标检测与定位方面具有一定优势。

关键词： 昆虫检测   深度学习   注意力机制   小目标昆虫检测  

摘要： 将先进的计算机技术与昆虫识别相结合,对农业病虫害防治和生态保护具有重要意义。我国作为农业大国,准确识别有害昆虫可减少农林作物经济损失,而监测有益昆虫则能提升生态经济效益。尽管深度学习技术为昆虫检测带来了新机遇,但仍面临诸多挑战。首先,复杂自然环境下的昆虫图像存在尺度多变、姿态多样及背景干扰等问题,导致检测精度受限;其次,小目标昆虫检测中的特征提取困难,模型泛化能力不足;此外,实时性要求与计算复杂度的矛盾制约了田间实际应用。这些挑战严重影响了深度学习技术在农业昆虫检测中的实用性和推广价值。为此,本文以农林复杂环境中的昆虫为研究对象,以深度学习为主要研究手段,开展基于深度学习的昆虫识别与检测算法研究,提出了两种针对昆虫目标检测的创新算法,分别面向多类昆虫实时检测和复杂背景下小目标昆虫检测,并在公开数据集上验证了其有效性和鲁棒性。主要工作如下: (1)针对多类昆虫实时检测任务,提出了一种基于注意机制的多类昆虫检测方法,该方法在实时目标检测方法RT-DETR的基础上进行改进。对于自然界中复杂背景下昆虫分布情况,设计了数据增强策略以缓解多类别长尾分布问题并提升样本多样性。在模型架构上,引入了可变形注意力主干特征提取器以增强目标特征表达能力,改进了跨尺度特征融合模块以提高模型对不同尺度昆虫目标的识别能力,并优化了损失函数以加速模型收敛并提升分类性能。实验结果表明,Pest-RTDetr在多项评估指标上优于主流目标检测方法,并通过可视化结果验证了其在多类别昆虫检测中的潜力。 (2)针对复杂背景下小目标昆虫检测任务,提出了一种基于小波变换和可变形梯度流的检测框架。该框架通过分析小目标昆虫数据集的分布特点,设计了小波变换下采样模块以保留高频细节信息,并提出了高效聚合颈部结构和可变形梯度流模块,以增强模型对小目标昆虫的特征提取能力。实验结果表明,该算法在复杂背景下对小目标昆虫的检测精度和鲁棒性显著优于现有方法,最高检测m AP值得到96.8%。可视化结果进一步证明了该算法在复杂场景下对小目标昆虫检测的优越性。 本文提出的两种算法目的是解决复杂背景下多类昆虫实时检测和小目标昆虫检测的关键难题,为昆虫目标检测领域提供高效、可靠的解决方案。

关键词： 道路裂缝   目标检测   动态蛇卷积   YOLO   轻量化  

摘要： 道路裂缝检测作为公路养护的核心环节,也是维护道路安全以及实现经济和环境效益的重要前提,因此对道路裂缝进行早期检测不仅可以保障行车安全,同时也能节约道路养护的经济成本。虽然基于深度学习的道路裂缝检测方法取得了显著成就,但仍存在真实复杂情况下对路面裂缝识别精度低且检测模型过大的问题。为实现自动化精准检测目标,本研究以YOLOv8n框架为基础,通过多维度算法优化构建两种高性能道路裂缝检测模型,在精度提升与轻量化部署方面取得突破性进展,主要研究内容如下: (1)针对多尺度特征捕获能力不足与裂缝拓扑表征困难的技术瓶颈,提出改进型YOLOv8n-RC模型:创新设计动态蛇形卷积模块(DSConv),利用可变形卷积核增强对裂缝管状结构的特征提取能力;构建多尺度EMA注意力机制,通过通道-空间双维度特征重标定强化关键区域特征响应;同时引入BiFPN双向特征金字塔网络,建立跨层级特征交互机制,提升多尺度特征融合效率。实验结果表明,该模型在RDD2022＿China＿MotorBike和RDD2022＿Japan数据集上的mAP50分别达到90.6%和57.3%,较基准模型提升3.6%和4.2%,模型参数量仅2.84M,计算复杂度为7.8GFLOPs。 (2)面向工程部署场景,进一步提出轻量化YOLOv8-SD模型:基于StarNet重构C2f＿Star模块,通过参数空间重构策略在降低28%计算量同时保持特征表达能力;采用动态上采样算子DySample替代传统插值方法,使上采样计算成本降低41%;设计动态检测头DyHead实现特征自适应加权,增强模型对裂缝特征的敏感度;创新融合WIoU边界框损失与EMA-Slide分类损失函数,构建双重优化目标提升检测鲁棒性。改进模型在保持88.2%mAP50检测精度的前提下,计算量降低16.7%,计算复杂度优化至6.5GFLOPs,实现精度与效率的帕累托最优。 本研究构建的算法体系在RDD2022国际基准测试中表现优异,通过动态卷积、多尺度注意力、轻量化结构等模块化创新,系统性解决了道路裂缝检测中特征提取、尺度适应、模型部署等关键技术难题。研究成果为智能道路巡检系统提供了理论支持与实践方案,具有显著的工程应用价值与社会经济效益。

摘要： 近年来，密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像，传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。与此同时，跨模态融合、物理退化建模、生成式人工智能等新兴技术不断涌现，为极端环境图像处理与应用注入创新动力。然而，以下关键问题仍亟待突破：如何面向多源退化过程构建统一的成像与复原框架？如何在极低信噪比、暗弱场景下稳健提取结构与语义信息？如何准确高效地检测、识别和跟踪微小、密集目标？如何建立覆盖多场景、多任务、多退化类型的公开数据集与评测基准？如何将超分辨、三维重建、多模态融合等图像处理技术安全、可靠地部署到极端环境实际系统？

关键词： 人工智能   智慧旅游   个性化推荐   计算机视觉   数据安全  

摘要： 人工智能（Artificial Intelligence, AI）技术正深刻重塑全球旅游业，驱动旅游业向智能化、个性化和高效化发展。文章首先系统分析AI在智慧旅游中的核心应用（如自然语言处理、机器学习、计算机视觉、知识图谱等），在智能客服、个性化推荐、智慧景区管理、行程规划与营销等场景的应用实践；然后基于行业报告及企业案例数据，论证AI对提升游客体验与运营效率的显著作用；最后探讨数据安全、算法偏见、技术成本及伦理规范等现实挑战，并提出建立数据治理框架、推动技术普惠等对策。笔者认为生成式AI、元宇宙等新兴技术将进一步拓展应用场景，为旅游业注入新动能。