关键词： 深度学习   目标检测   葡萄叶片   病害检测   RT-DETR   小目标检测  

摘要： 针对自然场景下葡萄叶片病斑尺寸小、边缘特征信息弱、特征信息易被背景干扰的问题，提出一种基于改进RT-DETR的葡萄叶片病害检测模型。首先，提出一种基于Sobel算子卷积的多尺度边缘特征信息增强器（multi level margin feature information enhancer,MLMFIE）增强模型对病斑边缘特征信息的提取能力；其次，引入自适应稀疏注意力机制（adaptive sparse self-attention,ASSA）有效消除背景的干扰，聚焦于病斑区域的特征；最后提出小病斑特征聚焦模块（small lesion feature focusing module,SLFFM）增强模型对较小尺寸病斑的检测能力。试验结果证明，改进后的模型能够在自然场景下有效对葡萄叶片病斑进行检测，平均精度为均值92.7%，较基线模型提升4.5个百分点，同时与Faster R-CNN、YOLOv5L、YOLOv8L、SSD、Deformable-DETR、Efficient-DETR、MS-DETR等主流目标检测模型相比分别提升1.5、7.3、6.6、14.7、2.1、1.8、0.7个百分点。试验表明，该方法可以快速准确地检测葡萄叶片病害，模型较小，且泛化能力优秀，可为葡萄叶片病害检测研究提供参考。

关键词： 伪装目标检测   深度感知   RGB-D融合   交叉细化   跨模态学习  

摘要： 伪装目标因在纹理、颜色等视觉属性上与背景高度相似，致使RGB图像易受干扰，难以准确分辨目标位置，常导致分割结构不完整甚至目标缺失，从而影响检测性能。为解决该问题，提出一种RGB-D双流镜像伪装目标检测网络——RDMNet(RGB-D Dual-stream Mirror Network)。首先，采用TransNeXt和Vision Mamba组成的混合主干提取特征，降低模型参数，并设计多模态特征融合模块(MFF)，利用RGB和深度信息融合，增强深度特征。其次，设计一个深度定位模块(DPM)和一个定位引导完整性特征聚合模块(PGA)，深度定位模块生成完整的轮廓定位特征，辅助定位引导完整性特征聚合模块快速地定位伪装目标，高效地预测出完整的分割特征。两者交叉细化融合，既关注伪装目标的整体结构，又不断细化分割特征和轮廓定位特征。最后，设计卷积门控通道注意模块(CCA)，提取低层特征中的结构细节。实验结果显示，RDMNet在COD和RGB-D SOD数据集上优于当前15个具有代表性的模型，在CAMO、COD10K和NC4K数据集上，与MVGNet(Multi-View Guided Network)相比，在结构相似性度量(s-measure)、平均增强对齐度量(mean e-measure)、精度和召回率的加权平均值(weighted f-measure)和平均绝对误差(mean absolute error)方面的性能分别平均提升了1.9%、4.7%、3.1%和17.5%。实验结果表明，RDMNet在伪装目标检测中能够有效提高分割的完整性和准确性。

关键词： 混响抑制   空时自适应处理   稀疏恢复   低速目标检测  

摘要： 运动平台有源声呐执行非合作目标探测任务时，目标常被淹没在混响中，声呐平台运动产生的空时耦合效应会进一步降低运动目标的检测性能；复杂多变的水下混响和干扰环境难以获得足够的独立同分布训练样本，导致传统空时自适应处理（STAP）方法性能急剧下降。为此，提出了一种使用加权稀疏恢复的运动声呐混响抑制与低速目标检测方法，在压缩感知框架下恢复目标的高分辨空时谱，实现强混响和噪声背景下低速目标检测及参数估计。该方法仅利用待检测单元数据，避免了辅助数据或先验知识缺失对混响抑制带来的影响。通过稀疏STAP方法估计权向量并构建加权稀疏优化问题，在优化过程中实现混响/噪声的抑制和目标的增强。算法设计了低复杂度的优化求解方法，大大提高了算法的运算效率和实用性。仿真及湖上试验结果验证了该方法的优越性。

关键词： 卷积神经网络   注意力机制   木材分类   动态卷积   多分支   计算机视觉   图像识别   轻量型  

摘要： 针对木材图像切面分类问题，文中提出了一种多令牌混合的木材切面图像分类算法MixNet，重点关注木材切面几何结构、统计特性、纹理、边缘等信息的准确辨识。MixNet结合了卷积神经网络(Convolutional Neural Network， CNN)的局部归纳偏置能力和变换器（Transformer）的全局上下文依赖能力，引入动态卷积自适应调整感受野尺寸，在不同层次上捕捉图像特征。引入双层注意力机制来捕捉图像深层语义信息和全局空间信息，并且跨空间学习不同位置多尺度特征，提高全局信息的敏感性，进一步增强算法的识别能力。实验结果表明，MixNet在CIFAR100和CIFAR10公共数据集进行图像分类任务的最高识别准确率分别为72.32%和93.64%，参数量为40.69 MB，比TransNeXt分别高0.38百分点和1.38百分点。MixNet精度低于EfficientNet，但MixNet参数和计算量更小，计算成本更低。MixNet应用于Wood＿data数据集的分类精度最高为99.92%。MixNet集成CNN和Transformer的特征提取优势，其是一种有效的木材分类算法。

关键词： 集群目标检测   深度学习   特征融合   海上低空目标   双通道网络   注意力机制  

摘要： 针对海上低空环境下集群目标检测问题，本文提出一种门控交叉注意力与双向特征金字塔的多特征融合检测网络（GCAB-MFF Detector），以应对复杂海况、非高斯杂波干扰及雷达回波非线性特性带来的挑战。该网络通过双通道架构分别提取目标距离维与距离-多普勒维特征，并利用门控交叉注意力模块（GCAF）建模跨模态特征关联；进一步引入双向特征金字塔（BiFPN），通过加权多尺度融合与语义一致性优化，实现多层次特征的高效整合，最终同步输出目标存在性检测与集群规模分类结果。实验结果表明，在自建数据集上，GCAB-MFF检测器检测率达99.92%，规模分类准确率为92.56%，较传统CFAR方法（检测率<89%）、传统分类网络（分类精度<86%）有显著提升，验证了其在海上低空场景下的鲁棒性与实用性。

关键词： 光伏组件   目标检测   嵌入式系统   YOLOv11   轻量特征提取网络   内容感知重组特征模块   二阶通道注意力机制  

摘要： 针对当前光伏组件缺陷检测实时性低下以及复杂背景与缺陷尺度多变导致的误检、漏检问题，提出一种SOCANet检测算法。首先，采用DWConv替换Conv构建轻量特征提取网络（Lightweight feature extraction network，LFEN），通过计算特征图的协方差矩阵，捕捉通道间的相关性以改善模型的特征提取效率，进而提高检测速度。随后，采用内容感知重组特征模块（Content-Aware ReAssembly of FEatures，CARAFE）优化模型的上采样阶段，扩展感受野整合输入特征图信息，增强对多尺度目标识别能力。最后，设计二阶通道注意力机制（Second-Order Channel Attention，SCA），通过计算特征图协方差矩阵来捕获通道之间相关性，增强模型特征深度表达和判别能力，从而降低因背景噪音对算法造成的干扰。实验结果表明，SOCANet在光伏组件缺陷检测数据集上PmA达到95.3%，且FFPS达到92.9，显著优于其它7种主流检测算法。同时，嵌入式实验表明，SOCANet在算力受限的场景下仍满足光伏组件缺陷检测的高实时性需求。

关键词： 改进YOLOv11n   轻量化   建筑外墙检测   改进C3k2模块   HSPAN-C  

摘要： 针对无人机目标检测中多尺度特征不足、小目标漏检及算力受限等问题，提出基于YOLOv11n的高效轻量化改进算法。首先提出C3k2-S模块，融合C3k2的多尺度特征提取与StarBlock的高维映射能力强化特征建模；其次采用ADown机制替代传统下采样，通过自适应步幅与池化策略优化特征表达，降低计算量并提升小目标敏感性；提出轻量化HSPAN-C结构，结合多尺度特征融合与空间金字塔注意力增强检测精度；最后构建LSDECD检测头，利用共享卷积与群归一化减少参数量。实验结果表明，改进后模型的mAP@0.5和mAP0.5@:0.95分别上升了3.4%和3.1%，参数量和计算量分别降低了46.1%和22.2%，满足复杂场景下无人机的检测需求。

关键词： 目标检测   PySide6图形界面框架   防护装备   RT-DETR   YOLO   深度学习  

摘要： 施工现场存在多种安全隐患，个人安全防护装备（PPE）的穿戴非常重要。为突破传统监管手段效率不高的局限，计算机视觉方法近年来得到了很多应用。然而，在面对多类别PPE检测的复杂问题时，精度的提升仍然有限。作为近年被提出的新型算法，基于Transformer的RT-DETR技术在多个场景下取得了更好的检测结果。基于这一背景，采用RT-DETR框架搭建了检测系统，可以识别出安全帽、反光衣、安全带、面罩和手套五种常见PPE。对比YOLO和RT-DETR系列算法，RE-DETR的单类别检测精度达到了95%，平均检测精度达到了86.5%。该系统主要使用了PySide6设计可视化界面，实现图片和视频检测，可有效服务于作业现场的智能化安全管理。

关键词： 缺陷检测   图像处理   深度学习   特征融合  

摘要： 钢轨表面缺陷检测对轨道交通安全至关重要，尤其在巡检车运行速度达到80km/h、实时检测性能达到75FPS的条件下，检测精度与实时性成为关键。本文提出面向工程应用的多模态缺陷检测框架。针对样本不平衡问题，构建自监督对比学习模型，采用深度卷积神经网络作为特征提取器，通过跨模态特征交互机制融合2D-3D数据特征，形成多尺度特征融合策略（FPC）。实验验证表明，该算法在AUROC指标上达到91.5%。为满足铁路智能运维需求，构建异构硬件平台进行算法部署验证：在ZCU104开发板上，基于FPGA低功耗架构与DPU加速引擎，结合Vitis AI工具链实现硬件优化，达到35W功耗下91.0FPS的实时检测性。研究结果为轨道智能检测系统提供了兼具理论创新与工程实用性的解决方案。

关键词： 敌我识别   询问天线   目标跟踪   运动旋量   PID控制   双电机  

摘要： 针对敌我识别（Identification Friend or Foe，IFF）系统询问天线受舰船横摇、纵摇和航向姿态扰动，对空中运动目标位置跟踪不准确影响天线收发信号质量的问题，提出并设计了一种基于运动旋量目标位置解算的带前馈补偿的双电机联动PID控制方法，该方法基于雷达发送的空中目标方位、距离和俯仰角计算出目标坐标位置，然后将横摇、纵摇和航向三种干扰信号通过运动旋量变换嵌入目标位置并将嵌入后位置的方位角和俯仰角作为控制指令，将控制指令导数作为前馈补偿用于提高系统响应速度。仿真结果表明，该方法能够有效的抵抗舰船三种姿态扰动并快速准确的跟踪空中目标。