关键词： 自适应注意力   特征增强   决策融合   目标跟踪  

摘要： RGB-T目标跟踪能够提供全天时、全天候的目标监视和侦察能力，但现有特征级融合方法难以应对目标动态变化及模态差异导致的特征不均衡问题。提出了基于特征增强与决策融合的RGB-T目标跟踪方法，设计自适应注意力特征增强模块，在通道和空间维度增强局部特征关联，位置注意力捕获全局上下文依赖。设计基于狄利克雷分布与D-S判据的决策融合模块，估计两种模态不确定性，融合RGB-T跟踪结果。在RGB-T234和GTOT数据集上的实验表明了该算法的有效性和优越性。

关键词： 深度学习   6D位姿估计   目标检测   轨迹规划   机械臂抓取  

摘要： 针对复杂工业场景中机械臂难以对弱纹理工件进行有效抓取的问题,本文提出了一种面向弱纹理工件的6D位姿估计与机械臂抓取方法.首先,为提高弱纹理工件6D位姿估计的准确性,结合YOLOV5和PVN3D-Tiny提出了一种新的两阶段位姿估计算法(YOLO-PVN3D);其次,采用七次多项式插值法规划机械臂运动轨迹,根据碰撞检测参数和运动学指标建立适应度函数,并通过遗传算法进行优化,以解决抓取过程中机械臂与障碍物产生碰撞的问题;然后,针对真实数据匮乏且容易造成模型过拟合的问题,采用了真实数据和合成数据相结合的方式制作了工业零件数据集POSE8K;最后,在公共数据集和自制数据集进行了对比实验,并在障碍物遮挡和光照变化场景下完成了真实机械臂抓取实验.经实验验证了所提方法具有较好的性能.

关键词： 青贮饲料收获机   自动跟随抛送系统   机器视觉   激光雷达   目标检测  

摘要： 青贮饲料因具有生产成本低、收获效益高、原料易得和营养均衡等优点,逐渐成为畜牧产业的主要饲料。传统青贮收获作业中人工依赖度高、抛料均匀性不足且抛送筒控制人员存在一定的安全隐患。青贮饲料收获机自动跟随抛送系统通过信息采集设备实时获取料厢位置与环境动态信息,根据设定的青贮饲料填充模式进行抛送作业,解析填充状态,同时液压伺服控制系统根据识别定位情况动态调节抛送筒旋转角度与出料高度,实现青贮饲料落料点的控制。本文系统综述了当前国内外青贮饲料收获机自动跟随抛送系统的研究现状;分析了机器视觉、激光雷达与传感器在自动抛送系统中的工作原理与具体应用方法;针对我国青贮饲料收获机自动跟随抛送系统发展存在的问题,提出了研发多模态感知架构、开发高动态液压伺服系统与低惯量抛送筒材料、构建“青贮机-伴随车”群体协同作业模式的建议;同时,对青贮饲料收获机自动跟随抛送系统的发展方向进行预测,以期为我国青贮饲料收获机自动跟随抛送系统的研究提供参考。

关键词： 道路障碍检测   YOLOv11   特征动态融合   可重参数化  

摘要： 道路障碍检测对车辆驾驶操控的稳定性与行驶的安全性极为重要，针对路面复杂纹理和异物多样性导致的误检、漏检及小目标物体检测精度不足问题，提出基于YOLOv11的改进道路障碍目标检测模型（PATD-YOLO）。首先，设计融合双主干网络，其中MCPStem（Multi-Convolution Pooling）模块共享浅层特征，HGNetV2作为第二主干引入动态卷积增强参数表达能力，特征动态校准融合（Feature Dynamic Aligning Merge）模块消除多源特征空间差异，实现高效特征融合。其次，设计小目标物体增强特征金字塔，增加P2层高分辨率特征图，采用SPDConv切片操作保留小目标信息，设计GLAFI（Global-Local Aggregate feature information）模块进行特征整合模块融合浅层细粒度与深层语义特征。最后，引入可重参数化卷积（Reparameterized Convolution）设计了重参数轻量化检测头(Rep Lightweight Detection Head)，提高参数利用率。实验结果表明，在参数量与计算量基本不变的情况下，改进算法在自建数据集与RDD2022公开数据集上的检测精度mAP@0.5相较于基准算法分别提升3.0%和4.3%，均超越了主流算法，并且检测速度达到131.6FPS，能够满足车辆检测的实时性要求。

关键词： 无人机平台   高光谱图像   分类   分割   目标检测  

摘要： 随着无人机平台与高光谱观测技术的快速发展，无人机高光谱遥感在精准农业、生态环境监测及自然资源监管等领域展现出广阔应用前景，但其实际应用仍面临数据获取不稳定、图像畸变严重、光谱一致性差等技术挑战，亟需系统性的研究与方法优化。近年来，深度学习凭借特征自动提取与复杂场景建模的优势，逐步成为该领域智能解译的核心技术路径。为全面梳理相关研究进展与技术趋势，本文围绕无人机高光谱图像的成像设备、深度学习解译方法及典型应用方向进行了系统总结，重点探讨深度学习在分类、分割和目标检测等核心任务中的应用与演进，涵盖卷积神经网络、图神经网络、Transformer等代表性模型。研究表明，无人机高光谱数据受光照变化、姿态扰动和背景混杂等因素影响，导致数据处理复杂度高、不确定性大。当前方法在实际应用中仍面临模型场景适应性不足、算法实时性要求高、数据预处理成本大等瓶颈，未来需聚焦高效特征表达、轻量化模型架构和多场景鲁棒性优化等方向。通过对主流深度学习方法的系统梳理，本文总结了目标检测、分类和分割等关键任务中的代表性技术路径与解译策略，为无人机高光谱图像处理技术的持续优化与工程实用化拓展提供理论基础参考，同时借助对公开数据集的分析，也为研究者快速开展实验验证提供便利。

关键词： 火箭发动机   计算机视觉   微幅振动   视频运动放大   深度学习   光流  

摘要： 在发动机地面试验中，管路等关键部件的振动测试是优化结构设计和提升安全性的重要环节。针对视觉方法在微幅振动测试中难以直接准确捕捉振动信息的问题，本文首先引入了基于学习的视频运动放大算法（LB-VMM）对视频中蕴含振动信息的像素变化进行放大。然后，采用Kanade-Lucas-Tomasi（KLT）光流理论进行运动跟踪，提取放大后的振动信号用于时频域分析。最后，构建了振动信号分析和振型快速辨识两种应用路径，并开展了管路结构的振动测试和梁结构的模态振型辨识试验进行验证。试验结果表明，与基于相位的视频运动放大算法相比，LB-VMM显著减少了运动伪影和失真，计算速度提升约20倍，且能够对高频成分产生有效增益。微幅振动视频经过时域带通滤波和LB-VMM高倍放大后可直接实现模态振型的高质量可视化，获取的梁结构试验模态振型与理论模态振型间的MAC值均达0.9以上。研究表明，LB-VMM可以有效提升视觉方法对部件微幅振动的测试能力，具有良好的应用前景。

关键词： 目标检测   YOLO   轻量化   嵌入式设备   航拍图像  

摘要： 目前无人机航拍图像的目标检测算法存在模型体积大、网络参数量大、检测精度低等问题，导致其难以部署应用在计算资源有限和功耗较低的嵌入式或者边缘设备上。针对以上问题，本文提出一种基于改进YOLOv5的轻量级目标检测模型GSC-YOLO。首先，通过在主干特征提取网络中引入幻影卷积，降低检测网络的参数量和模型体积。其次，添加简单注意力模块，利用特征图中的全局信息来增强局部特征的表征能力，提高网络对图像中关键信息的提取能力。最后，优化后处理模块中的非极大值抑制算法，采用Cluster＿NMS算法更加高效地删除冗余的检测框，同时增加得分惩罚机制和中心点距离机制，进一步提升模型的检测性能。在无人机航拍数据集VisDrone2019进行实验，结果表明，相较于基线模型YOLOv5s,GSC-YOLO模型平均精度提高了3.1%，模型参数量下降了82.1%，模型体积降低了77.4%，对比其他YOLO主流模型和同类轻量级模型，GSC-YOLO模型有更优的模型体积和检测性能，更有利于在嵌入式和边缘设备上部署，在KV260部署验证后，能够较好完成检测任务。

关键词： 旋转目标检测   超分   成像先验   遥感   倾斜成像视角  

摘要： 目标检测是遥感图像智能解译的关键技术，现有方法主要针对卫星下视成像设计，且对成像先验信息利用不足，难以有效应对无人机倾斜成像导致的目标尺度显著变化问题。针对倾斜成像的高精度目标检测需求，提出成像先验驱动超分（imaging prior-driven super-resolution， IPSR）方法。该方法利用相机焦距、成像俯仰角和飞行高度等多参数构建成像距离估计模型，用于估计图像任意位置的成像距离；基于此距离信息实现了全图自适应超分，有效减小倾斜成像视角下的目标尺度差异。在多视角成像数据集VSAI和卫星图像数据集DOTA-v1.5上的实验表明：IPSR可结合任意主流目标检测模型，并显著提升目标检测模型在倾斜成像条件下的检测精度（VSAI 上提升 6-7 mAP，DOTA-v1.5 上提升 3-4 mAP），同时展现了该方法在多场景下的通用性。

关键词： 水稻秸秆量识别   改进YOLOv5s   注意力机制   图像处理   非极大值抑制  

摘要： 水稻秸秆腐解周期是衡量秸秆还田效果的重要指标。为提升水稻秸秆腐解效果,准确测量留于田间的秸秆量,将水稻收割后的田间秸秆状态分为铺放于田间的堆叠秸秆和根茎留于原位的留茬秸秆两种,并提出了一种基于改进YOLOv5s的水稻秸秆量识别算法。采用色彩追踪算法结合HSV模型,对堆叠秸秆量进行检测;通过深度学习算法、OpenCV算法结合HSV模型和注意力模块,对留茬秸秆进行检测;引入CBAM注意力模块,同时通过非极大值抑制去除重叠锚定框,以消除重复计数的影响,从而实现对秸秆量的精准检测。通过训练模块对2 174张水稻秸秆图片进行深度学习,识别精确率可达92.092%,召回率为96.144%,目标检测损失值为2.397%。实际田间秸秆检测时,正确检出率可达85.85%。改进后的算法可有效检出留茬秸秆并通过串口返回秸秆数量。可为秸秆腐解剂的精量施放和还田模式的建立提供更为精确的数据支持。

关键词： 煤矿输送带   机器视觉   图像处理   异物分割   深度学习  

摘要： 为准确检测煤矿带式输送机在复杂工况下的异物，构建基于改进DeepLabv3+的煤矿输送带异物分割模型。针对煤矿高粉尘、光照不均、机械振动等干扰导致的异物检测难题，以及多尺度异物并存、边缘设备算力有限等实际需求，通过引入MobileNetv3轻量化主干网络，利用深度可分离卷积将计算量压缩至传统卷积的1/9，并嵌入SE注意力模块增强异物的边缘、纹理等高频特征，抑制粉尘噪声对应的低频通道;采用DASPP模块替代传统ASPP，通过串联不同膨胀率的空洞卷积层实现跨层特征密集交互，提升对多尺度异物的检测能力;集成ECANet通道注意力机制，通过免降维全局池化和动态一维卷积增强特征表达能力，进一步优化特征权重分配。实验结果表明，改进模型在CUMT-BelT数据集上实现了87.1%的平均交并比和86.7%的F1分数，参数数量仅为9.8 M，浮点运算量为5.1 G，推理速度达 38.6 FPS，较原始DeepLabv3+模型精度提升4.6%、计算量降低63.1%。与PSPNet、U-Net等主流模型相比，改进模型在小尺度异物漏检率、噪声鲁棒性及边缘设备适配性等关键指标上更优。该模型为解决复杂工况下异物与背景特征易混淆的难题提供了新途径，不仅为煤矿智能运输系统打造了兼具高分割精度与轻量化特性的异物检测方案，还有助于加速煤炭行业智能化与自动化的发展进程。