关键词： 机器视觉   无监督学习   三维目标检测   点云   空间非合作目标   生成式模型  

摘要： 针对空间在轨服务等任务中的非合作目标部件的检测问题，因缺乏大规模的带标签数据，提出了一种基于无监督学习的空间非合作目标部件检测算法。具体地，该算法首先利用基于文本提示的生成式模型生成类别可知的空间非合作目标的典型部件；然后，将部件进行结构拼接组成完整卫星模型；最后，随机化卫星的位置与姿态，模拟其与观测星的相对状态，并基于光线投影模拟点云的遮挡效果，生成逼近深度相机实际采集的非完整点云数据及伪标签。利用这些生成的类别可知的伪标签进行训练，并在开源卫星点云数据上进行测试。实验结果表明，本文提出的方法在无监督条件下达到了42.88类别平均精度（mAP），相比基于类别不可知的聚类的无监督方法提高了9.18，验证了其在空间目标检测领域的有效性与潜力。

关键词： 目标跟踪   均衡学习相关滤波器   背景感知相关滤波器   过拟合   交替方向乘子法  

摘要： 尽管相关滤波跟踪方法采用循环位移学习更多负样本来提升了判别能力，但是也因正负样本失衡和易过拟合导致目标跟踪泛化能力下降。针对该问题，本文提出了基于均衡学习相关滤波器的目标跟踪算法。该算法通过初始或者预测得到的目标位置和大小结合余弦窗分离前景和背景，对背景区域进行循环位移操作生成具有目标运动信息的正样本，均衡正样本和负样本数量，增强目标特征的学习能力，有效解决滤波器正负样本不均衡的过拟合现象。算法采用交替方向乘子法对均衡学习相关滤波器进行优化求解，提高算法的计算效率。在OTB50、OTB100和GOT-10K数据集上进行了试验测试，结果表明该方法在背景杂波、目标遮挡及目标模糊等复杂场景下表现出更高的鲁棒性和一致性，显著提升了跟踪精度。

关键词： 三维目标检测   鸟瞰图特征   多传感器融合   注意力机制   轻量级  

摘要： 针对道路交通场景下的路侧三维目标检测任务中，小目标和受遮挡目标的检测精度低的问题，提出基于路侧鸟瞰图特征下的单目相机图像和激光雷达点云融合的轻量级目标检测算法RS-BEVFusion。在路侧图像鸟瞰图特征提取模块中，采用YOLOv8作为主干网络，并设计基于多尺度特征提取融合模块进行特征编码。在点云特征提取模块中，采用PointPillars作为主干网络，并设计基于空间通道注意力模块进行特征编码。设计基于自适应的特征加权和双模态自注意力机制的模块来融合图像和点云的鸟瞰图特征。在DAIR-V2X-SPD路侧数据集、KITTI数据集和实际路侧数据上对本文算法进行验证。实验结果表明，在中等检测难度下，本文算法在DAIR-V2XSPD数据集中，相较于基准算法，汽车、行人和骑行者AP提高了2.67%、5.92%和1.64%。在KITTI数据集和实际路侧数据上具有良好的泛化性。

关键词： YOLOv11   小目标检测   无人机   航拍图像   特征融合  

摘要： 针对当前航拍图像小目标检测领域中存在的复杂背景和傍晚、夜间等低光照环境导致的检测精度不高的问题，提出YOLO-MFL无人机小目标检测算法。首先，在主干中，设计Multi-scale Attention-guided Retinexformer(MA-Retinexformer)低光照增强层，结合多尺度注意力引导的光照估计和损坏恢复以提高低光照图像的质量；其次，设计Four Layer Adaptively Spatial Feature Fusion(FL-ASFF)检测层，通过自适应地融合不同层次的特征，增强算法对多尺度目标的识别能力。实验结果表明，YOLO-MFL算法与YOLO v11n基准算法相比，在VisDrone数据集上m AP50、m AP50-95分别提高了12.6%、8.2%，在UAVDT数据集上m AP50、m AP50-95分别提高了8.1%、6.2%。YOLO-MFL算法与YOLO v11m算法相比,参数量减少40.2%，且在VisDrone数据集上m AP50提升1.5%，在UAVDT数据集上m AP50提升5.6%。经实验验证，YOLO-MFL算法能够有效提高在低光照环境和复杂背景下的小目标检测精度。

关键词： 目标检测   深度学习   撞击坑   DEM  

摘要： 基于深度学习在月球撞击小坑检测存在的精度不足问题，结合DEM数据，构建了融入坡度信息的高质量数据集，深入解析撞击坑特征，从而有效提升复杂地形及低对比度区域的检测性能。基于此，我们提出了新型两阶段检测网络MSFNet，通过多尺度自适应特征融合和多尺寸ROI Pooling，有效提高了不同尺度撞击坑的识别率。实验表明，MSFNet在测试区域1中F1达74.8%，直径大于2 km的坑召回率达87%，在亚千米级小坑检测中同样表现突出，成功补充大量高置信度未标记目标，经人工审核误检率低。该方案为月球撞击坑检测提供了高效可靠的深度学习解决思路。

关键词： 离焦深度   屈光检测   图像处理   三维测量  

摘要： 随着视网膜屈光检测技术的不断发展，传统的屈光检测方法操作复杂，所需图片处理量大等问题也逐渐显现出来，因此提出了一种基于离焦深度的屈光检测技术。所提方法只需要通过两张视网膜眼底图像，对其进行分块处理，分析不同块区域的功率谱密度，并建立块区域的能量与深度之间的对应关系，从而获取视网膜三维深度信息，并进一步计算出屈光信息。实验结果表明，所提方法能够较为准确的分析深度关系，使得测量结果的误差控制在6.5%以内，并且操作简单、计算方便，解决了传统仪器所带来的复杂性、操作性难等问题。

关键词： 松科球果   目标检测   目标定位   YOLOv5s算法   双目深度相机  

摘要： 传统松科球果采摘面临效率低、风险高和成本不可控等挑战，针对自动化松科球果采摘对果实的实时识别与定位问题，提出改进的YOLOv5s-7.0（You Only Look Once）目标检测模型，基于此模型，构建基于双目深度相机的松科球果检测与定位网络。为提高目标检测精度及效率，对YOLOv5s模型进行改进，将部分卷积PConv嵌入到模型的颈部网络neck多分枝堆叠结构中，面对松科球果的复杂场景增强对稀疏特征的处理能力，提升鲁棒性，减轻特征信息的冗余。在骨干网络backbone的深层及backbone与neck的连接处嵌入简单注意力机制SimAM，在不引入过多参数的基础上优化模型复杂背景下特征提取能力和信息传递的有效性。为满足高效率检测定位，基于双目深度相机测距原理和改进的YOLOv5s模型搭建目标检测及实时定位代码，通过深度匹配，构建松科球果检测与定位系统。根据构建的大兴安岭樟子松球果与小兴安岭红松球果数据集，改进后YOLOv5s模型目标检测精确率达96.8%，召回率和平均精度达94%、96.3%，松科球果检测与定位系统在x轴、y轴、z轴的平均绝对误差分别为0.644、0.620、0.740 cm，顺、侧、逆光照下定位试验成功率93.3%，暗光下定位成功率83.3%，视场角等其他性能符合松科球果采摘需求。研究提出的松科球果检测与定位系统为机械化采摘的实时目标检测与定位问题提供可靠的解决方案。

关键词： 道岔转辙机   故障诊断   改进EfficientNetV2   ShuffleNet   轻量化模型   图像处理  

摘要： 转辙机是铁路信号设备的重要组成部分，保持其正常工作状态通常需要电务与工务人员的不间断监测以及定期检修，耗费大量人力物力，而传统的基于深度学习的转辙机监测通常对硬件设备有较高要求，且难以满足实时性的需求。针对上述情况，结合信号集中监测现有架构，提出一种适用于车站层面的转辙机诊断算法。首先，以EfficientNetV2为主干诊断网络，使用ShuffleNet模块代替原模型中的部分浅层结构，以更好捕获输入模型初期的曲线特征；其次，有针对性地进行模型剪枝、模型量化、低秩分解等轻量化改进，减少资源占用，快速得到诊断结论；最后，基于ZYJ7型转辙机常见故障特征建立案例库，并对样本进行数据增强，使用其进行模型验证。数据输入模型后，即对动作曲线状态进行初步评估，判断启动、转换、锁闭阶段的时长是否正常，划分故障范围，将曲线初步分类后送入改进模型进行状态诊断。经检验，改进后的轻量化故障诊断模块具有良好的状态监测与报警能力。与初始模型相比，文章所提模型体积减小32.5%，在训练集和验证集上的准确率分别提升4.9%和2.2%，在测试集中所提模型准确率达到98.42%，使用ROC曲线得出模型整体性能优于经典深度学习模型。研究对于未来大模型背景下的新一代铁路信号智能运维具有借鉴意义。

关键词： 深度学习算法   高分辨率   遥感飞机   目标时序回波   split-fuse-select机制   双边滤波器  

摘要： 在高分辨率遥感飞机目标检测过程中，大气中的散射、地表反射的不均匀性、以及其他非目标物体的辐射等，都会在遥感影像中形成杂波，降低检测效果。为了提高检测精度。基于深度学习算法对高分辨率遥感飞机的目标检测进行了研究。采用双边滤波技术去除了图像中的椒盐噪声，减少遥感影像中的杂波，保留飞机目标的几何轮廓信息。引入滑动窗口权值，根据图像像素间的空间距离和灰度差共同决定权值系数，从而有效地保护了图像的边缘结构。使用split-fuse-select机制调节感受野的大小，结合动态选择卷积核与多层级残差连接改善网络性能，采用自适应分类模块和注意力引导模块精确筛选少量杂波图像中的目标，依据混合置信度排序实现目标检测。经实验测试结果表明，本文方法能够在杂波干扰情况下检测出11架飞机，与实验指标一致，且在杂波分布泊松分布参数值为120的情况下，最大归一化目标回波值仅为0.38，能够精准检测高分辨率遥感飞机。

关键词： 深度学习   目标检测   计算机视觉   小目标林火   模型轻量化   无人机影像  

摘要： [目的]当前，在图像处理与计算机视觉领域，林火样本图像存在火点隐蔽、易漏检等问题。为此，提出一种基于深度学习的小目标森林火灾检测模型。[方法]该模型采用轻量级主干网络，在特征融合层引入全局注意力机制，这有助于减少信息损失并提升深度神经网络的性能。此外，添加小目标检测层用于检测较浅的特征图，从而实现对小目标林火的高精度检测。在不同数据集和多个场景下对模型的检测效果进行测试。[结果]构建的模型在mAP指标上达到84.79%，较YOLOv5s模型提高4.45%，每秒传输帧数（FPS）保持在60以上，这验证了该模型在航拍角度下检测小目标林火的合理性与有效性。[结论]该模型在检测精度和速度方面表现出色。未来研究可探索半监督或自监督学习，以在保持识别精度的同时降低数据标注成本。