关键词： 可见光–红外图像融合目标检测   跨模态特征增强   全局–局部特征对齐   频率感知特征融合   多尺度特征融合  

摘要： 可见光–红外图像融合目标检测可以通过融合不同模态的信息来实现更好的检测性能。然而，来自不同模态的特征图的精确对齐以及这些不同模态信息的高效融合仍然是可见光–红外图像融合目标检测中的关键挑战。为了解决这些问题，本文提出了一种名为F3M-Det的可见光–红外图像融合目标检测方法，该方法利用跨模态特征增强、对齐和融合，实现了可见光–红外图像融合目标检测。首先，设计了一个基于跨模态交叉注意力的特征增强模块，插入骨干网络的各个阶段，引导骨干网络关注目标的所在区域，提升了来自两种模态的特征表示能力。其次，设计了一个全局到局部的特征对齐模块，从全局到局部渐进地对齐了来自两种模态的特征图，使模型适用于非对齐可见光–红外图像的场景。最后，提出了基于频率感知的特征融合模块，克服了来自不同模态的特征图差异，有效地融合了红外和可见光的多模态特征。本文在常用数据集DVTOD和LLVIP上进行了全面的实验评估。与其他算法的对比实验结果表明，所提出的方法优于现有的可见光–红外图像融合目标检测方法，消融实验结果进一步证明了所设计的各个模块的有效性。

关键词： 合成孔径雷达(SAR)   飞机目标检测   轻量化检测网络   模型剪枝  

摘要： 由于合成孔径雷达独特的成像机制,现有的深度学习检测算法,难以在精度和速度之间找到良好的平衡。因此针对边缘端应用需求,结合剪枝方法设计了一种更轻量的SAR图像飞机目标检测网络SAERFDnet。其以YOLOv8n模型为基线,主干使用重参数化大核卷积进行特征提取,颈部使用自适应多尺度离散特征融合模块,以较浅的网络深度获得更大的有效感受野。其次,改进网络在检测头分类分支引入可变形卷积,使得网络更关注不同类别目标的几何特征差异,在回归分支引入频率自适应扩张卷积,加强对图像高频区域的目标定位能力。最后,使用了模型剪枝技术获得了更轻量高效的模型。采用3个公开的实测数据集进行实验,在SAR-AIRcraft-1.0数据集上的结果表明,该方法以0.5 M参数量和2 G FLOPs的参数量和计算量达到了96.3%m AP50和72.5%m AP50-95,相比YOLOv8n模型参数量降低83.3%,计算量降低75.3%,同时提高了0.7%m AP50和2.2%m AP50-95的检测精度,对比其他模型检测结果,该方法能在保证检测精度的条件下,有效提升SAR图像飞机目标检测的检测效率。此外,在SADD数据集和高分三号飞机目标数据集上进行了迁移实验,结果均表明该方法具有良好的泛化性和鲁棒性。

关键词： 电成像测井   储层类型识别   计算机视觉   多尺度特征融合   注意力机制   卷积神经网络  

摘要： 目前，成像测井图像识别主要集中在裂缝识别，而对孔洞类储层类型的识别研究较为欠缺，且尚未有针对层段储层类型的系统化识别方法。为此，本文提出了一种基于计算机视觉和深度学习的储层类型识别方法，采用YOLOv8-S作为模型框架，并通过引入注意力机制和优化Neck模块，提升了图像储层类型的识别预测能力。此外，提出结合边缘检测的滑窗方法，对层段图像进行分割，有效减少特征信息丢失并提高模型识别的准确性。相比现有识别方法，该实验研究方法显著减少了人工操作的主观性和工作量，能够同时识别裂缝和孔洞类储层类型，识别准确率达到83.78%，具备较好的储层类型识别与预测能力，为裂缝孔洞型储层精确评价提供了技术保障。

关键词： 多无人艇系统   协同目标跟踪   障碍物避碰   自适应队形变换   分布式控制算法  

摘要： [目的]针对多无人艇系统在目标跟踪过程中的障碍物避碰与队形变换问题，提出一种基于双曲正切函数的自适应目标跟踪队形变换控制方法。[方法]首先，根据不同障碍物分布与碰撞检测结果设计队形变换策略，并基于双曲正切函数结合队形变换临界距离与安全距离设计队形自适应变换律，以平缓队形变换过程；然后，基于期望队形与目标速度建立分布式一致性偏差模型，并利用反步法设计分布式运动学控制器，实现对目标的稳定跟踪且提升系统响应速度；同时，基于超螺旋滑模法设计动力学控制器，实现在模型不确定与存在环境扰动条件下对期望速度的稳定跟踪；最后，证明多艇协同目标跟踪系统在设计方法下各误差信号均收敛。以4艘无人艇构成的目标跟踪系统为例，在不同场景下对所提出的算法进行对比仿真实验。[结果]仿真结果表明，无人艇编队能够根据障碍物分布情况进行相应的队形变换跟踪，且与人工势场法相比，一致性跟踪偏差最值均显著降低，纵向控制力与转艏控制力矩输出更为平缓。[结论]所设计的方法在满足无人艇跟踪编队于障碍物环境下进行队形变换需求的同时，能够实现队形的平稳变换，保证多艇系统的安全性与跟踪队形的完整性。

关键词： 育苗盘   生育状态   单株   群体   目标检测   分块策略   改进YOLOv5s  

摘要： 针对烟叶育苗盘群体作物生长发育状态的全生育期持续性监测问题,根据单株作物检测到作物群体检测的策略,提出了一种基于改进YOLOv5s目标检测模型的育苗盘生育状态评估算法,实现了由单穴烟苗生育状态评估整盘烟苗生育状态,可完成包括整盘育苗进度、整盘生长一致性、生育期和各期烟苗占比等生育状态的指标预测。首先,基于归一化超绿特征法(ExG)和最大类间方差法(Otsu)提取整盘烟叶区域,分析烟苗叶面积率和整盘育苗进度的线性映射关系;其次,对分块后的单穴提取烟叶区域,采用基尼系数分析叶面积率的分布来推算整盘生长一致性。通过引入输入图像分块策略和在YOLOv5s模型结构中引入SimAM注意力机制和SPD-conv下采样策略,以解决大图像检测中小目标容易采样丢失问题,增强了图像特征间的聚合能力和低分辨率图像的特征表示,减少了细粒度信息的丢失,改进后的YOLOv5s目标检测模型可用于单穴烟苗生育状态的分类和定位,完成整盘烟苗的生育状态指标计算。检测结果表明,输入图像采用分块策略后显著提高了目标检测性能,模型结构改进后的单穴烟苗检测mAP@0.5∶0.95达到80.7%,相比于改进前YOLOv5s模型提升了6.9%,改进后的YOLOv5s算法能够有效监测育苗盘烟苗的生长发育状态,为实现烟叶育苗智能化管理提供技术保障。

关键词： 汽车起重机   吊臂下人员入侵   目标检测   双目视觉测距   YOLOv8  

摘要： 为监控汽车起重机作业过程中吊臂下方危险区域是否存在人员入侵行为，保障施工人员生命安全，提出一种融合YOLOv8m目标检测与双目视觉测距算法的汽车起重机吊臂下人员入侵诊断方法。提出方法采用双目相机连续采集吊钩区域图像，并对双目图像进行立体矫正；然后，利用YOLOv8m模型对矫正后图像中的人员与吊钩目标进行实时精准定位；其次，将目标检测框中心点作为特征点进行人员和吊钩目标的高效视差匹配，进而实现人员和吊钩目标的三维空间坐标精确计算；最后，提出以双目相机-吊钩为基准划定的危险区域设置方法，并根据人员与吊钩在水平面上的投影距离，进行汽车起重机吊臂下人员入侵诊断。验证试验包含2名人员和1个吊钩，相机与吊钩的观测距离设置为20 m，并探讨了不同基线距离的影响。结果表明，当相机基线为50 cm时，20 m测试距离下深度测量误差最高3.42%，人员与吊钩之间的距离测量误差介于1.43%～35.71%，提出方法能够有效对人员和吊钩进行识别，并计算两者的水平距离，实现吊臂下人员入侵行为诊断分析。

关键词： 鸟瞰图   深度估计   3D目标检测   多模态融合   特征融合  

摘要： 摘要针对自动驾驶中图像深度突变导致的估计不准和多模态特征错位问题，本研究提出融合深度梯度与特征对齐的目标检测方法。首先设计深度梯度感知的深度估计网络模块，利用雷达点云梯度信息构建几何表征，结合深度恢复单元优化像素级深度估计，显著提升场景突变区域的拟合精度。其次提出Align-Fusion模块，通过可学习流场实现鸟瞰图特征动态对齐，增强多模态信息融合效果。在nuScenes数据集上，本方法取得71.2%的平均精度和73.1%的NuScenes检测分数，较BEVFusion提升3.3%和2.1%，深度突变场景误检率降低了37%，验证了方法的有效性。

关键词： 双模态   钢表面缺陷检测   YOLOv8   特征融合   注意力机制  

摘要： 钢表面缺陷检测是工业质量管控核心环节,针对现有基于RGB单模态的缺陷检测模型鲁棒性不足,空间形态缺陷误检漏检错检发生率高,提出了并行双模态空间感知融合的PMSF-YOLOv8(Parallel multi-modal spatial-aware fusion YOLOv8)算法,采用双分支异构网络分别强化RGB纹理和深度空间特征学习,在中期融合阶段采用双模态特征融合模块DFFM(dual-modal feature fusion module)通过动态权重实现多尺度特征自适应融合。使用NUE-RSDDS-AUG数据集进行验证,结果表明,PMSF-YOLOv8网路模型检测准确率mAP@0.5达98.6%,误报率较单模态方法降低2.1%,实现了“高精度-低误报”平衡。

关键词： 目标检测   YOLOv5   圆心定位   圆孔识别   机器视觉  

摘要： 利用烟囱壁上的预留孔来实现烟囱拆除机器人的升降锁固，可显著提升烟囱拆除机器人的工作效率。基于深度学习目标检测技术，提出一种烟囱壁预留孔识别与定位方法。首先，基于YOLOv5深度学习网络模型检测预留孔在图像中的大致区域，得到预留孔的粗定位信息，并用高斯滤波法滤除该区域中的孤立点和噪声点；然后，基于预留孔的粗定位信息，利用Canny算子提取预留孔的边缘信息；最后，利用基于最小二乘的椭圆拟合方法获取预留孔的圆心坐标，实现对预留孔的精确定位，有效减少了目标边缘模糊、相似物干扰、圆形畸变等情况对预留孔定位精度的影响。研究结果表明，YOLOv5s模型的mAP@0.5%达到了99.5%，模型的检测速度为6.5 ms，在仿真环境下圆心定位误差小于0.8 pixel，可有效提高烟囱拆除机器人升降运行的可靠性与效率。

关键词： 红外热成像   缺陷检测   YOLOv11   增强图像引导   高效多尺度注意力机制   内容感知特征重组  

摘要： 【目的】为了克服红外热成像缺陷检测中因缺陷信号微弱和边界模糊而导致的检测准确性与鲁棒性不足的问题，提出一种基于增强图像引导的改进YOLOv11检测模型（improved YOLOv11 detection model based on enhanced image guidance， IEIG-YOLOv11）。【方法】首先，在原始YOLOv11模型的输入端引入经过预处理后的增强热图像，丰富输入特征表达；然后，在主干网络引入高效多尺度注意力机制（efficient multi-scale attention， EMA），结合残差连接提高浅层特征表达能力，增强对微弱缺陷的检测能力；最后，在颈部网络中引入内容感知特征重组（content-aware reassembly of features， CARAFE）上采样模块，提高浅层特征重建质量，强化缺陷细节特征。【结果】经消融试验验证，上述改进均对模型性能有所提升。针对缺陷目标检测，IEIG-YOLOv11模型的精确率、召回率及F1分数分别达到0.967、0.978和0.972。IEIG-YOLOv11模型与主流目标检测模型的对比试验结果表明，IEIG-YOLOv11模型的各项性能均优于其他模型，显著减少了漏检现象，有效增强了对边缘模糊及微弱缺陷的识别能力，并能兼顾检测精度与效率。【结论】IEIG-YOLOv11模型为实现微弱信号情况下的红外缺陷目标检测提供了解决方案，进而为红外热成像技术的实际应用奠定了基础。