关键词： 木材识别   智能鉴定系统   化学指纹   光学感知   DNA分子标记   计算机视觉   多模态融合  

摘要： 木材准确识别对于保障全球森林资源可持续利用、打击非法采伐与贸易及保护生物多样性具有重要的生态与经济价值。文中系统梳理木材识别技术从传统经验分析迈向融合型智能鉴定系统的研究进展，首先回顾依赖解剖特征的传统经验鉴别法的价值与局限，继而阐述基于化学指纹的色谱/质谱技术、基于光学感知的光谱技术、基于遗传信息的DNA条形码与指纹图谱技术，以及基于人工提取特征的图像识别技术，分析各类技术在解决近缘种鉴别、产地溯源等核心问题上的原理及应用；此外，重点探讨目前智能鉴定系统的两大类型：基于深度学习卷积神经网络（CNN）的计算机视觉识别系统，以及整合多源信息的多模态融合系统；最后，展望该领域的未来方向是构建融合型智能鉴定系统，其核心路径在于突破多模态融合算法、共建共享全球木材数字库、以及发展轻量化现场快检技术。本文旨在为木材识别技术的系统化发展与智能化升级提供清晰的路径参考。

关键词： 目标跟踪   视觉Transformer   时序上下文   时间建模   空间解码  

摘要： 单流Transformer跟踪框架因其强大的全局建模能力而备受关注。然而，单流Transformer跟踪器普遍存在时序上下文信息利用不足的问题，易因历史状态记忆缺失导致跟踪漂移。针对该问题，本文提出一种融合时序上下文线索的单流Transformer跟踪算法，以增强复杂场景下的目标表征能力。首先，设计时间建模模块，基于Transformer对历史帧序列进行时序建模，提取目标运动轨迹与外观演化特征；其次，构建空间解码模块，将时间线索与目标查询动态融合，生成增强型时空表征；最后，通过预测头实现目标定位与状态更新。实验在GOT-10K、TrackingNet、LaSOT、NFS、UAV123、TNL2K六个公开基准数据集上进行了公开比较，在数据集TrackingNet中，AUC得分和精准度为83.5%、82.4%，在所有对比方法中位列第一；在数据集GOT-10K中，平均重叠率为72.6%，相比于性能第2的模型DyTrack提高了1.2百分点；在LaSOT数据集中，AUC得分为69.2%，与目前最优异的模型DyTrack相当。实验结果显示，本文所提算法通过显式建模时序上下文信息，显著提升了单流Transformer跟踪器的鲁棒性与准确性，验证了时序上下文线索的有效性。

关键词： 计算机视觉   遥感图像   语义分割   跨学科融合   项目驱动  

摘要： 为了提高计算机视觉课程教学质量，提出基于项目驱动与跨学科融合的教学改革方案。以遥感图像语义分割为教学案例，通过项目驱动模式，结合遥感技术、计算机视觉和地理信息系统（GIS）等多学科知识，培养学生的综合能力。教学过程分为数据预处理、模型设计与训练、结果评估与应用等环节。学生通过实际项目的操作，掌握了从数据处理到模型优化的全过程，并在团队合作中提升了创新思维与问题解决能力。在课程实施过程中，通过多维度的评估体系评价学生的技术能力、创新能力及跨学科协作能力，最终为学生提供一个全方位的学习体验。实验结果表明，学生在项目完成度、创新能力和团队协作等方面均有所提升，达到了教学目标。该研究为计算机视觉及遥感图像处理领域的教育改革提供了可行的实施路径，并为未来的课程设计提供了有益参考。

关键词： D-S (Dempster-Shafer)证据理论   样本依赖   多源融合   目标检测  

摘要： 针对多源图像舰船目标检测中存在的样本依赖性强、异时相数据融合效果差的问题，提出一种基于D-S (Dempster-Shafer)证据理论的自适应决策融合方法。不同于传统先融合后检测的结构，该方法构建了差异化基本概率指派模型，通过将异时相样本融合产生的信息干扰转化为互补优势，有效解决了多源融合检测对同时相样本依赖性强的问题，实现多源图像的有效决策融合。结果表明，所提方法的平均精度较单源光学图像和合成孔径雷达图像检测分别提升0.7%和2.92%。对比传统融合检测算法，所提方法缩减了运算开支，显著提高了检测精度。

关键词： 激光红外检测   碳纤维复合材料管   脱粘缺陷   深度学习   图像处理  

摘要： 针对大型可展开天线碳纤维复合材料管壁缺陷传统检测方法检测距离近、效率低、智能化不足的问题，提出了一种基于图像处理和深度学习算法的碳纤维管脱粘缺陷镜面激光红外检测智能化定量评估方法。首先，基于Otsu算法进行检测区域自动识别提取，并对提取后的图像序列进行主成分分析处理，有效抑制噪声干扰并提升缺陷特征对比度；其次，提出了一种基于深度学习算法的缺陷智能化识别和分割算法，通过决策级融合策略实现缺陷区域的精准快速识别，并基于区域约束分割策略和逻辑或聚合算法实现缺陷形状的准确分割；最后，通过缺陷矫正与三维还原算法，实现了缺陷的三维可视化重构。对含内部脱粘缺陷的碳纤维管试件进行了检测，结果表明：所提方法对缺陷的定量评估结果与CT扫描结果高度一致，缺陷形状识别误差在工程误差内，验证了所提方法的准确性与有效性。该研究为可展开天线碳纤维管的远距离、高效和智能化无损定量评估提供了一定的指导意义。

关键词： 图像处理   图像去雾   特征提取融合   边缘约束   非均匀浓雾  

摘要： 非均匀浓雾因雾浓度空间分布不均，导致含雾图像普遍存在多尺度特征(小尺度雾团细节、大尺度雾背景)易丢失、物体轮廓/雾浓度突变边缘模糊、去雾后色彩与清晰度失衡的问题，提出一种多尺度边缘协同非均匀浓雾图像去雾方法。该方法构建特征提取融合模块，通过匹配卷积提取不同尺度特征，并引入残差权重进行加权融合以提高多尺度特征提取能力；提出在边缘约束模块中嵌入边缘检测算子计算边缘幅值，根据边缘幅度动态调整去雾程度，有利于提升图像边缘细节，增强去雾图像的清晰度；最后采用后处理模块优化视觉效果，通过色彩饱和度调节和反锐化掩模操作，实现色彩饱和度与图像锐度的协同优化。实验结果表明：与PTTD等先进去雾方法相比，所提方法在NH-HAZE数据集上有效提升了特征捕获性能、边缘细节保留能力和去雾图像的视觉效果，结构相似性提高了0.72%以上、峰值信噪比提高了0.73%以上、色彩误差率降低了2.6%以上，相较部分方法平均梯度提高了9.7%以上。

关键词： 遥感图像   目标检测   Mamba   上下文信息   边缘增强  

摘要： 针对遥感图像中因背景复杂、低对比度目标边界模糊、小目标像素占比低等导致的弱目标检测难的问题，提出了一种基于边缘感知增强的遥感弱目标检测算法WMamba。首先，设计了一种耦合局部特征提取机制的局部Mamba模块，该模块通过将状态空间模型与局部感受野增强策略相结合，在保留长距离依赖建模优势的基础上，显著提升了对细节特征的捕获能力。该结构被用于替代主干网络及颈部网络中的C2f模块，通过逐层提取并融合多尺度上下文信息与局部纹理特征，逐步构建出语义层次丰富、判别性强的特征表示。其次，为进一步强化目标轮廓信息，提出了一种边缘增强模块。该模块基于正负权重差异化分布策略，构建梯度级边缘信息提取路径，通过增强高频梯度响应并抑制低频背景噪声，有效凸显模糊边界和弱目标的轮廓特征，引导网络实现边缘区域的显著性表达。最后，为了实现对增强特征中关键信息的精准聚焦，设计了多维注意力模块，从空间位置、通道关系及卷积核三个维度同时进行注意力权重分配。该机制能够有效抑制复杂背景干扰，强化目标区域响应，从而提高弱目标与背景的可区分性，提升检测精度。所提方法在NWPU VHR-10数据集以及UAVOD-10数据集上相较于基线模型YOLOv8n的mAP分别提升了5.5%和3.2%。

关键词： 计算机视觉   眼中心定位   深度学习   白内障手术  

摘要： 白内障手术导航中，眼中心定位通常依赖于对虹膜、角膜等感兴趣区域的快速且精确的形状拟合，因此区域的形状检测实时性与准确性对定位结果至关重要。针对现有方法普遍难以满足高帧率术中应用、缺乏区域形状约束以及异常值剔除问题，本文提出一种形状感知的快速术中眼中心定位方法。首先以所设计的LiteBottle特征提取模块为核心构造轻量级分割网络CAT-Net，高效检测虹膜和巩膜区域。而后提出包含紧凑损失与平滑损失的形状感知损失函数，前者通过计算形状完整度鼓励完整的区域分割，后者通过计算预测轮廓和真实轮廓的差异引导预测轮廓向真值对齐。最后，利用巩膜信息剔除异常虹膜边缘，保证拟合眼中心的可靠性。实验结果表明，CAT-Net在白内障手术数据集上实现了95.25%Dice、仅0.81M参数量与0.80GFLOPs的计算复杂度,可部署于算力与内存受限平台。同时，该方法实现了92.3 FPS的定位速度与0.119 mm的平均定位误差，精度与效率均优于主流方法。

关键词： 目标检测   多阶门控聚合   空间-光谱特征融合   感受野注意力   MRS-YOLOv8  

摘要： 合成孔径雷达（SAR）影像具备全天时、全天候观测能力，广泛应用于海洋目标监测任务。然而，SAR图像普遍存在斑点噪声、低信噪比以及目标尺寸小等问题，使得遥感小目标检测任务面临巨大挑战。为解决这些问题，提出了一种基于YOLOv8的融合自适应感受野的多阶聚合方法 MRS-YOLOv8。首先结合RFA自适应感受野调整与通道注意力机制，聚焦目标关键区域，提升小目标在复杂海面背景下的可区分性。其次通过门控单元MOGA动态控制特征流，抑制冗余信息，增强多尺度特征（P3-P5）的跨层级融合能力。然后在SSFF中，引入3D卷积联合建模SAR图像的空间结构与后向散射光谱特性，解决传统特征金字塔（FPN）中跨尺度关联性不足的问题。实验结果表明，在自建哨兵一号SAR海洋目标数据集S1-MTD上，MRS-YOLOv8对船舶的mAP50达到0.983，对风电平台的m AP50达到0.810，较基准的YOLOv8在船舶和风电平台上分别提升了2.4%和4.1%，优于主流方法 FFCA-YOLOv8(+2.3%和+6.6%)与ASF-YOLOv8(+0.6%和+3%)。本研究为海洋目标自动化监测提供了高精度、轻量化的解决方案。

关键词： 目标检测   苹果成熟度   YOLOv8n   轻量化模型   推理速度  

摘要： 【目的】解决苹果成熟度传统检测模型过大、推理速度慢、检测精度低等问题。【方法】构建基于改进YOLOv8n的轻量化实时检测模型GCA-YOLOv8n。首先，引入C3Ghost模块替换原模型的C2f模块，实现模型轻量化、提高模型推理速度；其次，引入GhostConv模块替换原模型的Conv，帮助卷积层更有效地提取信息，减少冗余；最后，将ACmix注意力机制添加到原模型结构中，提高模型的特征提取能力和检测精度。并将GCA-YOLOv8n模型应用于苹果成熟度检测试验。【结果】结果表明，GCA-YOLOv8n模型的参数量、浮点运算数、权重文件大小分别为2011007、5.7×109、4.4×106，与YOLOv8n相比分别降低33.1%、29.6%、30.2%，推理速度为130.8帧/s，与YOLOv8n相比提高21.5%，平均精度均值和F1分别为89.2%和82.5%，模型具有较高的检测精度和推理速度。【结论】研究构建的GCA-YOLOv8n模型在保证检测精度的同时显著降低了模型复杂度与计算量，实现了轻量化与高效化。模型具备较高的实时检测性能，可在移动端边缘设备上稳定运行，为自动化采摘提供技术支持。