关键词： 岩心分析检测技术   油气勘探   数字化   图像处理  

摘要： 岩心分析是认识油气层地质特征的重要手段,同时也是保护油气层技术的基础。岩心分析在油气勘探中发挥着至关重要的作用,是了解地下地质状况的主要手段,通过岩心分析能够帮助人们了解地下岩石相关参数,并以此为依据判断油气层、含油气情况以及储集特征等,为油气开采奠定基础。岩心分析检测技术类型多样,不同类型的技术有着相应的优点与局限性,在油气勘探中应结合实际情况合理选择岩心分析检测技术,使其更好的为油气勘探服务。基于此,本文分析了常规岩心分析检测技术的优缺点,并就数字化新技术方法和应用进行探究。

关键词： 表面缺陷   YOLOv11n   共享卷积   目标检测   轻量化   注意力机制  

摘要： 针对立井罐道表面缺陷检测模型检测准确率低、识别困难、参数量大等问题,提出多增强轻量级高效-你只看一次第11版纳米型(multi-enhanced lightweight efficient-you only look once version 11 nano,MELE-YOLOv11n)模型。首先,设计了高效通道注意力双流(efficient channel attention dual-stream,ECA-DS)和深度可分离卷积-高效多尺度注意力(depthwise separable convolution-efficient multi-scale attention,DWEMA)模块,增强模型在矿井复杂环境中对目标缺陷特征的适应性,提高模型的检测性能。然后,采用了卷积3尺度可变核双路径全内核(convolutional three-scale kernel-adaptive dual-path-omni-kernel,C3K2-OK)模块,捕捉不同尺度的特征图信息,缓解信息丢失问题。最后,针对原有检测头计算量大的问题,提出轻量级共享细节增强卷积检测头(lightweight shared detail-enhanced convolutional detection head,Detect-LSDECD)模块,使用共享策略结合细节增强卷积增强模型的轻量化性能。结果表明,与YOLOv11n模型相比,MELE-YOLOv11n模型在立井罐道表面缺陷数据集上的平均精确率均值提高了2.5%,参数量降低了0.3×10～6个。MELE-YOLOv11n模型能够满足准确性和轻量化之间的平衡需求,可以为立井罐道表面缺陷的自动化检测提供有力的技术支持。

关键词： 区域最小熵   相对总变分   雾霾线理论   图像处理   去雾  

摘要： 针对去雾算法得到的复原图像细节模糊、颜色易失真的问题，提出了一种改进的图像去雾方法。首先，获取含雾图像的主结构图及最小通道图，计算主结构图像的行列亮度映射，并寻找最值和次最值点，组合构成四个备选区域，将其中最小熵区域的中值作为全局大气光值。然后，通过引入雾线可靠性评估参数来判断透射率点是否属于噪声区域，对噪声区域的透射率点进行聚类，并利用邻域雾线优化透射率，合并像素点过少的簇，适当放大最大辐照度的选择范围以弥补区域受限带来的误差。最后，使用侧窗盒式滤波提取最小通道中的边缘信息，并根据雾线聚类结果的特性设计相对总变分的自适应权重因子，去除纹理信息，进一步细化透射率，并最终根据大气成像模型得到复原图像。实验结果表明，提出的算法相较于多种去雾算法，在复原图像的信息熵、平均梯度、模糊系数及雾霾浓度评价指标（FADE）等指标均有显著性能改进，复原图像的细节更加完整，其色彩更好地匹配人类视觉感知。

关键词： 图像处理   文字识别   深度学习   工件编码   坐标变换  

摘要： 针对工件在生产加工与使用过程中弧形编码难以识别、影响信息溯源与质量追踪的问题，本文设计了一种基于改进极坐标变换的工件弧形编码视觉识别算法。首先，采用分水岭算法对多个随机平铺的工件图像进行分割；其次，应用自适应直方图均衡化算法依次提取每个工件的字符图像；然后，利用改进的极坐标变换方法将弧形编码展开为线性编码；最后，结合YOLOv5s深度学习模型完成字符识别。实验结果表明，该方法字符错误率降低10%，词错误率降低9%，验证了其有效性。该算法为工件编码的高效、准确识别提供了可靠技术支持。

关键词： 开放世界目标检测   混合采样   互信息最小化   特征解耦   仿射变换   任务路由机制  

摘要： 开放世界目标检测(Open World Object Detection， OWOD)需兼顾已知类别检测与未知目标识别，并支持增量学习新类。针对现有方法未知类召回率低、特征解耦不足及增量学习稳定性差等问题，提出混合采样与解耦协同的开放世界目标检测算法（Hybrid Sampling and Decoupling Collaborative for OWOD， HSDC-OWOD）。该方法设计三个模块协同工作：1）混合分布提案生成模块（Mixed Distribution Proposal Generation， MDPG），融合高斯分布与长尾分布特性，生成覆盖更加全面的区域提案，增强目标检测的适应性；2）多任务自注意力解耦模块（Multi-task Self-attention Decoupling Module， MSDM），采用双分支自注意力机制解耦类别预测与对象性预测任务特征，引入互信息最小化技术强化特征独立性，并通过最大softmax概率验证提升未知类别识别鲁棒性；3）多任务自校准层（Multi-Task Self-Calibration Layer， MT-SCL），设计双分支独立仿射变换重构任务特征空间，结合任务路由机制缓解增量学习中的灾难性遗忘问题。实验表明，在M-OWODB数据集上，算法的未知类召回率较最优基线提升1.2%-1.9%，mAP提升1.1%-1.5%；在增量学习任务中，模型mAP达74.2%，较现有方法提高1.4%-1.8%，验证了算法在改善召回率低、特征解耦不足及增量学习稳定性差等问题上的有效性。

关键词： 计算机视觉   轨道交通   特征提取   目标检测  

摘要： 轨道交通系统作为交通网络的骨干，因其高效、便捷的特点，在现代社会中扮演着至关重要的角色。随着技术的持续进步，计算机视觉技术已成为推动轨道交通系统向更高效和更可靠发展的关键因素。本文深入探讨了计算机视觉技术在轨道交通领域的研究现状，评估了该技术对提升运输效率和安全性的重要贡献，并分析了在实际应用中遇到的挑战以及可能的改进方向。本文通过当前的三种主要应用方向：车站安全检测、轨道安全检测和车体状态检测分析了计算机视觉技术的应用内容，并分析了当前研究的发展方向。最后，文章对未来发展趋势进行了展望，预测了计算机视觉技术将如何进一步推动轨道交通系统的自动化、智能化，以及在保障数据安全的前提下，为轨道交通领域带来更多创新和突破。

关键词： 深度学习   YOLOv8   图像识别   目标检测  

摘要： 为了提高葡萄叶片病害检测的效率与准确性，克服传统人工检测方法效率低、主观性强的局限，该研究提出一种基于改进YOLOv8的葡萄叶片病害检测方法，通过引入CBAM注意力机制优化特征金字塔结构，增强对不同尺度病斑的特征捕获能力；同时采用ShuffleNet V2轻量级网络替代原有CBS模块，在保持检测性能的同时显著降低模型参数量和计算复杂度。试验结果表明，改进模型在包含3种主要病害（黑腐病、褐斑病、轮斑病）的5 000张叶片图像数据集上实现了94.6%的平均精度均值（mAP@0.5），较YOLOv8提升2.7个百分点，推理速度52.06 FPS，满足田间实时检测需求。与YOLOv5、Faster R-CNN、YOLOv8等模型对比，改进模型在检测精度和效率方面均表现出优势，为葡萄叶片病害智能识别提供了一定支持，该模型可以作为葡萄叶片病害检测的一种有效方法。

关键词： 钢渣颗粒   堆积角   图像处理   接触参数标定   正交试验   数值模拟  

摘要： 【目的】为了使基于离散元单元法（discrete element method,DEM）的仿真软件EDEM的数值模拟结果能够更准确地反映炼钢过程中钢渣颗粒的流动特性，分析钢渣颗粒接触参数的最优组合，为钢渣颗粒的离散元仿真提供可靠参数依据。【方法】采用实验与仿真结合的方法，通过实验测得钢渣颗粒的粒径分布、密度、颗粒形状、堆积角度等基本参数，并设计正交试验对颗粒-颗粒接触参数进行参数标定；利用Python软件的OpenCV库实现堆积角图像的读取处理。【结果】经正交试验确定的颗粒-颗粒最优接触参数组合为：滚动摩擦系数为0.1，静摩擦系数为0.35，恢复系数为0.1；实际钢渣颗粒堆积角为26.39°，仿真最优参数组合的堆积角为25.92°，二者相对误差为1.78%；其中，恢复系数对堆积角的影响最为显著，滚动摩擦系数次之，静摩擦系数影响最小。【结论】表明此参数标定方法是可行的，获取的参数可用于钢渣的离散元仿真。

关键词： 螺旋辊   田间分级   传送装置   图像处理   苹果  

摘要： 苹果的分离、输送与旋转是基于机器视觉的分级系统的重要步骤。针对现有苹果传送装置无法满足田间作业条件下小型化、高通量需求的问题，该研究设计了集成分离、输送与旋转功能于一体的变螺距螺旋辊传送装置；基于ADAMS软件对螺旋辊进行运动学仿真，优化了其最佳转速区间；设计了基于颜色的苹果表面累积着色率计算方法，采用六色分区涂覆法采集图像，以苹果运动图像与苹果表面展开二维图像的各颜色区域着色比作为苹果表面累积着色率，从而量化苹果旋转圈数，明晰了果径大小、螺距大小与苹果旋转运动的关系。结果表明：1）螺旋辊转速为2 r/s和3 r/s时，单个苹果在相机视场下分别完整旋转3圈和2圈，确保了分级系统能够捕捉到苹果的全表面信息，苹果在辊运动能够保持一致性和稳定性；2）螺距由8 mm增大至12 mm，苹果旋转一圈的位移距离增加53%～63%，验证了螺旋辊各区域功能的有效性；3）分级系统在1 s可同时获取12个苹果的图像信息，满足田间条件下高通量的需求。该研究可为田间条件下苹果的分级传送装置研究提供参考。

关键词： 低可见度   YOLOv11   注意力机制   损失函数  

摘要： 针对低可见度环境中，图像质量下降不仅降低了特征与背景之间的可分辨性，还容易引发定位不准、类别混淆等问题，提出了一种改进YOLOv11的目标检测算法。首先，构建多尺度注意力融合模块MulSimAM，用于增强模型对关键区域的特征提取能力；设计动态特征融合模块DyPSA，以替代原有C2PSA 结构，通过联合动态通道混合与空间注意机制，提升了模型对不同区域特征的自适应感知能力；最后，提出了定位精度优化损失EnSIou，结合尺度自适应距离调节、纵横比一致性约束与加权融合机制，提升物体在低可见度场景下的定位精度。实验结果表明，改进后的算法在自建的低可见度场景目标检测数据集上的检测精度、准确率和召回率方面取得了更优表现，同时消融实验表明两个模块改进以及损失函数优化均在低可见度图像中表现出更强的目标检测能力。