关键词： 病害   葡萄   深度学习   YOLO   目标检测   人工智能  

摘要： 为提高葡萄果叶病害的检测精度和速度，解决葡萄因生长环境和病害种类复杂造成的误检、漏检等问题，该研究提出了一种基于改进YOLO11n的葡萄病害检测模型RLSL-YOLO11。首先，为提高葡萄病害特征的提取能力，将YOLO11n主干网络替换为融合RepConv的HGNetv2，构建改进型主干网络RHGNetv2。其次，引入基于LSKA（large separable kernel attention）注意力机制设计的改进型池化模块LSPF，用于强化模型的多尺度特征建模能力。再次，采用Slim-neck架构优化颈部特征融合网络，以降低模型的整体计算复杂度。最后，设计了一种轻量级共享卷积分离器批量归一化检测头LSCSBND（lightweight shared convolutional separator batch normalized detection head），以进一步降低参数量和计算复杂度，并提高模型对多尺度病害特征的定位和提取能力。在该研究构建的数据集检测中，RLSL-YOLO11模型的准确率、召回率、mAP0.5和mAP0.5-0.95分别为82.8%、76.1%、83.1%和52.0%，与基准模型YOLO11n相比，mAP0.5和mAP0.5-0.95分别提升了1.9和6.0个百分点；模型参数量、计算复杂度和模型权重分别降低12.0%、14.2%和8.9%。研究表明，RLSL-YOLO11模型在有效提升综合检测能力的同时也降低了计算资源的需求，为葡萄果叶病害检测的轻量化和实际应用提供了参考。

关键词： 同步定位与建图(SLAM)   目标检测   光流   动态场景   定位精度  

摘要： 针对传统室内同步定位与建图 （SLAM）系统在动态场景下难以定位跟踪的问题，提出一种基于目标检测算法改进的动态视觉SLAM算法：为提高视觉定位精度并兼顾算法实时性，在第2代基于特征提取同步定位与地图构建（ORB-SLAM2）基础上构建一个轻量级的目标检测网络（称作YOLOv5）以生成动态对象的基本语义信息，并引入卢卡斯-卡纳德（LK）稀疏光流增强对运动对象的感知；通过采用第三代移动网络（MobileNetV3）作为目标检测的主干网络，使得模型算力要求减少40.36%，运行速度提升28.89%。实验结果表明，在公开数据集上，改进算法相较于ORB-SLAM2高动态场景误差可降低94%以上，最高可降低98.67%；在实际动态场景下，增加目标检测SLAM算法能够保持高精度且满足实时性要求。

关键词： 番茄识别   目标检测   注意力机制   CBAM-YOLOv8  

摘要： 在农业自动化和精准农业的背景下，果实识别检测是智能收获系统中的重要环节。快速且准确地识别番茄果实大小、数量、位置等信息，对于番茄生长状况实时监测、产量检测和提高采摘效率具有重要意义。然而，现有的基于深度学习的目标检测算法在番茄果实检测领域仍面临挑战，由于现实应用的需要，期待目标检测模型更加精确化和快速化，然而这两者难以同时兼顾，所以在实际应用中，根据应用需求来权衡这两者的关系也是研究的重点。笔者提出一种基于YOLOv8的番茄检测改进模型，将CBAM注意力机制加入到YOLOv8模型的特征提取环节。CBAM体积小，可方便集成在任一CNN架构中，有效抑制噪声和无关信息，动态调整特征图的权重，提升模型检测的精确率。经过试验，该模型的精确率、召回率、平均精度分别达到了91%、78%和90%，与SSD相比，分别提升21、14和15个百分点；与Faster RCNN相比，分别提升了13、11和15个百分点；与原始的YOLOv8相比，分别提升了5、3和7个百分点。这体现了CBAM-YOLOv8模型降低了误检率和漏检率。在检测速度方面，YOLOv8综合速度最高，改进的模型虽然比原始YOLOv8略有降低，这增加了一定的计算成本，需要在实际应用中权衡考虑。综上所述，CBAM-YOLOv8模型为番茄果实精准、高效识别提供了一种有效的解决方案，将来可应用于番茄实时监测、计数和采摘。

关键词： 目标检测   深度学习   模型   行为识别   WCG-YOLO11n   奶牛  

摘要： 为解决养殖场圈舍内奶牛与环境背景颜色相似、奶牛受卧床和栏杆等物体遮挡以及同一个监控画面下奶牛多尺度等因素影响，易造成现有模型在提取奶牛关键行为信息时出现误检、漏检等问题，该研究提出了一种基于改进YOLO11n的复杂环境下多目标奶牛日常行为检测方法。首先，在复杂环境背景下采集奶牛站立、行走、躺卧和采食4种基本行为图像，构建多目标奶牛行为数据集。其次，提出改进的WCG-YOLO11n模型，利用小波卷积层（WTConv）模块重新设计C3k2模块的瓶颈（botteleneck）结构，扩大图像感受野，增强对复杂背景上下文信息的特征提取能力。将级联分组注意力机制（cascaded group attention,CGA）融合至C2PSA模块，加强模型对遮挡奶牛区域特征的提取。在特征融合阶段利用重参数化泛化特征金字塔网络（efficient reparameterized generalized-FPN,Efficient RepGFPN）作为颈部网络，使其能够有效捕捉到奶牛行为图像中不同尺度的特征。最后，对改进模型WCG-YOLO11n在复杂环境下进行对比试验，结果表明，WCG-YOLO11n对多目标奶牛日常行为检测平均精度均值为95.3%，相比基线模型YOLO11n提高了2.2个百分点，与Faster R-CNN、DETR、YOLOv5s、YOLOv7、YOLOv8n和YOLOv9模型相比分别提高2.7、2.1、1.3、2.9、2.4和0.6个百分点。该模型在检测精度方面表现突出，能够有效应对不同程度的遮挡干扰，可为规模化养殖场饲养员监测奶牛行为提供一定的技术支持。

关键词： 车桥耦合振动   微观结构   力学性能   计算机视觉   匀质性   骨料分布  

摘要： 本文研究了车桥耦合振动振幅和频率对桥梁改扩建工程中拼宽混凝土力学性能、匀质性和微观结构的影响。通过抗压强度和计算机视觉技术评价了振动前后拼宽混凝土的分层力学性能和骨料分布情况，利用XRD和TG-DTG分析了混凝土分层微观结构的变化。结果表明，振动作用导致了拼宽混凝土的显著分层，振动对混凝土早期强度影响明显，3 d龄期抗压强度下降至未振动状态的80%,28 d龄期上下层抗压强度差异随着振幅和频率的增大进一步扩大。振幅的提高加剧下层粗骨料堆积，骨料间距减小且分布不均，导致整体匀质性显著下降。高频振动下水化硅酸钙（C-S-H）和钙矾石等水化产物偏向于在上层富集，振幅的增大则抑制了下层胶凝材料的水化，未水化的硅酸三钙（C3S）残余量增加，水化产物生成量减少，表现出上下层混凝土的宏微观结构特征差异。

关键词： 弱小目标检测   曲率特征点   曲面校正   运动轨迹筛选   目标特征相似度指标  

摘要： 在天基红外预警任务中，弱小目标具有成像尺寸小、运动规律未知的特点。现有红外弱小目标探测任务主要关注匀速直线运动目标检测问题，对高动态目标的有效检测算法尚需进一步开发。针对天基红外预警任务中高动态非线性运动目标检测问题，提出了一种基于曲面校正的天基弱小目标检测算法。首先，利用弱小目标在三维响应图中的类高斯分布特性，结合曲率滤波和目标特征相似度指标（Target Feature Similarity Metrics，TFSM）提取特征点。随后，通过曲面校正将图像位移反向投影至相机坐标系，消除地球曲面对位移的影响，实现对“远距低速投影”与“近距高速真实运动”的解耦识别。最后，基于运动轨迹的连续性和一致性，采用自适应波门机制和全局运动估计实现目标轨迹的可靠聚类。实验结果表明，该算法在弱小目标检测中优于传统方法，具有更高的检测性能和工程实用价值。

关键词： 电动车   目标检测   YOLOv8n   轻量级CBAM   BiFPN  

摘要： 针对复杂场景下的电动车检测中存在检测速度慢、存在遮挡和识别准确率低等问题，提出基于双向特征金字塔网络（BiFPN）和轻量级CBAM注意力机制改进的YOLOv8n模型。BiFPN通过学习图片的输入特征，加上反复的融合多尺度特征表达，加强了对电动车的检测；加入轻量级CBAM注意力模块，它能够自动调整目标图片的通道和空间特征响应，加强了对电动车轮廓的关注，减少了复杂环境的干扰，同时也减少了计算量，提高了模型运行的速度。研究结果表明，改进后的模型和原模型相比，在精确度(P)、召回率(R)、mAP@50、mAP@50:95中分别提升4.1%、3.0%、3.8%、3.5%，提高了电动车检测的准确率和速度，为实际电动车的检测提供了有效的方案。

关键词： 轴承装配   图像处理   图像分割   大津算法   多特征感知和贝叶斯优化   Otsu加速方法   三维度特征加权   分块动态优化  

摘要： 针对轴承装配后质检时，工业相机采集到的图像存在混合噪声和背光源过曝，导致图像分割精度不高、影响后续处理的问题，提出了一种基于多特征感知与贝叶斯优化的改进大津算法（Otsu）的轴承图像阈值分割方法。首先，在图像感知层面，读取、计算了图像的灰度值、梯度幅值、局部二值模型并完成了储存，对三特征数据分别进行了归一化处理，加权融合了三特征数据，得到了轴承图像的加权融合图；然后，在计算效率层面，引入了贝叶斯优化与分块动态规划方法，替代了Otsu的穷举法；最后，结合感知方法与加速方法，得到了一种基于多特征感知与贝叶斯优化的改进Otsu算法（MFB-Otsu），并与其他阈值分割算法进行了性能对比实验。研究结果表明：与Otsu算法、自适应分割算法对比，MFB-Otsu算法保留了轴承图像全局亮度分布的基础上，强化了外轮廓边缘，抑制了边缘噪声，输出图像边缘平滑，背景与前景彻底分离；在实测边缘提取中，边缘信息保留完整，噪点干扰率相较于Otsu降低了55%；在客观图像评价指标方面，该算法的分割准确率、交并比、F1值分别达到0.997、0.989、0.994，优于Otsu算法和自适应分割算法；在计算效率层面，相较于Otsu提高了12.9%。改进Otsu算法在轴承尺寸检测中表现出良好的通用性与稳定性，具有一定的工程应用价值。

关键词： 神经网络   模型量化   图像分类   目标检测  

摘要： 二值神经网络(binary neural network, BNN)因其较少的计算和存储开销而对业界非常有吸引力,但其准确率仍然比全精度参数的网络差.大多数现有方法旨在通过利用更有效的训练技术来提高二值神经网络的性能.然而,通过实验发现量化后特征的表示能力远弱于全精度的特征.因此,提出一种加宽和收缩机制来构建高精度而紧凑的二值神经网络.首先,通过将原始全精度网络中的特征投影到高维量化特征来解决量化特征表示能力弱的问题.同时,冗余的量化特征将被消除,以避免某些特征维度的过度增长.进而建立一个紧凑但具有足够表示能力的量化神经网络.基准数据集上的实验结果表明,该方法能够以更少的参数量和计算量建立高精度二值神经网络,其准确率与全精度基线模型几乎相同,例如,二值量化的ResNet-18在ImageNet数据集上达到了70%的准确率.

关键词： 激光雷达   相机图像   点云   3D目标检测   传感器融合  

摘要： 多模态融合的3D目标检测是自动驾驶、人机协作等领域的一项基本任务，近年来受到广泛关注。通过融合激光雷达和相机数据，3D目标检测可以有效传递信息并整合特征，进而提升对复杂环境的理解和目标检测的精度。然而，随着融合方法的不断增多，适用于稠密场景的传统融合方法面临着计算成本高、检测范围受限等问题，难以满足远距离检测的现实需求。因此，一些方法开始探索新的融合架构，旨在突破稀疏场景下的检测瓶颈。作为3D融合目标检测领域按照稠密与稀疏场景全新视角进行分类的首篇中文综述，全面分析了现有文献综述的特点，总结回顾了近年来该领域的发展变化。概括的主要贡献如下：（1）根据是否引入稠密的鸟瞰视角特征图，提出了包含稠密级融合与稀疏级融合2大类以及5小类的分类方法，指出了不同融合策略的特点及其应用场景；（2）详细梳理了现有15个公开数据集，针对3个主流数据集，介绍了评价指标并对比了10余种不同方法在主流数据集上的实验结果；（3）深入探究了典型融合方法的局限性，并展望了该领域的发展趋势，指出了未来可能的研究方向。