关键词： 改装电动车   中小目标检测   YOLOv7-tiny   BiFormer   BiFPN  

摘要： 由于电动车的普及,越来越多的电动车进行非法改装雨棚.然而,这种改装行为会增加一些安全隐患.首先,挡雨板会遮挡骑行者视野,增加事故的风险.其次当速度过快时,挡雨板也会在不经意间擦伤行人,带来极大地安全隐患,给交通安全带来了严重威胁.本文提出了一种改进的YOLOv7-tiny算法,用于电动车非法改装检测.首先在网络的结构上加入BiFormer注意力机制,不仅可以捕获更多电动车细节的信息,而且可以使得模型更加关注一些较小的目标信息.其次将改进的特征金字塔结构和特征融合网络的张量拼接操作进行结合,提升对中小型目标的检测能力.最后对框架的ELAN模块和SPPCSPC模块进行改进和优化,可以在不增加过多参数量的同时,提升对中小目标的检测精度,增强提取特征的效果.

关键词： 三维目标检测   多模态融合   边缘差分信息   扩散函数   注意力机制  

摘要： 基于多模态的三维目标检测可以利用点云的几何信息和图像的语义信息。针对多模态三维目标检测中存在的边缘信息无法充分利用、异构数据融合困难、推理速度慢等问题，提出一种高效的基于边缘差分信息融合的多模态实时三维目标检测算法（Multimodal real-time 3D object detection based on edge differential information fusion， EDMR-Net）。在融合阶段提出了一个差分特征增强融合模块，通过扩散函数利用图像的差分信息增强点云语义表达以实现异构数据的互补，使用丰富的边缘信息和特征的稳定状态精准定位小目标；利用自适应上下文感知网络对多模态特征进行自适应权重分配，进一步细化多尺度上下文信息；为了提升模型对细节信息的捕获能力，在浅层特征中引入了多尺度交叉轴向注意力机制。在KITTI数据集上进行了大量的实验结果表明，所提方法在速度和准确性上都优于主流方法，有效解决了边缘信息利用不充分和多模态推理速度慢的问题，EDMR-Net在保证简单和中等难度检测性能的前提下大大提高了困难场景的检测性能。

关键词： 弹道导弹   主动段防御   目标跟踪   轨迹预报  

摘要： 主动段拦截是多层反导防御体系中的第一道屏障，高精度的弹道导弹目标跟踪与预报是主动段拦截成功的重要前提和基础。主动段跟踪与预报的主要目的是输出目标导弹在当前及未来时刻的运动状态估计值和相关弹道参数。从弹道导弹目标主动段实时跟踪与轨迹预报两方面，对国内外研究现状及发展动态进行了综述。回顾了主动段跟踪中涉及的主动段运动建模和状态估计方法；将弹道导弹轨迹预报归纳为轨道解析、数值积分和函数逼近3类方法，并对各类方法的特点进行了分析；最后总结并展望了该领域的技术发展方向。

关键词： 图像处理   推移质   条带结构   紊流相干结构   流向涡模型  

摘要： 紊流、泥沙运动与床面地形演变之间存在密切关系，但彼此间相互影响关系尚缺乏定量研究。本文开展4组中低水流强度下的推移质输沙试验，通过图像处理技术、PTV(paticle tracking velocimetry)方法以及卡尔曼滤波算法分析泥沙颗粒运动规律。使用SFM方法重构冲刷后的3维床面，并利用PIV(particle image velocimetry)方法获取沙槽和沙脊区域二维瞬时流场，由修正的象限分析法量化分析紊流猝发事件，以研究紊流相干结构、泥沙运动以及床面地形之间相互作用机理。结果表明：1）随着水流强度(Θ=0.068～0.096)逐渐增大，推移质强度分布与床面地形共同展现出的条带结构由密集渐趋稀疏，宽度由窄转宽，数量逐渐减少，当0.068<Θ<0.096时，推移质输沙条带结构最为明显；2）通过对比推移质分布强度和床面地形，床面不同位置处对应着不同的泥沙运动情况，沙槽内的泥沙运动强度显著高于沙脊；3）在近壁区域内，相较于沙脊区域，沙槽区域扫掠事件的发生概率、持续时间、最大剪切应力和传输动量值均更大，但周期值更小。这是床面沙槽和沙脊形成的根本原因；4）间隔分布的推移质运动强度和床面沙槽沙脊结构以及凹凸槽处不同的紊流猝发现象结果验证了大尺度流向涡模型假设的合理性。紊流相干结构、推移质运动以及地形彼此间相互耦合，塑造了稳定且具时间平均尺度特征的床面结构。

关键词： 杂草检测   双模态融合   轻量化   图像处理  

摘要： 针对田间环境下杂草识别效率低、精度差、应用场景下资源受限等问题，本研究提出一种结合轻量化和多尺度特征融合的双模态特征融合网络，构建红外光与可见光双模态YOLOv8（You Only Look Once version 8）杂草检测模型。为减少参数并提高模型的精度，引入Slim-neck模块以增强特征融合能力并降低模型复杂度，并在检测头引入多尺度PConv（Partial convolution）模块，减少冗余计算和内存访问，更高效地提取空间特征。实验结果表明改进的双模态YOLOv8n模型平均精度为95.6%，比单模态YOLOv8-RGB和YOLOv8-NIR、YOLOv7-tiny、YOLOv5s-RGB、YOLOv5s-NIR模型分别提高6.3%、5.5%、7.9%、7.8%和8%，模型占用量为6.7MB，参数量为1.75M。

关键词： 特征融合   图像处理   深度学习   棉花生长期  

摘要： 基于神经网络的单视角棉花生长期识别时，存在准确率、精确率、召回率和F1-score较低的问题，建立俯视与平视双视角棉花生长期图像数据集，提出一种基于Densenet-Fusion模型的棉花生长期识别方法。首先，采用Fast特征点对应算法和超绿特征因子算法对双视角棉花生长期图像进行预处理，减小无关信息对识别结果的影响；其次，构建由卷积注意力机制模块与Unet-Resnet18串联构成的特征融合模块，实现棉花双视角图像的特征融合；最后将特征融合模块与Densenet相串联，构建了Densenet-Fusion模型，并最终实现了对棉花生长期的识别。实验结果表明，Densenet-Fusion模型在棉花生长期识别测试集上的评价指标均高于Resnet-Fusion、Densenet-Concat、Resnet-Concat和GoogleNet-Concat模型。

关键词： 深度学习   计算机视觉   对抗攻击   数字域   物理域   对抗样本  

摘要： 深度学习引领人工智能蓬勃发展，被广泛用于计算机视觉，在图像识别，目标检测，目标跟踪，人脸识别等复杂任务上取得了突破性进展和显著的成果，展现出其卓越的识别和预测能力。但深度学习模型的脆弱性和漏洞也逐渐暴露，以卷积神经网络为代表的深度学习技术对精心设计的对抗样本极为敏感，容易对模型的安全性和隐私性造成影响。文中首先总结了对抗攻击的概念，对抗样本产生的原因以及相关术语；概述了数字域和物理域中几类经典的对抗攻击策略，对其优缺点进行了分析；其次，专注计算机视觉，从数字域和物理域两个方面，分别总结了目标检测，人脸识别，目标跟踪，单目深度估计，光流估计中对抗攻击的最新研究进展以及常用于研究的各种数据集；并简单介绍了现阶段对抗样本的防御和检测方法，归纳了对抗样本防御和检测方法的优缺点，阐述了不同视觉任务对抗样本防御的应用实例；最终，基于对抗攻击方法的总结，探索并分析了现有计算机视觉对抗攻击的不足和挑战。

关键词： 五轴增材制造   肠道支架   缺陷监测   目标检测   深度学习  

摘要： 针对肠道支架五轴增材制造技术存在的成型质量监测及可追溯性的问题，本文提出了一种基于YOLO8的五轴肠道支架增材制造人工智能监测方法。首先采用轻量级通用上采样内容感知重组(CARAFE)模块，在上采样过程中实现细节丰富和边缘平滑；其次基于特征融合金字塔网络能够融合多尺度特征的性能，提出重参数泛化特征金字塔融合网络，可提供有效的信息传输方式，扩展网络的深度；然后引入强效交并比损失函数改进网络模型，增强对中等质量锚框地聚焦能力，实现了平均精度的提高；最后通过消融对比实验，验证了本文提出的算法，结果显示本文提出的监测算法针对层间剥离、喷头堵塞、局部欠挤出等问题的精度分别达到了91.3%、76.6%和71.8%，在FDM增材制造人工智能监测领域具有一定的应用前景。

关键词： YOLOv8   水下检测   RFAConv   损失函数  

摘要： 【目的】由于水下图像中目标较小，数量较为密集，而且水下光照等环境因素使得捕捉到的图像模糊，导致目前常用的目标检测算法进行水下检测时会发生漏检错检现象，针对上述问题，提出了一种名为RSAF-YOLOv8的水下目标检测算法。【方法】在YOLOv8的骨干上引入感受野注意力（RFA）模块，让RFA模块与卷积相结合，形成新的感受野注意力卷积操作RFAConv，从而提高卷积神经网络（CNN）的性能；对于水下检测容易出现错检、漏检的现象，引入SENetv2模块，融合增强了网络捕捉全局知识的能力，得到了一个更丰富的全局特征表示；其次在Neck部分设计了额外的P2小目标检测层与ADown模块结合，在精度上提升的同时降低了参数量；最后为了提升水下目标的检测性能，设计Shape-IoU结合Focaler-IoU使用的损失函数，从而更全面地评估检测结果。【结果】实验表明：在URPC2020数据集上，改进算法与原算法相比mAP50和mAP50-95分别提高了3.0个百分点和3.3个百分点，且模型参数量变为2.8×106。【结论】 RSAF-YOLOv8算法在精度上有着明显的提高，验证了该方法的可行性、有效性。

关键词： RGB-T显著性目标检测   细节轮廓   高级语义信息   多级特征  

摘要： 有效捕捉和利用图像不同特征层之间的特性和互补潜力， 对于精确定位显著目标和保留其细节轮廓具有重要意义. 针对现有的大多数RGB-T显著性目标检测方法将提取到的图像特征直接输入到聚合模块中， 并利用简单的递归结构定位显著目标， 其所带来的低泛化能力问题， 提出了一种显著性增强和全局感知的RGB-T显著性目标检测方法. 首先利用预训练模型提取图像的原始特征; 其次提出降噪模块(NRM)， 作为编码和跨模态解码之间的桥梁， 以纯化显著对象的特征表示; 再次提出高级语义指导模块(HSGB)， 融合不同模态的高级语义信息， 以保留显著对象的位置信息; 最后设计跨模态交互模块(MMIB)在保留显著对象位置信息的同时， 并指导解码模块进行多级特征的聚合操作， 得到最终显著图. 在VT821、VT1000和VT5000数据集上的实验结果表明， 所提方法的MAE指标分别达到3.0%、1.8%和3.0%， 性能优于大多数主流方法.