关键词： 口腔全景片   异常牙识别   目标检测   YOLOv11n  

摘要： 目的 为解决口腔全景片中异常牙识别在目标检测方面的不足，通过对基准模型YOLOv11n进行优化，提出YOLOv11-TDSP模型。方法 融合SHSA单头注意力机制与backbone层的C2PSA，形成新的C2PSA＿SHSA注意力机制，通过部分输入通道运用单头注意力，削减计算冗余，提升模型效率与检测准确性。在head层增设小目标检测层，解决小目标易漏检、误检的难题。实施两次结构化剪枝，降低模型参数量，避免过拟合，提升平均精度。训练前期，采用亮度增强、伽马对比度调整等数据增强手段，增强模型泛化能力。结果 优化后的YOLOv11-TDSP模型精度达94.5%、召回率92.3%、平均精度95.8%，相比基准模型YOLOv11n，分别提升6.9%、7.4%、5.6%。与高精度的YOLOv11x相比，参数量和计算量仅为其12%、13%。结论 成功实现多种牙齿病症的轻量化、高精准识别。

关键词： 目标检测   遮挡   YOLOv12s   可改变核卷积   自集成注意力机制   排斥损失函数  

摘要： [目的/意义]针对肉牛互相遮挡导致难以有效获取关键特征信息，造成检测精度受限的问题，提出了一种肉牛目标检测算法YOLOv12s-ASR。[方法]首先，利用可改变核卷积替代部分标准卷积，充分捕获被遮挡部分的局部特征；然后，融合自集成注意力机制，通过结合空间注意力和特征增强机制，充分捕获全局上下文信息；最后，引入排斥损失函数对原损失函数进行补充，减少因非极大值抑制阈值选取不当造成的漏检或误检，提高模型的检测精度。[结果和讨论]在自建肉牛数据集上，YOLOv12s-ASR算法的平均精度均值达到89.3%，相比于YOLOv12s算法提高了1.3个百分点，并优于目前主流的目标检测算法；同时模型参数量仅有8.5 MB，算法检测速度达到136.7 frame/s。[结论]本研究提出的改进算法YOLOv12s-ASR能够实时准确地检测肉牛目标。

关键词： 浮选加药   智能优化控制   计算机视觉   神经网络   数字孪生   强化学习  

摘要： 加药是浮选过程实现有用矿物分离和高效回收的关键环节。由于矿石性质多变以及浮选过程具有多变量、非线性、强扰动和时滞等特点，传统的加药控制方式在动态适应性与控制精度方面存在明显不足。近年来，随着计算机视觉、神经网络等技术的快速发展及其在选矿领域的推广应用，浮选加药控制加速向智能化发展。本文综述了基于计算机视觉（CV）的状态感知与建模支撑的控制系统架构及工作原理、基于人工神经网络（ANN）的智能优化控制模型构建、基于模糊推理的智能优化控制方法、基于知识推理的智能优化控制方法以及浮选加药智能优化控制技术研究现状。构建融合多模态感知、智能推理与自适应优化能力的闭环控制体系，结合数字孪生与强化学习等新兴技术，实现对浮选加药过程的全流程感知与动态优化，是未来浮选加药智能优化控制研究的重要方向。

关键词： 计算机视觉   飞机结构损伤   人工智能   智能化检测   自动化  

摘要： 随着人工智能技术的快速发展,计算机视觉在飞机结构损伤检测领域展现出巨大潜力。本文系统研究基于深度学习的智能化检测方法,通过多模态图像分析与自适应特征提取技术,实现飞机结构损伤的高精度识别与智能分类。研究创新性地将目标检测、语义分割等前沿技术与航空维修场景深度融合,构建完整的智能检测框架。实验证明,所提出的方法在检测精度和效率方面均显著优于传统方法,能够有效识别各类典型损伤。研究还重点探讨了复合材料损伤识别、小样本学习等关键技术难题的解决方案,并通过实际应用验证了系统的工程价值。

关键词： 甲骨文   深度学习   计算机视觉   模型集成   数据增强处理   图像识别   目标检测  

摘要： 该文提出深度学习技术在甲骨文图像中的应用和改进，旨在提高甲骨文图像的检测与识别的效率和准确性，是一种针对甲骨文图像研究的整体解决方案。甲骨文图像样本量稀少，细节复杂，且分为临摹和拓片两种图像。针对识别样本量稀少的问题，方案创新性提出字体图像类的数据增强WDA算法和拓片化的处理过程；针对拓片甲骨文字检测数据集的空白，方案构建数据集Oracle-Detect；针对传统模型识别率低，难以增量识别的问题，研究改进了基于Stacking集成式的甲骨文字识别模型。实验结果表明，该方案在甲骨文字的检测mPA达到94%，在临摹甲骨文字识别任务上准确率达到83%，拓片甲骨文字识别准确率达到81%。

关键词： 桥梁工程   模态参数自动识别   目标检测   FBFFT   模态追踪  

摘要： 针对现有基于快速贝叶斯傅里叶变换方法（fast Bayesian fast Fourier transform, FBFFT）的桥梁模态参数识别方法在模态频率范围确定存在的问题，提出一种基于改进快速贝叶斯傅里叶变换方法（fast Bayesian fast Fourier transform combined with real-time detection TRansformer v2, RT-FBFFT），实现无人工干预的模态参数全自动识别。首先，将每10min收集的桥梁加速度数据转换为功率谱密度（power spectral density, PSD）与递归图（recurrence plot, RP），生成743个目标检测模型数据集并训练RT-DETRv2(real-time detection transformer v2)目标检测模型；然后，提出了RT-FBFFT方法，即利用训练后的RT-DETRv2模型改进FBFFT方法，实现了模态频率范围自动划分，完成模态参数全自动识别；最后，将提出的RT-FBFFT方法运用于6自由度质量刚度阻尼模型与某特大跨铁路斜拉桥模态参数识别中，并对比了各目标检测模型识别精度、各模态参数识别方法识别效率以及本模型在各环境下的鲁棒性。结果表明：引入的RT-DETRv2模型检测精度较高；提出的RT-FBFFT全自动模态参数识别模型在识别精度及运算效率上均优于其他识别方法，并且无需人工干预；该模型具有较强的鲁棒性，在噪声较大的情况下，识别结果仍较为准确；通过本模型与四分位距法（interquartile range, IQR）的结合，可实现模态参数自动追踪。该方法可应用于不同刚度、不同传感器布设情况的桥梁模态参数识别，为基于动力指标的预警方法研究及性能评估奠定基础。

关键词： 机器视觉   道路病害   智能识别   图像处理   目标检测  

摘要： 道路养护智能化需求催生基于机器视觉的道路病害识别系统,系统集成图像采集、预处理、智能识别及结果展示核心模块,借助深度学习算法,对裂缝、坑槽等病害实施高效检测,系统具备高识别度、灵活部署特性,能快速响应病害检测需求。经不同类型道路、昼夜等多场景实地测试,在复杂环境下稳定性与适应性良好,该系统服务城市道路巡检,有效提升道路病害发现效率,完善道路管理水平,以技术手段驱动交通设施维护向数字化、智能化转变,为道路养护提供可靠支持。

关键词： 水下目标检测   YOLO11   边缘增强   多尺度特征融合   注意力机制  

摘要： 针对水下目标检测任务中图像分辨率低、目标尺寸变化大、水体浑浊及目标遮挡而导致检测精度低的问题,提出一种基于细节增强与多尺度特征融合的水下目标检测模型DEMF-YOLO11n （YOLO11n underwater object detection model based on detail enhancement and multi-scale feature fusion）.模型以YOLO11n为主体,为改善普通下采样对低分辨率图像及小目标造成特征损失的问题,使用浅层与深层鲁棒下采样方法 RFD （robust feature downsampling）分别替换模型浅层及深层步长卷积.同时,使用多核并行卷积模块PKIModule （poly kernel inception module）及上下文锚点注意力CAA （context anchor attention）对模型骨干中的C3k2进行重新设计,以增强模型对遮挡目标及不同尺度目标的特征提取效果,以及对复杂背景下目标的感知能力.最后,为解决水体浑浊等因素所导致的目标边缘细节模糊问题,在头部网络中使用CGAFusion （content guide attention fusion）模块将深层特征与经EEM（edge enhance module）进行边缘增强后的浅层纹理特征进行自适应融合.在RUOD数据集上的实验结果表明, DEMFYOLO11n较基准模型mAP50提升2.8%, mAP50-95提升4.1%,而参数量仅增加0.53M.

关键词： 目标检测   水下图像   YOLO   软珊瑚   轻量化  

摘要： 近年来，气候变化和海洋污染导致珊瑚礁退化，珊瑚自动检测成为海洋生态系统监测的迫切需求，水下珊瑚检测任务中图像对比度低、珊瑚形状复杂和生长密集等问题限制了通用检测算法的性能。针对上述问题，提出了一种基于YOLO架构的软珊瑚检测模型CoralDet，首先，设计多路径融合模块(MPFB)来捕捉多个尺度的珊瑚特征，针对水下不均匀光照和图像模糊现象提高了模型的鲁棒性，同时使用重新参数化来提高推理效率。其次，引入GSConv和VoV-GSCSP轻量级设计组件，可在不牺牲性能的情况下降低计算成本。引入了一种自适应幂变换（APT)标签分配策略来动态调整锚点匹配度量，并且使用了软标签和软中心区域损失以使模型专注于高质量、对齐准确的预测。最后，在Soft-Coral数据集上对CoralDet进行评估，推理延迟仅为9.52毫秒，平均精度均值（mAP）50达到81.9，超过了YOLOv5（79.9）、YOLOv6（79.4）、YOLOv8（79.5）、YOLOv9（78.3）、YOLOv10（79.5）、MambaYOLO（80.1）和RT-DETR（81.6），并在Coral-lwptl数据集上进行了泛化实验，CoralDet在多个关键指标上均优于MambaYOLO、YOLOv8和YOLOv10等传统模型，结果证明了CoralDet 在水下珊瑚检测方面的有效性和实用性。

关键词： 图像处理   深度图超分辨率   渐进式网络   多尺度   跨模态特征交互  

摘要： 由于消费级深度相机性能限制及环境干扰等因素，获取的深度图通常存在分辨率不足、边缘模糊等固有缺陷。为解决上述问题，本文提出了一种基于多尺度特征融合与矫正的渐进式网络。该网络通过构建多尺度特征提取与融合机制，实现深度特征与彩色特征的有效融合，利用多层次彩色特征所包含信息对融合后的特征进行增强与矫正。网络具体包含三个核心模块：多尺度特征融合模块通过跨模态特征交互机制，实现多尺度深度特征与彩色引导特征的初步融合；设计的多尺度特征增强模块联合多尺度特征细化与分层彩色特征指导，利用高频彩色信息对融合特征进行增强与矫正，有效缓解边缘模糊与伪影问题；双向跨尺度特征协作模块通过多尺度特征间的协同优化，进一步增强特征表达能力，从而显著提升深度图重建质量。实验结果表明，所提方法在NYU v2数据集和Middlebury数据集(2005)上的均方根误差平均测试结果分别为2.81和1.45，与次优方法相比分别降低0.10和0.08，尤其16×重建时均方根误差降低更为显著（NYU v2下降0.10,Middlebury下降0.19），取得了较好的深度图超分辨率重建效果。