摘要： 上期介绍了大型冰雕拍摄技巧和后期编辑技法，本期介绍一例大型冰雕接片的后期编辑特殊处理细节，以飨读者。图1是调整后的效果图，由图2和图3两幅原片拼接编辑而成。图2和图3是用24mm广角镜头拍摄，因拍摄时与冰雕距离较近，又略带仰视角度，虽然图2主景与图3左侧局部景物是同一景物，但都有程度不同的透视变形。后期编辑采用先拼接后调置的方法进行。

关键词： 自动驾驶技术   目标检测算法   复杂道路场景   小目标检测   算法轻量化  

摘要： 随着汽车保有量的快速增长,城市道路拥堵和交通事故伤亡等问题日益严重。在此背景下,自动驾驶技术作为解决传统道路交通问题的重要途径,受到了广泛关注。目标检测算法作为自动驾驶系统中环境感知的基础,需快速准确地识别并定位目标。然而,当车辆行驶在复杂道路场景中时,由于目标数量繁多且分布杂乱,同时距离和角度变化幅度较大,容易出现密集目标遮挡和小目标检测困难等问题,从而导致误检与漏检的发生,对目标检测算法提出了巨大挑战。同时,自动驾驶系统复杂度的不断提升也给硬件带来沉重负担。因此,针对复杂道路场景下的目标检测算法展开研究具有重大现实意义。本研究以YOLOv8n深度学习目标检测算法为基础,重点聚焦复杂道路场景中面临的小目标检测问题以及算法轻量化需求,深入探索有效的目标检测算法,以提高自动驾驶系统在复杂道路环境下的性能和可靠性。具体研究内容如下: (1)针对道路多目标检测中存在的遮挡目标及小目标检测困难的问题,提出了一种基于YOLOv8n的改进算法RSFM-YOLO。该结构的主要改进在于引入了变压器解码器头,该解码器头可优化地面实况与预测方框之间的匹配,从而有效解决物体重叠和多尺度检测问题。此外,还加入了小目标检测层,以保留有利于检测小目标的关键信息,从而显著提高对小目标的检测精度。为了提高训练时的学习能力和减少冗余计算,采用Faster Net主干网络来替代CSPDarknet53,从而加快训练过程。最后,引入INNER-MPDIo U损失函数来替代原算法的Clo U损失函数,以加速收敛并获得更精确的回归结果。本文在不同的数据集上进行了一系列实验,实验结果表明,在精度检测方面,所提出的模型RSFM-YOLO优于原始模型YOLOv8n。在Vis Drone、Tiny Person和VSCrowd数据集上,所提出的方法平均准确率分别提高了7.9%、12.3%和4.5%,有效提升了对复杂道路中车辆和行人目标的检测性能。 (2)针对移动驾驶平台计算能力有限的问题,提出了一种基于YOLOv8n改进的轻量化算法LBT-YOLO。首先,用线性可变形卷积替换了部分传统卷积层,并设计了C2L模块,从而在减少模型参数量的同时保持了检测精度;其次,在加权双向特征金字塔网络的基础上,设计了一种新的颈部网络结构-双向定位特征金字塔网络,增强了特征融合和上下文信息的交互,提高了模型的检测精度;最后,提出了一种新的检测头-任务对齐动态检测头。该检测头通过共享颈部网络特征减少参数量,并进行任务分解对齐,利用动态卷积和动态特征选择实现高精度目标检测。经过一系列改进后,LBT-YOLO在自动驾驶BDD100K数据集上的表现优于YOLOv8n,模型参数量减少了48.2%,计算量降低了0.613G,同时平均准确率提高了2.4%,实现了算法的轻量化。 (3)基于PyQt5设计道路目标检测系统用来部署本文的改进算法。该系统可以加载图片视频进行检测,也可用直接用摄像头直接进行检测,并且支持同时加载两种不同的模型对图片或视频进行直观的检测效果对比。与此同时依托现实道路场景自制数据集对改进算法进行验证,RSFM-YOLO和LBT-YOLO相较于基准模型的平均准确率分别提高了7.7%、1.3%,有效验证了改进算法在复杂道路场景下的鲁棒性与泛化能力。

关键词： 机器视觉   计算机视觉   目标跟踪   信息融合   门控机制  

摘要： 为解决现有可见光-红外（RGBT）融合跟踪方法计算效率低下且难以克服非配准数据带来的语义误差问题，提出了一种基于可学习门控融合的跟踪方法。该方法利用决策级响应的引导特性，重建了非配准数据中可见光与红外模态缺失的空间对应关系。通过引入可学习数据流门控模块评估模态的场景特性，减少了冗余的信息融合计算，在显著提升计算效率的同时降低了融合噪声。此外，构建了全新的非配准RGBT跟踪数据集并针对嵌入式硬件结构进行了部署优化，进一步推进了RGBT算法的应用落地。在多个公开数据集及自建非配准数据集上的实验结果表明，所提方法不仅能有效克服非配准数据引发的语义误差，还显著提升了计算速度。

关键词： 淬火过程   图像处理   注意力机制   神经网络  

摘要： 随着工程机械制造行业的快速发展，钢板的热处理过程对板形要求越来越高。淬火过程是决定热处理板板形质量的关键环节，由于钢板在淬火过程中叠加了相变应力和热应力，淬火后的钢板容易产生板形缺陷，影响最终的成品板形质量，因此迫切需要一种能够识别钢板形状的方法，为钢板的淬火板形控制提供有意义的指导。为了解决形状识别问题，提出了一种基于注意力机制和轻量化的淬火过程形状识别神经网络。此外，对板形图像进行K-means处理，增强了缺陷表征的能力。将板形数据集用于模型性能测试，对比实验的结果表明，该轻量级网络模块比其他网络具有更高的识别精度均值和20～50 ms的单次推理速度提升。

关键词： 三维目标检测   稀疏卷积   可形变注意力   轻量化网络   训练后量化  

摘要： 三维目标检测是自动驾驶环境感知的重要组成部分,具有极大的应用价值。但现有算法面临实时性不足、量化后精度下降等问题,限制了其工程应用。为此,本文面向道路场景三维目标检测任务,提出一种轻量化网络架构和高效的训练后量化方法,主要研究内容如下: 本研究首先在网络架构上进行了创新,构建了基于自适应稀疏卷积的轻量化三维目标检测网络,通过多项改进提升模型性能。针对不同尺度目标特征提取不足的问题,设计自适应稀疏卷积模块(ASC),动态调整稀疏卷积的感受野,在保留关键区域特征的同时减少冗余计算,小幅提升了卡车、公交车等大目标的检测精度。针对小目标漏检问题,应用可形变交叉注意力检测头(DCA),采用稀疏采样机制替代全局注意力计算,结合热力图引导的目标查询初始化策略(HGQ),显著增强行人、摩托车等小目标的特征聚合能力。在nu Scenes数据集上,该方法的m AP和NDS分别达到68.4%和72.6%,较基线提升2.9%和2.4%。 在模型量化方面,本文提出了一种针对三维目标检测网络权重和激活的8位训练后量化方法。具体而言,针对二者数据分布不均带来的挑战,提出基于KL散度的幅度均衡量化方法(ABQ)。通过动态调整逐通道幅度,平衡激活与权重的量化难度分配,结合直方图统计与分布相似性优化,有效缓解离群值对量化范围的干扰。为进一步抑制量化误差传递,引入模块量化损失补偿方法(QEC),通过线性映射拟合模块输入与量化误差之间的关系,以修正模块输出的量化误差。实验表明,采用ABQ和QEC的联合量化方案相比传统的Min Max量化方法,在模型精度上取得了显著提升,同时保持了较低的计算和存储需求。量化模型在nu Scenes数据集上的m AP和NDS分别达到64.8%和69.6%,接近训练成本更高的量化感知训练(QAT)方法的精度水平。量化后模型参数大小减少74.89%,推理速度提升67.52%。 本研究通过创新的网络架构和量化策略,兼顾检测精度与计算效率,满足自动驾驶系统对实时性和精度的双重要求,为其提供了高效的目标检测解决方案。

关键词： 苹果叶片   深度学习   YOLOv8   目标检测   轻量化模型  

摘要： 苹果产业作为我国农业经济的重要支柱,其健康发展对果农收入和食品安全具有重要意义。然而,苹果叶片病害的频繁发生严重影响了果树的生长与果实品质,传统病害检测方法主要依赖人工经验,存在效率低、误判率高、成本高等问题,难以满足大规模果园管理的需求。近年来,深度学习技术在农业病害检测领域展现出巨大潜力,但现有模型在复杂场景下的泛化能力、计算效率及边缘部署适应性仍有不足,限制了其实际应用。为此,本研究以苹果叶片病害为研究对象,构建基于深度学习的智能检测系统,旨在突破数据瓶颈、优化模型性能并实现边缘端实时检测,为果园智能化管理提供技术支撑。 本研究首先针对苹果叶片病害数据稀缺与类别不平衡问题,采用多源数据采集与生成对抗网络数据扩增技术,建立一个高质量的数据集,涵盖五种典型病害,包括叶片斑点病、褐色斑纹病、灰色斑点病、花叶病毒病以及植物锈病。同时,通过模拟雾天与相机抖动等复杂场景生成对照样本,增强数据多样性,为模型训练提供更全面的数据支持。其次,针对现有深度学习模型在复杂环境下检测精度低、计算资源需求高的问题,提出改进的轻量化YOLOv8模型(Light YOLO-Apple Leaf Dx)。该模型通过引入Slim-Neck轻量化颈部网络降低计算复杂度,采用SPD-Conv模块提升特征提取能力,结合遗传算法优化的自注意力检测头(SAHead)强化目标定位精度,同时集成去雾去模糊预处理模块以增强复杂环境下的检测鲁棒性。最后,通过模型量化剪枝与RK3588边缘计算平台部署,实现低资源消耗的实时推理,为果园病害检测提供高效、低成本的解决方案。 实验结果表明,改进模型在自建数据集上的平均精度均值(m AP@0.5:0.95)达92.7%,较原始YOLOv8n提升6.3个百分点,模型参数量与计算量分别减少41.2%和38.5%。在雾天与抖动场景下的检测精度提升18.6%,显著优于现有主流模型。边缘设备部署后推理速度达32 FPS,满足果园实时检测需求,为农业病害智能检测提供了高效可靠的技术路径。 本研究不仅为苹果叶片病害检测提供了高效、精准的解决方案,也为其他农业病害智能检测研究提供了参考,对推动果园管理数字化转型和农业可持续发展具有重要的理论意义与实践价值。

关键词： 火灾检测   目标检测   深度估计   图像分割  

摘要： 火灾是一种突发性强、危害性大的灾害,给人类造成的生命财产损失不可估量,在火灾初发阶段及时发现并准确定位火源,对灾情控制具有重要意义。目前,基于多传感器的火源定位方法存在成本较高、部署复杂等问题,而基于深度学习的火灾检测技术虽然取得了显著进展,但仍存在检测精度受限、实时性不佳以及难以获取火焰三维空间信息的问题。为此,本文提出了一种基于单目视觉识别的火灾检测与定位方法,以提高火灾检测的精度和鲁棒性,并实现火源的精准定位。主要研究内容如下: 1、针对火焰目标尺度差异大、背景复杂等问题,本文基于YOLOv8模型进行优化,引入Focus、GSConv、CSTR和SPPCSPC等模块,提升特征提取能力和计算效率,并增强对不同尺度火焰目标的适应性。此外,针对火焰检测领域公开数据集较少、场景单一的问题,本文结合网络爬虫技术构建了一个多场景火焰数据集,并在该数据集上对改进模型进行实验。结果表明,改进后的YOLOv8模型在m AP@50、m AP@95及召回率方面分别提升1.8%、8.7%和6.2%,满足高精度火灾检测需求。 2、为提升模型在实际应用中的实时性,本文对YOLOv8进行了轻量化优化。引入深度可分离卷积(DWConv)和CSPDA轻量化模块,分别替换原始标准卷积(Conv)和C2f结构,有效减少计算开销。实验结果表明,优化后的模型在保持检测精度的同时,FPS提升164%,推理速度仅为基线模型的37%,参数量和模型大小分别减少约24%和22%,确保了高效、稳定的火灾检测能力。 3、在火焰目标识别的基础上,本文结合图像分割和深度估计,提出了一种基于单目视觉的火灾定位方法。分析相机成像模型和单目视觉定位原理,对相机进行内、外参数标定;基于改进YOLOv8的火焰识别结果,使用Mobile SAM对火焰区域进行精确分割,得到火焰区域像素坐标;利用Depth Anything V2模型估计场景深度,并将分割后的火焰像素坐标结合深度信息转换至三维世界坐标,实现火灾定位。在这一过程中,使用深度相机采集RGB-D数据构建场景深度数据集,用于单目深度估计模型的微调,以缩小估计深度和真实深度之间的域差距,实验结果表明,微调后的深度估计模型在Abs Rel、RMSE和MAE指标上分别下降49%、42%和46%。最后,通过火焰三维坐标的预测值与测量真实值对比,验证本文方法的高精度火焰定位能力。 图[46]表[14]参[82]

关键词： X射线   小径管   焊缝   缺陷识别   图像处理  

摘要： 随着工业化和城市化进程的不断推进,能源需求持续增长,能源消耗呈现出不断上升的趋势。小径管广泛应用于电厂设施和能源承压装置中。小径管的焊接质量是影响电厂和能源系统安全性的重要因素。在各种检测方法中,基于X射线焊缝图像的检测是应用最为广泛的焊接质量检测方法。但是,传统的人工评片方式不仅工作量大,而且结果容易受到检测人员主观因素的影响,导致漏检现象的发生。为提高检测的准确性,利用各种图像处理技术进行自动检测已成为当前研究的热点。本文针对电厂和能源承压装置小径管X射线焊缝图像的自动缺陷检测展开研究,通过分析焊缝原始图像特征,确定适用于小径管的图像增强技术,提出基于YOLO模型的焊缝区域提取算法。在此基础上,利用稀疏描述技术进行缺陷识别,提升缺陷检测的准确性。论文主要研究包括以下三个方面: 1)图像预处理与焊缝区域提取方法研究 针对小径管X射线图像噪声多、对比度低及背景起伏大的问题,采用高斯滤波与自适应直方图均衡化(CLAHE)提升图像质量。随后,基于YOLOv5模型实现对垂直透射和倾斜透射焊缝区域的精准提取,模型表现出良好的鲁棒性和适应性。 2)缺陷样本扩展与识别算法研究 针对实际工程中缺陷样本数量有限以及小径管焊缝缺陷面积较小、传统方法识别困难等问题,本文采用密度聚类提取SDR图像,并结合扩散模型生成多样化缺陷样本,提升模型训练效果。在此基础上,提出基于稀疏描述的缺陷识别方法,并通过优化字典原子数,在保证识别准确率的前提下显著提高了检测效率。 3)系统实现 根据实际工业检测需求,研发了小径管X射线焊缝缺陷自动检测系统,并与某能源企业共同制定了相关企业标准。该系统在无人工干预的情况下能够准确检测缺陷,具有全面的缺陷检测类型、较快的检测速率和较高的识别准确率,有效减轻了检测人员的工作压力。 通过上述研究,本文研发的自动化检测系统可以提升小径管X射线焊缝图像缺陷检测的准确性和检测效率,也可为相关领域的工业应用提供技术支持。