关键词： 油茶果   YOLOv11   注意力机制   目标检测   GhostConv   特征融合  

摘要： 针对自然场景下油茶果检测精度较低及复杂模型难以部署的问题，提出一种基于YOLOv11（you only lookonceversion11）模型的改进检测算法YOLO-Camellia。首先，在骨干网络中引入幽灵卷积模块（GhostConv）以替代部分标准卷积，通过高效特征生成机制减少计算冗余，同时保持关键特征的表达能力；其次，嵌入平行级联注意力机制，增强模型对目标区域的关注能力，提高油茶果特征提取的精准度和抗干扰性；此外，构建Multi-PANet结构，优化多尺度特征融合策略，以提升不同尺度油茶果的检测能力。结果表明，YOLO-Camellia的准确率、召回率和平均精度分别达到95.1%、94.3%和94.8%，较基准模型分别提升2.3、2.9和2.2百分点，同时参数量降至28.7 M，浮点操作次数降低至95.6 G，推理速度提升至116.2 f·s-1，在保持高检测精度的同时降低了计算复杂度。在JetsonXavier NX嵌入式系统上，YOLO-Camellia的平均精度为93.2%，准确率和召回率分别为93.9%和93.4%，推理速度达到51.7 f·s-1，满足油茶果检测的实时性要求。该模型在保障检测精度的同时显著降低复杂度，适用于嵌入式部署，为油茶果实时检测提供更准确可靠的工具。

关键词： 籽粒表型   图像处理   颜色通道   百粒重   高通量  

摘要： 为提高作物籽粒表型获取的效率和自动化程度，研发了一套软硬件系统。首先获取均一光照条件统一背景下的作物籽粒图像；然后对图像进行预处理、背景去除，引入基于连通域的粘连籽粒分割算法，以快速准确获取单个籽粒图像；最后提取籽粒形态、尺寸、颜色、重量等20个表型指标。结果表明，与人工方法相比，花生籽粒百粒重的测量精度决定系数（R2）为0.99，均方根误差（root mean square error, RMSE）为0.71；花生籽粒宽度和长度的测量精度R2分别为0.88、0.94,RMSE分别为0.48、0.60。每个样本（大于100粒）测量耗时小于10 s。研究结果显著降低了作物籽粒表型获取的时间和人力成本，为解析作物籽粒基因型差异提供表型数据支持。

关键词： YOLOv8   注意力机制   可形变卷积   复杂道路场景  

摘要： 当今交通目标检测中小目标检测仍存在一定漏检率,复杂道路背景下目标识别率低等缺点。针对上述现象,提出了一种基于YOLOv8的道路交通目标检测优化算法。具体针对小目标检测漏检情况,引入高效多尺度注意力(efficient multi-scale attention, EMA)机制提高模型对小目标的感知能力;利用可变形卷积网络第三代(deformable convolutional networks version 3, DCNv3)替代模型中普通卷积,通过动态调整采样位置来提升特征图中不规则形状的特征提取能力,从而提高模型对遮挡重叠目标的检测能力。同时引入基于最小封闭框的交并比(generalized intersection over union, GIoU)损失函数,优化交通目标检测算法。改进算法在测试数据集中进行实验,平均精度均值m AP50与mAP50:95的值最好达到87.4%和53.6%,对比基线模型分别提升了5.2%和3.7%,有效证明YOLOv8优化模型在复杂道路场景下对于交通目标检测的有效性。

关键词： 微藻检测   Transformer   感受野注意力   RT-DETR  

摘要： 藻类细胞检测对生态系统的监测具有重要意义，然而目前藻类细胞检测仍依赖于人工，不仅耗时费力，还消耗大量成本。本文将计算机辅助检测与Transformer目标检测模型结合，并用于微藻细胞检测任务，针对微藻细胞特征模糊的问题，设计一种融合感受野注意力（Receptive Field Attention, RFA）与通道注意力（Coordinate Attention, CA）特征强化卷积模块，并选择ResNet50、ResNet34和ResNet18三种不同的主干进行实验。实验结果表明，Kaggle公开微藻图像数据集中的扁藻、小球藻、盐藻、黄藻、紫球藻和红球藻六种微藻利用改进后的模型所获得的最高检测精确率分别为87.6%、73.3%、85.7%、95.2%、97.7%和99.0%，由此证明Transformer模型在微藻目标检测领域具有可行性和科学性，可为人工智能在生态学研究和微藻检测领域提供了新的思路和方法。

关键词： 多态料面   先验信息   空洞垂直偏移卷积   先验聚焦注意力   网络剪枝  

摘要： 传统的单一状态料面目标检测网络未能考虑高炉冶炼状态的交替变化，在复杂环境下整体准确度较低，针对上述问题，本文提出一种先验信息导引的多态料面目标检测网络BurdenNet。首先，提出基于原始信号距离向精度的图像预分类方法，构建三类典型状态的料面图像数据集，并以预分类的状态为先验信息对网络通路进行剪枝。其次，将料面细长低曲率的形状特征与雷达采样信号的稀疏性质作为先验信息，提出空洞垂直偏移卷积(Atrous vertical deformable convolution， AVDC)模块提取多态料面特征。在此基础上，利用机械探尺数据构建先验空间注意力特征图，提出先验聚焦注意力(Prior focusing attention， PFA)模块，使网络优先聚焦于图像中的料面区域。最后对于边界框的回归，提出条带交并比(Band intersection over union， BIOU)损失函数进一步提升目标检测的速度与准确性。在钢铁公司高炉的实测数据上进行实验，结果表明，本文的BurdenNet相较于单一状态目标检测网络，在多态料面数据集上整体精确率提升了13.9%与5.2%，综合性能(F1-Score)提升了8.1%与4.3%，为复杂环境下多态料面图像的目标检测提供更准确的方法。

关键词： 水稻   计算机视觉   图像处理   智慧农业   深度学习  

摘要： 计算机视觉技术作为人工智能领域的重要分支，在农业领域得到广泛应用和快速发展。本文综述计算机视觉技术在水稻领域研究进展，重点涵盖其在生长监测、营养诊断与病虫害识别中的应用。梳理水稻生长阶段识别、生长特征分析、基于图像的氮素诊断及其他营养元素识别技术，并探讨高光谱成像与深度学习的集成优势。针对水稻病虫害监测问题，归纳计算机视觉在病害特征提取、虫害检测与早期预警方面的研究进展。并展望未来发展方向，包括多模态数据融合、深度学习技术的进一步应用以及智能农业管理系统建设。

关键词： 绝缘子缺陷   目标检测   YOLOv8n   特征融合  

摘要： 绝缘子是输电线路安全的关键,绝缘子缺陷检测对确保电网安全具有重要意义.为提高绝缘子缺陷检测准确率,本文提出一种改进YOLOv8n绝缘子检测算法YOLOv8-DSC.该算法主干网络采用C2 f-SCConv模块,减少空间与通道冗余,降低模型复杂度,实现更好检测效果;网络颈部引入双向特征金字塔网络(BiFPN),实现多尺度特征的融合,提升网络特征提取能力;使用Dynamic head检测头,将尺度、空间和任务3种注意力机制进行整合,进一步提高了模型的检测精度.实验结果表明,YOLOv8-DSC算法与未改进算法相比,精确度,召回率,平均检测精度分别提高1.9%,4.8%,3.1%.最终将算法部署到Jetson Orin Nano,实现对绝缘子不同缺陷的实时动态检测.

关键词： 城市公园   视听交互   情绪感知   休闲体力活动   计算机视觉   人机对抗  

摘要： 【目的】城市公园场域内视听环境要素对休闲体力活动的促成效用亟待深入剖析，本研究基于视听交互框架，聚焦“视听环境要素-情绪感知-休闲体力活动”的作用路径，界定情绪感知为场地情境诱发的状态性情绪反馈，检验其在环境要素影响行为中的中介效应。【方法】以辽阳市太子河公园144个景观节点为样本，采用同点位数据采集与联合建模，结合语义分割、人机对抗评分、问卷调查和行为观测等方法进行异质性分析，探索视听反馈与人群的情绪状态及休闲体力活动间的直接、中介关系。【结果】照明指引、活动器材、休憩设施、蓝视率、自然声与铺装材质显著提升安全、活力与丰盈等积极情绪；较高的声暴露级会增强低落情绪并削弱美感，过度围合与城市背景同样降低审美体验。其次，天空开敞度、蓝视率、照明指引与自然声对轻度和中度活动具有正向促进作用；中度活动更偏好围合空间与服务设施支撑；重度活动则更依赖功能性铺装与线性滨水空间。情绪感知在天空开敞度通过情绪影响轻度活动（中介效应占比53.80%），空间围合度影响中度活动（56.28%），自然声源影响轻度活动（41.81%）中呈现部分中介作用。【结论】情绪感知是将视听线索转化为实际活动行为的关键心理路径。应通过平衡蓝绿视域与亲水体验、完善导视、照明及休憩服务、优化自然声景并管控噪声、依据活动强度分区配置功能性铺装与设施等策略，提升城市公园对不同强度休闲体力活动的承载与健康效益。

关键词： 桥梁水下结构   目标检测   注意力机制   前馈神经网络(FNN)   频域特征建模  

摘要： 为实现桥梁水下结构病害的高效检测，提出了一种轻量化快速目标检测模型CF-YOLOv11n。引入上下文感知局部增强注意力机制，通过双分支结构将全局语义与局部细节信息相融合，利用深度卷积来减少冗余计算，提升推理速度。通过频域调制前馈网络，对特征进行局部窗口频域滤波，实现多尺度特征建模与背景干扰抑制，从而提升检测精度。结果表明，CF-YOLOv11n在实桥数据集下的mAP50:95达到45.50%，相较于基线模型提升了2.46%；推理速度为66.13帧/s，为基线模型的2.25倍。相对于基线模型，所提模型能够更好地捕捉多尺度信息，加快推理过程，并兼顾精度与速度，在实际桥梁水下环境的实时检测任务中展现出更优的工程应用价值。

关键词： 工业缺陷检测   目标检测   YOLOv5   损失函数   特征融合   冗余框  

摘要： 针对传统钢材表面缺陷检测领域长期存在的检测精度不足及微小瑕疵识别困难等共性技术瓶颈，提出一种改进YOLO的钢材表面缺陷检测算法。对YOLOv5n网络结构进行优化：更换主干网络中某些卷积层中的SiLU激活函数为FReLU；颈部结构中引入收集-分发机制，有效避免传统FPN结构固有的信息丢失，提高模型多尺度的特征融合能力；采用关注边界框自身的形状和尺度的Shape-IoU来计算损失，提高对微小缺陷的检测性能；针对误检框干扰检测精度的问题，提出一种改进的非极大值抑制算法，抑制邻近区域的重叠框，消除冗余预测框。在NEU-DET和Severstal数据集上验证表明：模型改进后，精确度分别提升5.7%和2.1%，召回率分别提升2.2%和2.1%，mAP则分别提高7.4%和4.6%，同时保持较快的推理速度，满足工业实时检测需求。