关键词： 舰船尾流   多波束声呐   声呐图像   声学模型   几何特性   目标检测   恒虚警检测   二维恒虚警检测  

摘要： 针对舰船尾流检测中存在的水下环境复杂、探测目标形态未知等问题，本文提出一种基于时空域恒虚警处理的尾流检测算法。利用在多波束声呐输出的多帧二维声呐图像，结合舰船尾流气泡的空间连续和缓慢时变的特点，通过时空联合恒虚警检测算法检测舰船尾流；利用背景杂波强度上随机的特点，设计交并检测，融合多帧检测结果以抑制虚警概率。外场试验表明：所提出的时空联合恒虚警检测算法相较于现有恒虚警检测算法，可以在更低的虚警概率下，有效提高舰船尾流的检测概率。所得结论可以为舰船尾流检测提供一种新思路。

关键词： 目标检测   无人机   风机叶片   YOLOv5模型  

摘要： 针对风力涡轮机叶片在复杂环境载荷下易发生表面损伤,从而影响结构安全的问题,文中提出了一种基于YOLOv5改进的风机叶片缺陷检测算法WTYOLO。该算法利用无人机获取风机叶片外观影像,实现了高效自动缺陷检测。具体优化包括:引入MobileNetV3优化主干网络以降低模型参数量并提升特征提取能力;融合注意力机制,增强缺陷区域特征表达,减少背景噪声干扰;采用MPDIoU损失函数,提高目标框回归精度。实验结果表明,WTYOLO在mAP@0.5指标上达到84.19%,优于现有主流目标检测算法,同时具备更快的推理速度和更低的计算成本,满足风机叶片缺陷检测的实际应用需求。

关键词： 红外小目标   多尺度特征融合   信息交互   星型运算   SimAM  

摘要： 为解决红外小目标分辨率低、成像模糊，容易受噪声影响等检测难题，本文基于YOLOv8n提出了一种多尺度特征融合的红外小目标检测算法YOLO-IRTD(YOLO-InfraRed Tiny Detect)。算法首先对YOLOv8的特征融合网络进行重构，提出了一种特征聚焦扩散金字塔网络，增强了网络对小目标特征的提取能力；设计了自适应动态检测头，通过促进分类分支和定位分支之间的信息交互，在降低模型复杂度的同时提升检测精度；最后将Sim AM注意力机制融入星型块中，设计出Star-SimAM模块，替换主干网络中的C2f模块，在降低参数量的同时进一步增强网络的特征提取能力。经实验验证，YOLO-IRTD模型参数量下降20%，权重大小仅为5MB，在HIT-UAV数据集上mAP高达90.4%，相比Base模型提升了3.6%，对比YOLO系列模型提升1%～4%，在FLIR数据集上mAP提升1.2%，泛化性能优异，模型各方面指标在目前主流检测模型中均处于领先地位。

关键词： 单目深度估计   度量深度估计   深度学习   计算机视觉  

摘要： 单目深度估计(monocular depth estimation, MDE)是计算机视觉中的核心任务之一,在空间理解、三维重建、自动驾驶等领域扮演着重要角色.基于深度学习的单目深度估计方法能够从单张图像中预测物体的相对深度,但由于缺乏度量尺度信息,常面临尺度不一致的问题,限制了其在视觉SLAM、三维重建和新视角合成等下游任务中的应用效果.为此,单目度量深度估计(monocular metric depth estimation, MMDE)应运而生,通过对场景尺度的精确推断,解决了深度预测中的一致性难题,不仅显著提升了在时序任务中的深度估计稳定性,还简化了下游任务的适配,进一步拓展了实际应用场景.本文系统回顾了深度估计技术的发展历程,从传统几何方法到深度学习方法的转向,全面梳理了该领域的技术演进及其关键突破.在此基础上,重点讨论了尺度不可知(scale-agnostic)方法在零样本(zero-shot)泛化中的贡献,分析其如何为MMDE的进一步发展奠定基础.文章还深入探讨了零样本MMDE的最新研究进展,聚焦当前的核心挑战,包括模型的泛化能力、边缘细节丢失等问题.针对这些问题,研究社区通过无标数据扩充、图像分块、模型结构优化和生成式方法等创新途径,取得了一定进展.本文详细剖析了这些方向的最新成果及其解决思路,揭示了当前研究的前沿路线与技术局限.最后,总结了零样本MMDE领域内最新研究成果之间的内在联系,梳理了尚待解决的关键问题,并展望了未来研究方向.通过对领域现状与发展趋势的全面分析,旨在为研究者提供清晰的技术脉络和前沿洞察,助力研究者更快掌握MMDE的研究现状,为推动更广泛的应用和技术创新提供启示.

关键词： 视觉SLAM   深度特征   特征提取   动态环境   弱纹理环境  

摘要： 针对视觉SLAM在复杂室内场景中因手工特征点鲁棒性不足、动态干扰引发的建图与定位精度下降问题，本文提出基于深度特征点与目标检测的R2D2-SLAM算法。首先，针对手工特征点在弱纹理环境下鲁棒性不足的问题，采用基于自监督学习的R2D2特征点提取网络替代传统模块，提升特征点的可重复性与匹配可靠性。其次，提出轻量化R2D2网络架构，通过降低输入分辨率减少计算负载，并引入ECA补偿性能损失。最后，为解决动态物体干扰，本文采用轻量化目标检测网络YOLOv8-n快速定位潜在动态区域，并通过结合深度图像分析生成动态物体掩码，以精准消除动态特征点。实验结果表明，在动态场景下，本文算法在TUM walking序列的平均ATE RMSE较ORB-SLAM2降低了88.17%，较DS-SLAM与DynaSLAM分别降低30.66%与11.74%；在极端弱纹理环境str＿ntex＿near序列中的ATE降低至0.017m，验证了其在弱纹理环境下的鲁棒建图和持续跟踪能力。

关键词： 水下潜航器   目标跟踪   量测异常修正   运动变化约束   扩展卡尔曼滤波   自适应   稳健性   测距精度   动态阈值检测   噪声未知  

摘要： 针对水下环境中量测噪声的非平稳及统计特性未知等问题，本文在典型水下目标跟踪场景下，提出一种融合运动变化约束与自适应噪声估计的量测异常检测与修正机制。结合水下无人潜航器低速航行的运动特性，构建运动模型并引入基于新息分析的动态阈值策略，实现对突发量测异常的实时判别与修正。为增强滤波器在噪声未知环境中的适应能力，进一步引入了Sage-Husa（SH）算法来解决噪声未知的问题，在动态环境中自适应调整量测噪声。仿真及实测结果表明，本文方法在噪声突变与统计特性未知条件下表现出更高的目标跟踪精度与稳健性。

关键词： Transformer   图像处理   超分辨率   卷积神经网络  

摘要： 针对现有Transformer模型在单图像超分辨率任务中参数量大、计算复杂度高的问题,提出一种轻量化SISR模型—SEST (Super-resolution Enhanced Spatial Transformer)。该模型引入了多头注意力机制和特征分割模块,显著降低了内存需求,并通过局部特征混合器和增强空间注意力机制提升了纹理细节的恢复能力。实验结果表明,SEST在多个标准测试集上的表现优于现有的轻量化SISR模型。特别是在峰值信噪比(PSNR)、结构相似度(SSIM)和参数数量方面实现了更好的平衡,为资源受限环境下的图像增强提供了可行的解决方案。

关键词： 葡萄病害   目标检测   YOLO v5s   注意力机制   微信小程序  

摘要： 针对田间环境下葡萄病害尺度多样、表征相似及模型复杂度较高的问题，提出一种基于YOLO v5s-RCW的葡萄病害检测方法。以YOLO v5s为基线网络，在特征提取结构中引入感受野注意力卷积模块（Receptive-Field attention convolution，RFAConv），有效解决了传统卷积操作在处理不同尺寸病害目标时参数共享的限制；同时，以智能交并比损失函数（Wise intersection over union，WIoU）替换完整交并比损失函数 (Compatible intersection over union，CIoU)，优化了不同尺寸锚框的惩罚机制，显著降低了病害尺度变化引起的性能波动。结果表明，该模型相比YOLO v5s，准确率、召回率和平均精度均值分别提高7、6、1.7个百分点，且通过在主干网络添加卷积块注意力模块（Convolutional block attention Module，CBAM），进一步提高了模型的特征判别能力，参数量降低18.3%。将YOLO v5s-RCW模型部署至云服务器，用户通过微信小程序调用转化为应用程序编程接口（Application programming interface，API）的检测功能，可实现对葡萄病害的便捷性检测，模型推理平均用时13.9 ms，提高了病害检测的效率和准确性，为葡萄病害检测提供了技术支持。

关键词： 图像处理   语义分割   椭圆拟合   PDC钻头复合片   磨损定级  

摘要： PDC钻头复合片的磨损是增加钻井成本的主要因素，对复合片磨损程度进行分级是修复钻头的前提。针对目前复合片磨损定级存在效率低、标准性差、精度不足等问题，提出一种基于改进的HRNet和椭圆拟合的磨损定级方法。首先，对复合片轮廓进行提取，为了提高复合片的分割精度，同时降低模型复杂度，使用深度可分离卷积替换HRNet网络的常规卷积，并对网络特征提取层的4个不同分辨率输出通过CGAF特征融合模块进行特征融合，避免通道堆叠带来的信息丢失，同时对融合特征图引入EMA注意力模块，进一步提高网络特征提取能力。然后，对复合片轮廓进行拟合，还原完整复合片轮廓，以RANSAC椭圆拟合算法为基础，通过数据预处理、拟合椭圆筛选以及内点补充提高分割复合片的拟合精度。最后，对拟合图磨损轮廓点进行筛选，确定定级线位置，根据IADC分级标准，对复合片进行磨损定级。实验结果表明，改进后的HRNet网络的平均交并比、类别平均像素准确率与原网络相比分别提升1.22%和0.75%，达到97.60%和98.79%，参数量降低72%，模型大小减小70%。所提椭圆拟合算法与常规算法相比，具有更好的拟合效果。整个定级方法，定级准确率达到96.5%，单张复合片定级所需平均时间仅为0.261s。基本满足PDC钻头复合片磨损定级标准化、高效率、高精度的要求。

关键词： Transformer   猪只计数   CBAM   SimSPPF   Wiou   Soft-nms  

摘要： 猪只计数是大规模养猪场在养殖过程中的一项非常重要的工作。在复杂的猪圈环境中，由于猪的应激反应和诸多的障碍物，想要进行准确且自动化的计数是一个非常困难的工作。为了提高在复杂环境下识别，该文提出了一种基于YOLOv8的猪只数量目标检测模型（SCS-YOLOv8），旨在提高养殖场中猪只计数的准确性和效率。首先，该模型在第5层的C2f层融入Swin Transformer模块，增强模型的特征提取能力。同时，在第10层增加卷积块注意力模块（CBAM）注意力机制，增强模型对小目标和遮挡目标的检测能力，提升模型的鲁棒性。此外，还引入了简化的空间金字塔池化快速模块（SimSPPF）模块降低计算量，提高了推理速度，采用基于动态非单调聚焦机制的边界框回归损失（WIoU）损失函数更好地处理猪只的遮挡问题和目标较小的问题，提高模型在复杂场景下的检测性能，并结合软非极大值抑制方法（Soft-NMS）防止两个重合度过高的目标漏检。实验证明，该模型在自制数据集和科大讯飞公开数据集上均取得了优异的性能，其中在自有数据集上的mAP50-95值达到了77.2%，较初始YOLOv8x提高了4.8%，相较于其它yolo模型都有不同程度的提升。同时该模型在科大讯飞的数据集上也有着不错的表现，证明了其良好的泛用性和鲁棒性。