关键词： 扫描合成孔径雷达   扇贝效应   图像处理   深度学习  

摘要： 扇贝效应是扫描合成孔径雷达（Scanning Synthetic Aperture Radar， ScanSAR）中存在的一种系统性成像缺陷，具体表现为沿方位向周期性分布明暗条纹噪声。该现象不仅显著降低图像辐射质量，还会严重影响后续处理与下游应用任务，如舰船检测、地物分类等。作为ScanSAR图像处理的关键环节，扇贝效应抑制研究具有重要的理论与应用价值。本文系统梳理了该领域近年来的研究进展，通过深入分析国内外代表性工作的技术特征与演进规律，将现有方法归纳为三大类：基于先验信息的参数化校正方法、无先验的传统图像后处理方法以及基于深度学习的智能抑制方法。在此基础上，本文从对各类方法的性能特点进行了对比评估，，指出了当前方法在复杂场景适应性、泛化能力等方面的局限性，并针对未来技术发展方向提出了建设性展望。

关键词： 计算机视觉   深度学习   粮油   无损检测  

摘要： 粮油安全是重要的食品安全问题之一，在全球范围受到广泛关注。因此，快速、准确、高效的检测技术对于保障粮油安全至关重要，而传统粮油检测方法存在耗时长、主观误差大、实时性差等缺点，难以满足消费者对食品品质的高要求，计算机视觉和深度学习的结合为粮油检测提供了快速、高效、非破坏性的解决方案。本文首先介绍了深度学习和计算机视觉的基本原理及其在食品检测中的优势，重点分析了卷积神经网络、长短期记忆网络、生成对抗网络等算法在粮油检测中的应用案例，展示了这些技术在提高检测精度和效率方面的显著效果，总结了计算机视觉和深度学习在粮油及其制品无损检测中的应用进展。并从优化模型鲁棒性和可解释性、开发轻量级模型以适应资源受限的检测环境等方面讨论了在粮油安全领域应用中存在的局限性和未来发展趋势，旨在推动食品检测技术向更高效、精准的方向发展。

关键词： 木材缺陷检测   YOLO   目标检测   缺陷权重   模糊综合评价  

摘要： 针对当前竹木加工机械性能不足及竹木材料固有缺陷所导致的加工成品质量不稳定问题，聚焦于木材智能制造过程中的缺陷检测关键技术，提出了一种基于改进YOLO(You Only Look Once)目标检测算法的集成化质量评估系统。该系统创新性地引入了多参数缺陷权重机制，通过量化分析缺陷尺寸、缺陷特征及缺陷严重性等关键指标，构建了基于模糊综合评价的木材质量分级模型。实验结果表明：该系统能够有效地将木材产品划分为优等品（A级）、良品/合格品（B级）及不合格品（C级）3个等级。在Plywood木材缺陷数据集上，实现了91.3%的全类别平均精度均值（mean Average Precision@0.5, mAP@0.5），其动态权重分级策略与人工评估结果的误差低于5%（欧氏距离0.063，杰卡德指数0.892），为木材智能制造提供了高效、可扩展的质量评估范式，具备显著的工程应用价值。

关键词： 综采工作面   图像处理   三维动态电子围栏   目标识别   异常检测  

摘要： 煤矿井下综采工作面尘雾复杂、光照多变，导致图像感知性能下降，影响智能监测系统的稳定运行。传统二维电子围栏方法存在空间适应性差、三维深度信息缺失、误检、漏检率高等问题，难以实现对矿井人员入侵的精准识别与预警。为提升图像质量与空间感知能力，研究提出融合暗通道先验与改进限制对比度自适应直方图均衡化（CLAHE）的图像预处理方法，实现环境光照精确估算与尘雾图像增强。针对二维电子围栏识别精度低的问题，通过建立MSS-YOLO（MSEE SCDH SPSC-YOLO）的井下目标关键点检测算法，结合FE-SGBM(Feature-Enhanced Semi-Global Matching)双目立体视觉匹配模型获得拖缆槽关键点检测与空间深度信息感知，实现基于拖缆槽关键特征点的三维动态电子围栏构建。进一步引入基于Unity3D的矿井人员与三维动态电子围栏虚拟碰撞检测方法，搭建综采工作面人员入侵检测预警系统，实现综采工作面矿井人员精准检测与异常预警。实验结果表明，该系统在尘雾、光照变化等复杂环境下人员误检率仅为4.56%，虚拟平台对人员入侵危险区域的碰撞预警帧匹配率为94.4%，处于危险区域内报警帧匹配率为98.5%，具有良好的识别准确性与实时性。该研究为煤矿智能化综采工作面三维安全预警系统的构建提供了可行路径与技术支撑。

关键词： 目标检测   YOLOv11   选择性特征融合   边缘特征选择   轻量化  

摘要： 在真实棉田环境中，棉花目标呈现多尺度密集分布，不同尺寸目标在特征表达上差异较大，且复杂背景与枝叶遮挡易导致边缘退化与特征残缺，以上因素共同加剧了检测过程中的误检、漏检与定位不准等问题。为此，本文改进YOLOv11设计了一种轻量级棉花检测算法MFDF-YOLO，以提升复杂场景下的检测性能。该算法设计多尺度边缘特征选择模块（C3k2-MSEFS），通过多尺度边缘特征增强与双域选择机制强化高频边缘信息并抑制背景信息，从而增强对多尺度目标的感知与定位能力；其次，利用上下文锚点注意力机制（CAA）改进高级筛选特征金字塔网络（HSFPN）并重构颈部网络，保持多尺度特征融合过程中的小目标和遮挡目标响应；最后，设计轻量高效检测头（LEDH），采用分组卷积与参数共享的精简结构，在显著降低计算量的同时提高目标检测精度。于自建棉花数据集上的实验结果表明，MFDF-YOLO较基线模型的mAP@0.5指标提升5.2%，模型参数量降低30.4%，计算量降低12.7%，模型大小减少27.7%。此外，通过COCO指标和TIDE指标验证MFDF-YOLO在多尺度目标检测、定位能力和背景抑制方面表现出显著优势，且在公开数据集上进一步验证其良好的泛化能力。

关键词： 边缘特征   野生菌识别   深度学习   目标检测   自然环境  

摘要： 为实现自然环境下对野生菌种类的精确识别，提出一种基于改进YOLOv8s的野生菌识别算法YOLOv8s-EAS。首先，使用EIE模块改进原C2f模块的Bottleneck结构，进一步捕获目标的空间信息和边缘特征信息，加强特征提取能力；其次，通过引入ADown模块，增强模型的特征提取能力；然后，提出一种融合MultiSEAM注意力机制的检测头，实现多尺度的野生菌检测，使模型能够更准确地检测出被遮挡情况下的野生菌，从而提升识别精确率；最后，替换损失函数为WIoU函数，加快模型的收敛，进一步提升模型的检测性能。试验结果表明，改进的YOLOv8s-EAS模型在野生菌识别任务中，其mAP@0.5和mAP@0.5:0.95较原YOLOv8s模型分别提高2.1、1.6个百分点，精确率和召回率也分别提升5.2、1.3个百分点。YOLOv8s-EAS模型对比目前主流的目标检测模型，YOLOv8s-EAS对自然环境下的野生菌识别精度具有明显优势，能够更好地满足实际农业需求。

关键词： 深度学习   目标检测   计算机视觉   智能检测   缺陷检测  

摘要： 随着自动驾驶技术和智能交通驾驶系统的高速发展，铁路部门中多种运维系统的智能化转型成为工程研究的热点方向。其中，对于地铁轨道缺陷的维护工作通常采用人工或半自动方式进行，存在效率较低和可靠性较差的问题。利用深度学习方法对轨道缺陷进行日常检测成为更加高效的方案。针对轨道缺陷日常检修效率低下的问题，开发了一种高效精准的轨道缺陷检测方法，有效提升了轨道缺陷检测的效率和稳定性。具体来说，围绕较为先进的差分Transformer编码器为核心构建方案，开发了一套端到端缺陷检测系统，为上述问题提供了新的解决方案。充分的实验研究表明该系统能够胜任地铁轨道缺陷检测任务，并且能够适应多种环境下检测任务。

关键词： 图像处理   量子图像隐写   最低有效位   龟壳隐写算法  

摘要： 针对现有的图像隐写术存在载体图像质量下降、容量冗余等问题，提出一种基于LSB和龟壳的量子图像隐写方案。该方案将量子载体图像划分为连续的不重叠块，根据块中的最大像素差值，将块属性分为边缘或平滑，并相应地选择LSB或龟壳替换算法来隐藏秘密信息。对LSB算法做出改进，修改载体图像的2个低有效位，可以实现3位秘密信息嵌入；去除了龟壳算法中的距离比较，并减少了关联点的数量。此外，通过交换量子图像中相邻的量子位，对秘密图像进行预处理，设计了相应的量子电路。实验结果表明，该方案在不可见性、嵌入能力和鲁棒性方面都具有优越的性能。

关键词： 灰茶尺蠖幼虫   目标检测   茶冠层环境   YOLO   扩散模型  

摘要： [目的/意义]灰茶尺蠖（Ectropis grisescens）幼虫对茶树的危害是当前茶叶生产面临的主要生物胁迫之一，实现其早期精准检测具有重要的生产实践意义。[方法]本研究提出了一种融合可控扩散模型与目标检测深度学习框架的高效识别方法，用于茶树冠层中灰茶尺蠖幼虫四个龄期的实时检测。研究构建了三级检测体系：全龄期检测（1—4龄）、虫龄段检测（1—2龄与3—4龄分组），以及精准龄期检测（各龄期独立识别）。研究引入可控扩散模型，并创新性地提出数据集优化与高质量图像筛选策略，旨在提升YOLO系列模型（YOLOv8、v9、v10、v11）在灰茶尺蠖数据集上的检测性能。[结果与讨论]全龄期检测中YOLO系列模型的最佳平均mAP50达到0.904，虫龄段检测的最佳平均mAP50为0.862，精准龄期检测的最佳平均mAP50为0.697。值得注意的是，可控扩散模型的引入使YOLO系列模型的性能获得普遍提升，其中YOLOv10在三类检测任务中的提升最为显著（配对t检验，p<0.05），平均mAP50从0.811提升至0.821。综合比较发现，YOLOv9在灰茶尺蠖检测中表现最优，其三类检测任务的平均mAP50达0.826,F1值为0.767。[结论]本研究证实，基于可控扩散模型与深度学习相结合的创新方法，能够有效实现田间灰茶尺蠖幼虫各龄期的精准识别，为茶园灰茶尺蠖智能监测提供了可靠的理论基础和技术支撑。

关键词： 教育数字化   平面图像处理   混合式教学模式  

摘要： 文章以教育数字化战略为背景,探讨了在"平面图像处理"课程中应用混合式教学模式.首先介绍了教育数字化的发展背景,分析了混合式教学模式的优势.其次针对传统教育模式下"平面图像处理"课程教学的不足提出了混合式教学模式的设计思路和实施策略.通过整合教学资源、融合线上线下教学等方法,实现了教学内容的多样化和个性化.最后总结了混合式教学模式的优势和挑战,并提出了进一步完善和发展的建议.