关键词： 计算机视觉   双视角   车型识别   ResNet   车辆通行费  

摘要： 该文提出了一种基于双视角特征融合的深度学习网络——ETCLNet，用于解决收费公路车型分类中的实际问题。该网络采用双分支架构，分别对车辆的头部和侧身图像进行特征提取，并结合创新性设计多尺度特征提取模块（IPFE）与基于自适应加权的双线性特征融合机制（AWBF），实现了高效、细粒度的车辆特征表达。IPFE模块通过并行多尺度卷积与残差连接设计，有效缓解了梯度消失问题，并增强了对复杂场景的适应能力。AWBF融合机制进一步优化了角度间特征的高阶交互，通过自适应加权和逐元素乘法，实现了多角度特征的高效融合，显著提升了分类性能。实验结果表明，ETCLNet在多项评价指标（如准确率、精确率、召回率、F1值和AUC）上均优于现有主流模型，解决了现有收费公路稽核系统车型识别摄像机识别率低的问题。此外，该研究设计充分利用了现有硬件设备，降低了部署成本。本文研究为多视角车辆识别与智慧交通提供了科学高效的解决方案，并为未来深度学习网络的设计提供了新的思路。

关键词： 缺陷检测   航空发动机叶片   近红外高光谱   图像处理   缺陷分割  

摘要： 针对航发叶片划痕、凹坑等缺陷难以准确检测与定量分析的问题，提出一种基于近红外高光谱成像技术的缺陷检测方法。通过空谱特征融合聚类算法，解决微小缺陷在单一光谱或空间维度难以检测的问题。结合ISODATA聚类与轮廓边界提取算法增强缺陷特征并确定有效连通边界，进而提出一种基于形态学处理与标记控制的改进分水岭自适应分割算法，实现微小缺陷的精确分割与定量分析。实验结果表明，相较于现有方法，该算法在缺陷分割的完整性和连续性方面具有显著优势，缺陷的长、宽平均绝对误差均得到降低，平均百分比误差MPE分别达到4.14%和3.15%，验证了该方法的精确性与有效性。为多类型缺陷（划痕/凹坑）的同步定量分析提供解决方案，满足航空发动机高精度检测需求。

关键词： 焊瘤检测   RTDETR   轻量化   缺陷检测  

摘要： 针对当前焊瘤检测中因目标小且密集、背景复杂以及硬件条件限制等因素导致的检测精度和速度不足的问题，提出了一种基于Real-Time Detection Transformer的改进算法。首先从提高检测实时性角度出发，在主干网络中引入了轻量级多尺度注意力特征提取模块（Rep-FasterNetEMAblock），通过RepConv对FasterNetBlock进行改进，以减小模型体积；其次分别引入多尺度注意力模块（Efficient Multi-scale Attention）和金字塔结构（High Spatial Frequency Pyramid Network），通过其跨维度相互作用，保留小目标的特征信息，提升模型对小目标的检测精度；最后通过Focal机制改进损失函数（SIOU）形成Focal-SIOU替代原有的损失函数，进一步提升检测精度同时加快了训练速度。实验结果显示，改进后模型模型体积为33.1MB，相比于原模型下降了14.0%，平均精度均值从71.8%上升到76.7%，单张图像检测时间15.7ms，检测速度提升11.6%，体现出改进RTDETR模型在较低计算成本的基础上，具有良好的实时性和精准度。

关键词： 葡萄叶病害   目标检测   轻量化   YOLOv8  

摘要： 针对葡萄叶病害识别算法中精度与检测速度难以平衡的问题,提出一种基于改进YOLOv8的轻量化检测算法YOLO-UCES。首先,YOLO-UCES引入通用倒置卷积融合模块（C2fUIB）,替换原模型的C2f模块,通过多分支特征处理与轻量化卷积操作实现高效的特征提取与融合,增强对小目标的检测能力;其次,算法采用高效跨尺度特征融合网络结构（CCFM）,替换原颈部网络,进行跨通道信息整合,促进多尺度融合;再次,在主干网络中增加高效多头注意力机制（EMA）,降低计算复杂度的同时实现全局特征的建模和显著性增强,进一步增强对目标的检测能力;最后,替换原模型的检测头为融合自注意力机制的探头（Detect＿SA）,在保持高效计算的同时实现空间信息的有效保留与特征增强。试验结果表明:YOLO-UCES模型的准确率达到92.0%,平均精度达到93.1%。模型参数量和浮点数计算量分别降低至1.34×10～6和4.1 G,检测速度提升至84 f/s。与原YOLOv8模型相比,改进后的模型在准确率上提高2.6个百分点,平均精度提升0.9个百分点,参数量和计算量分别降低55.5%和49.4%,检测速度提高7f/s。综上所述,YOLO-UCES能够很好地解决检测精度与检测速度难以平衡的问题。

关键词： 施工场景   无人机   目标检测   YOLO   Faster-RCNN   DETR   RetinaNet  

摘要： 施工现场的组织管理是工程管理的关键环节，但传统的人力监管方法限制多、效率低。近年国家多部委发布有关政策，呼吁促进人工智能与实体经济深度融合，以人工智能推动经济高质高效发展。计算机视觉(Computer Vision， CV)技术的准确性、高效性、自动化等优点使CV技术在施工监理领域的应用逐渐广泛，而无人机能高效获取复杂多变的施工场景视觉数据的特性显示出无人机在基于CV技术的施工监管任务中的应用潜力。但当前基于无人机的施工场景目标检测研究有限，无人机视角下的施工场景图像数据集的数量稀缺限制着有关研究的深入发展。因此，大疆Mavic 3T无人机被用于获取施工现场图像以建立开源的施工场景俯拍图像数据集UB-CSD。选用多种先进目标检测算法在UB-CSD数据集上进行对比实验，从模型流程设计、计算原理、任务场景特性等维度分析各算法性能差异原因。各算法的检测结果mAP为96.1%(YOLOv8、YOLOv10)、96%(YOLOv9)、95.7%(YOLO11)、95.3%(DETR)、76.3%(Faster-RCNN)、72.1%(RetinaNet)。分析结果表明，YOLO系列算法是基于无人机的施工场景目标检测任务算法的最优选。通过构建全新的开源专用数据集和开展对比实验得出的以上数据及结论，将为建筑业安全生产管理与日后相关检测研究提供有效数据与实验案例。

关键词： 珠江口盆地   文昌组   成岩相   图像处理   机器学习   测井  

摘要： 砂岩成岩相特征复杂、类型多样，以珠江口盆地陆丰凹陷始新统砂岩为研究对象，建立一套准确的砂岩成岩相分类与识别方法具有重要意义。为精确划分成岩相，采用成岩作用参数与图像处理技术，通过铸体薄片各组分含量来表征压实、胶结、溶蚀成岩作用强度差异，进而根据成岩作用强度将成岩相划分为Ⅰ类、Ⅱ类、Ⅲ类。随后，将自然伽马、声波时差、补偿中子、补偿密度和电阻率等测井曲线数据与Ⅰ类、Ⅱ类、Ⅲ类成岩相特征建立多层感知器神经网络模型，并通过控制变量优化模型参数，最终实现成岩相的划分和测井识别。通过与实际薄片成岩相对比，多层感知器模型识别的准确率达到82.11%，将模型应用于LF13-9-1井成岩相进行识别，总样本数有23个，识别的准确率达到82.61%，说明该模型具有良好的识别效果。基于图像处理技术与多层感知器的砂岩成岩相分类与识别方法的建立可为砂岩成岩相识别提供参考。

关键词： 卷积神经网络   目标跟踪   机器人   特征提取   控制律  

摘要： 由于传统跟踪方法忽略了对图像特征的多维加权，导致该方法只能处理单维机器人图像数据，无法满足当前机器人领域的要求。为此，将卷积神经网络下的跟踪方法应用在机器人中，实现机器人目标高精度跟踪。在卷积神经网络中增加特征图多维加权层，强化特征图空间信息。随机选择机器人跟踪目标物体，利用卷积神经网络在机器人视觉控制系统中获取图像特征，根据图像特征误差构建视觉滑模定位控制律，完成机器人的物体视觉跟踪目标。仿真结果表明，卷积神经网络能大幅提升机器人目标跟踪精度，且跟踪路径与目标路径具有较高一致度，为机器人更好地实现目标跟踪提供可靠参考意见。

关键词： 智慧农业   计算机视觉   物联网   四足机器人  

摘要： 现阶段,传统农业生产方式在我国的农业领域中仍然占据一席之地,并且这种情况将在相当一段时间内继续存在,同时,伴随着时代的发展,传统农业领域也不断涌现出各类问题。本文旨在探索一种针对于我国目前传统农业领域存在的部分问题的行之有效的解决方案,同时探讨人工智能,物联网应用相关技术在解决我国传统农业问题中的实际应用,着重于优化深度学习算法在面对数据样本较少的野生动物时的具体表现,以及四足机器人在露天开放式农田中进行生态数据收集的可行性研究。

关键词： 人工智能   图像识别   智能安防   深度学习   目标检测  

摘要： 在数字化转型加速推进的背景下,智能安防行业面临着日益复杂的安全威胁,人工智能图像识别技术已成为构建智能安防体系的核心驱动力。文章系统阐释其技术原理,基于深度学习框架与卷积神经网络架构,通过多层特征提取与抽象实现图像目标的精准识别。该技术以高精度、实时性和自动化响应为核心优势,在公共安全监控领域,可实现人员与车辆动态追踪、异常行为预警;智能门禁系统借助生物特征识别技术提升身份核验精准度;在灾害预警场景中,通过图像数据分析实现自然灾害的实时监测与应急响应。然而,该技术在复杂环境下存在识别精度衰减问题,同时面临数据隐私泄漏风险与部署成本高昂的挑战。为此,需通过算法优化、数据安全强化及成本管控策略,推动人工智能图像识别技术在智能安防领域的深度应用,为行业智能化升级提供理论与实践支撑。

关键词： 机器视觉   实时性需求   数据采集   图像处理   硬件加速  

摘要： 随着工业自动化和智能制造的快速发展,机器视觉系统在实时性要求下的应用愈加广泛。实时性需求下,机器视觉系统的构建面临诸多挑战,如数据采集传输瓶颈、图像处理响应延迟以及硬件资源配置难题。为了实现实时性要求,需要在数据采集、图像处理、硬件加速和软硬件一体化方面进行深入优化。通过采用高效的数据采集处理技术、实时图像分析算法、硬件加速优化方法以及软硬件协同工作,能够显著提升系统响应速度,确保图像分析与决策的及时性。同时,构建适合实时性保障的机制也是关键。本文将探讨实时性需求下机器视觉系统构建的技术手段,并提出相应的解决方案,以应对日益严苛的实时性挑战。