关键词： 黑猪盘点   目标检测   注意力机制   低光增强   特征提取   YOLOv7   智慧养殖  

摘要： 为解决低光环境下黑猪图像质量差、识别与定位难度大，以及黑猪聚集时因遮挡和粘连导致的误检与漏检问题，提出LADnet(low-light animal detection network)检测模型。首先，采用亮度自适应模块（illuminationadaptive-transformer,IAT）及坐标注意力机制（coordinate attention,CA）对图像进行增亮与降噪处理；接着，设计了选择核卷积注意力（selective kernel convolutional attention,SKCA）模块，以提高模型对黑猪的感知能力；最后，利用ReLU激活函数解决了梯度消失和梯度爆炸等问题。结果表明，LADnet模型的精确率、召回率和平均准确率（mAP@0.5）分别达到97.32%、86.61%和92.73%，与基准模型相比，分别提升1.07、6.15和3.05个百分点；与单阶段目标检测模型SSD、YOLOv5相比，LADnet的平均准确率分别高出8.33、7.35个百分点；与两阶段目标检测模型Cascade R-CNN、Faster R-CNN、DAB＿DETR相比，LADnet在检测精度提高的同时，具有更小的参数量和更快的检测速度，更符合实时检测要求。LADnet模型在低光黑猪检测任务中展现出卓越的检测性能和更高的鲁棒性，为低光环境下的黑猪精准识别提供了一种高效可靠的工具，对推动低光智慧养殖的发展具有重要意义。

关键词： 目标检测   小样本学习   元学习策略   特征增强   Transformer  

摘要： 当前基于元学习的小样本目标检测算法普遍依赖区域建议生成网络(Region proposal network,RPN)生成候选框，但预定义的候选框通常包含大量无效区域，在训练样本较少时，这些无效区域会引入噪声，干扰小样本目标的准确定位。此外，现有的一阶元学习策略主要依赖支持样本的特征信息来指导模型对小样本查询信息的学习，但由于小样本情况下支持样本有限，提取的特征通常只涵盖局部的类别信息，难以全面表示类别特征，进而影响查询样本的表达能力，降低分类和定位的精度。为了解决上述问题，提出了一种基于二阶元学习策略的小样本目标检测算法(Second order meta learning strategy based few-shot object detection,SM-FSOD)。首先，该算法采用了Transformer的编码器和解码器结构代替区域建议生成网络，同时以ResNet-101为主干网络共同构建端到端的目标检测算法。而后，在上述算法的基础上，使用两个元学习器重新构建了一种二阶元学习策略，在元学习的第一阶段，采用了一种支持-查询特征并行编码器，通过两个并行的自注意力机制处理输入的查询特征和支持信息，度量二者间的相关性，并以此为依据指导小样本查询信息的判别。在元学习的第二阶段，采用了一种面向全局信息的原型特征整合方法，通过预先提取查询特征的深度感知信息，将其和原有的支持特征进行耦合，增强支持信息对小样本查询信息的感知能力。在PASCAL-VOC 2007/2012数据集上进行实验并和Meta-FRCNN(Meta-learning based faster R-CNN)、FSORSR(Few-shot object detector with a spatial reasoning framework)等小样本目标检测算法的平均精度进行比较，相较于依赖RPN的Meta-FRCNN算法，所提出的SM-FSOD算法在AP50(Averageprecision)基准下取得了1.40%～4.02%的精度提升。此外，在更具挑战性的COCO数据集上的实验结果表明，在样本类别数目增加的情况下，所提出的SM-FSOD算法在AP50基准下相较于Meta-FRCNN算法仍取得了2.70%～3.45%的提升。

关键词： 林业害虫   目标检测   YOLOv7   GhostConv   SE注意力   CoordConv  

摘要： 为提高林业害虫识别精度，提出改进YOLOv7的林业害虫检测模型（GhostConv and SE Attention Enhanced YOLOv7，GS-YOLOv7）。该模型首先将主干网络的传统卷积改用GhostConv轻量卷积，减小模型运行的参数量，提高模型效率；其次，通过添加挤压激励（Squeeze Excitation，SE）注意力模块，强化对特征不显著的害虫图像边缘的提取能力，进而提高网络的特征提取能力；再次，用特征内容感知重组（content aware reassembly of features，CARAFE）轻量级算子取代传统采样方法，提高特征重建质量，解决尺度不匹配问题，增强检测性能；最后，在 Neck 网络引入协调坐标卷积（Coordinate Convolution，CoordConv）模块，利用其位置信息解决目标定位不准问题，提高模型对空间位置的感受能力和泛化能力；在6种常见的病虫数据集上进行试验，GS-YOLOv7模型的精确率达到93.15%，交并比阈值为0.5时的平均精度均值达到93.29%，比原模型的精确率、平均精度均值分别提高6.50%和2.09%；参数量和模型大小分别降至1.9×107和38.17 MB，比原模型分别降低51.4%和46.53%。结果表明，GS-YOLOv7模型较原模型性能有显著提升，模型改进有效。

关键词： 输电线路   目标检测   绝缘子缺陷检测   复杂背景   轻量化   RT-DETR算法  

摘要： 为解决无人机在输电线路绝缘子巡检中目标检测算法面临的模型复杂度高、小目标缺陷检测精度不足和上下采样过程中容易造成特征丢失等挑战，本文提出了一种基于轻量化改进的RT-DETR绝缘子缺陷检测算法（SDH-DETR）。首先，以RT-DETR作为基线算法，降低优化难度并提高鲁棒性；其次，采用轻量级StarNet作为主干网络，在显著降低模型复杂度的同时提升特征提取能力；接着，引入DySample动态上采样模块，通过基于采样点的自适应上采样方法，有效减少细节丢失与图像失真；最后，利用Harr小波变换下采样模块（HWD），实现低频与高频信息的高效融合，抑制复杂背景干扰并增强对小目标的检测能力。在复杂背景数据集上的验证实验表明，SDH-DETR的平均精度达98.5%，较基线算法提升0.9%，参数量和计算量分别减少43%和46.1%，检测速度达78.6帧/秒。这表明该算法在保证高准确性的同时，实现了轻量化设计，满足了输电线路巡检对效率和性能的实际需求。

关键词： 树种识别   深度学习   无人机   YOLO   目标检测  

摘要： 精准高效的森林树种识别是智慧林业实现的关键。传统的地面调查方法存在效率低、成本高等问题，而基于机器学习的树种识别方法通常依赖于大量的特征提取和先验知识。为解决这些问题，提出一种基于改进YOLOv10的无人机影像树种识别算法，通过轻量化网络设计和注意力机制增强，实现边缘设备的高效部署，为森林资源数字化管理提供技术支持。选取东北地区5种常见的树种落叶松（Larix gmelinii）、黄檗（Phellodendron amurense）、胡桃楸（Juglans mandshurica）、榆树（Ulmus pumila）和水曲柳（Fraxinus mandshurica）构建无人机影像数据集，通过采用轻量化卷积（Ghost）重构主干网络以降低计算复杂度。此外，在特征融合层引入卷积块注意力模块（Convolutional Block Attention Module，CBAM），通过通道和空间双维度的特征校准增强细粒度特征提取能力。通过双向跨尺度连接（BiFPN）优化多尺度特征融合，采用对称交并比损失函数（SIoU）改进边界框回归速度。最后于Jetson Nano嵌入式平台进行模型部署验证。改进后的YOLOv10模型在验证集上达到91.5%的查准率（Precision）和77.5%的mAP@0.5，分别较基线模型提升4.5%和3.8%。部署实测平均推理速度为43.5 FPS，较基线模型提升35.5%，mAP@0.5达75.7%。结果表明，YOLOv10改进算法通过轻量化架构和优化多尺度特征提取，在保持实时性的同时提升复杂林区场景的树种识别精度。该算法为无人机林业调查提供可嵌入式部署的解决方案，特别适用于林冠层重叠度高、光照条件多变的实际作业环境。

关键词： 软体机器人   仿蚯蚓   肠道检测   图像处理  

摘要： 肠道疾病已成为威胁人类健康的重大疾病之一，传统肠道疾病检测借助肠道内窥镜，虽能直接检查中空器官或体腔内部，但会引发患者不适。软体机器人以良好人机交互特性为肠道疾病检测提供新方向，然而多数需大量线缆连接外部控制系统，检测时仍给患者带来不适。本文提出一种仿蚯蚓的无绳肠道软体机器人。该机器人装配有柔性压力传感器及无线微型摄像头，能够在类肠道环境中实现可控运动，同时监测环境压力变化，并通过视觉感知检测环境中异物的存在。此无绳软体机器人由前端径向运动执行器、中心轴向运动执行器以及后端径向运动执行器构成，内部集成小型控制板及四个微型气泵。通过无线蓝牙控制四个气泵的开启与关闭，进而控制三个运动执行器的膨胀与收缩，促使软体机器人自身产生变形，驱动其在类肠道环境中自由移动。该无绳软体机器人外部连接柔性压力传感器和无线微型摄像头，使用者借助手机便可监测环境内压力变化，并检测环境中异物。经多种实验验证，该无绳软体机器人可在刚性管道与柔性管道中自由移动，移动速度达0.75毫米/分钟，且能实时监测所处环境状况，测量环境内压力变化。此外，本文采用Fast RCNN算法对无绳软体机器人所采集的图像进行处理，能够精准且清晰地识别类肠道环境中存在的异物。该无绳软体机器人与环境具备良好的交互性，为肠道疾病检测提供了一种友好且新颖的方法。

关键词： 机器视觉   无人机   目标跟踪   模板更新   深度网络  

摘要： 无人机已被广泛应用在军事和民用领域，目标跟踪是无人机应用的关键技术之一。针对无人机目标跟踪中，目标易发生形变、遮挡、尺度变化以及复杂环境等问题，提出一种基于自适应模板更新的Transformer无人机目标跟踪算法。首先，基于改进非对称注意力机制构建Transformer骨干网络，有效提取图像特征并增强特征对目标的表达能力。其次，提出一种基于外观变化系数的自适应模板更新策略。通过计算外观变化系数，自适应进行模板更新，提升跟踪网络处理目标变化的能力。最后，根据搜索区域图像特征响应图计算最大置信分数，确定目标位置。仿真实验结果表明，该算法能够有效提升无人机目标跟踪的精度，具有较好的鲁棒性。

关键词： 显著目标检测   多模态   特征融合   RGB-T   特征交互   深度学习  

摘要： 针对现有方法中多模态间的互补信息利用不充分、特征交互易引入噪声的问题，提出了一种深度特征交互网络。首先，在编码阶段提出了深度特征多层交互模块，使用深度特征作为特征交互的线索，以充分利用可见光的纹理信息和热成像的位置信息。其次，设计了纹理位置特征交互模块，通过纹理信息与位置信息进行交互以实现同层级间的特征互补。然后，在解码阶段提出了膨胀卷积特征融合模块，通过膨胀卷积块提高模型感受野，使模型关注网络中的多尺度信息。最后，在公共RGB-T数据集VT5000、VT1000、VT821进行了广泛实验，实验表明，所提出网络的平均绝对误差分别达到2.2%、1.5%、2.5%，与领域内先进的方法相比，取得了优异的性能。

关键词： 电子连接器   无监督学习   异常检测   扩散模型   计算机视觉  

摘要： 由于电子连接器异常样本稀缺，使得有监督模型难以捕捉异常样本特征，很大程度上限制了有监督学习方法的检测性能。并且现有无监督模型存在重建图像模糊、缺陷残留的问题，严重影响检测精度。为此，提出一种仅需无异常样本训练的一步去噪单纯形扩散模型电子连接器异常检测方法。由于高斯去噪扩散概率模型在图像重建任务中存在特征投影误差导致重建位置偏差，因此引入单纯形噪声构建单纯形噪声去噪扩散概率模型，并重新制定去噪范式使推理时间降低至0.09s。此外，研究得到一种图像预处理方法，消除冗余特征干扰，使模型高效学习电子连接器表面特征，提高模型学习效率。实验结果表明，在异常检测标准评估度量AUROC准则下，所提方法显著优于现有无监督模型。图像级检测准确率达99.71%，像素级精度达到93.86%，展现出卓越的异常检测性能。

关键词： 瓦斯抽采   低照度   SCI   目标检测   EMA   BiFPN   钻杆计数  

摘要： 针对现有的煤矿井下钻杆计数方法在低照度环境下统计精度低且性能下降等问题，提出一种基于改进YOLOv8的煤矿井下低照度图像钻杆计数方法。该方法通过检测钻机卡盘与夹持器两个预测框的中心点坐标，绘制间距曲线并统计波峰的数值实现钻杆数量的计算。首先，采用SCI模块对低照度图像进行前置处理，解决低照度图像光照不均、对比度低等问题，确保后续模型能够提取到更多有效特征信息；其次，在主干网络中将EMA注意力机制融合到C2f模块，保留各通道的信息并建立长短期长下文依赖关系，增强对低照度、复杂背景中目标关注程度；此外，在颈部网络使用BiFPN结构作为特征融合方式以降低特征信息丢失，增强网络特征融合能力，提高模型在低照度场景下的检测精度；最后，设计了Inner-CIoU损失函数，基于不同大小的辅助边界框回归，提升模型对低照度和噪声的适应能力。实验结果表明，改进后的YOLOv8-GC算法mAP@0.5提升了5.7%，检测速度达到151帧/s；低照度环境下钻杆计数精度达97.2%，充分证明了本文改进算法的有效性和应用潜力。