关键词： 表观缺陷检测   水下偏振成像   图像处理   浑浊水体   混凝土结构  

摘要： 混凝土结构表观缺陷的水下检测精度深受水体环境和图像质量的影响。为切实提高浑浊水体环境下的水下图像质量，本文基于室内水下成像实验，提出一种专门适用于浑浊水体的混凝土结构偏振图像复原方法。首先，深入剖析混凝土结构信息光与浑浊水体后向散射光之间的偏振特性差异。其次，结合Stokes矢量来计算水下图像的偏振参量图像。接着，利用限制对比度自适应直方图均衡化（CLAHE）提升图像对比度，最终结合水下偏振成像模型实现图像复原。本文选取了十种图像处理方法与所提方法进行对比分析，并运用四种无参考图像质量评价指标对图像予以评估。实验结果显示，在浑浊度为50NTU的泥沙水体环境中，本文方法对平均梯度、EME、UCIQE和UIQM指标数值的提升幅度分别达到252%、561%、241%、93%。本文方法能够获取对比度高且细节清晰的水下混凝土结构表观缺陷图像，为混凝土结构水下表观缺陷图像提供了一种全新的图像复原方法。

关键词： 飞机蒙皮   目标检测   YOLOv8   知识蒸馏   模型压缩  

摘要： 基于深度学习的缺陷检测已成为当前研究的热点。然而，深度学习模型庞大的计算量以及飞机蒙皮缺陷目标尺寸的多变性，给模型在边缘设备??的部署与实际应用带来了显著挑战。为应对此问题，提出一种基于YOLO-LASD的飞机蒙皮缺陷检测算法。该算法在Yolov8 网络的基础上，进行了三项技术创新：（1）元素融合网络：替代YOLOv8原有结构，显著提升特征表达能力并降低计算复杂度；（2）轻量感知组归一化共享头：融合共享卷积、组归一化及响应校准层，自适应处理多尺度目标，有效解决小目标与大目标的检测失衡问题；（3）特征平滑蒸馏方法：结合通道特征知识传播蒸馏与输出层蒸馏，通过多层级知识迁移抑制轻量化导致的精度退化。在飞机蒙皮缺陷数据集上的实验结果显示，所提算法在预测准确率可达到95.5%，相比Yolov8n模型参数量压缩53.3%，计算量下降44.4%，验证了该方法的高效性与实用性。

关键词： 小样本目标检测   微调   多维特征知识转移   聚合重构数据增强  

摘要： 近年来，目标检测获得了广泛关注和研究，并取得许多成果。然而，要想获得一个性能优越的检测模型，需要大量标签样本进行训练。与之形成鲜明对比的是，人类仅需借助少量示例，就能快速学习新知识。为缩小两者间的差距，小样本目标检测得到越来越多关注。小样本目标检测方法旨在通过数量有限的标签样本，实现新类知识学习，且在此过程中，不会灾难性遗忘先前学习的基类知识，进而提升新类检测性能。然而，现有的小样本目标检测方法存在以下问题：1) 过度关注模型精度而忽略了模型效率；2) 只关注模型分类性能而忽略了模型定位性能。为解决这些问题，本文提出了一种新颖的基于聚合重构数据增强和多维特征知识转移的小样本目标检测方法。具体而言，首先提出聚合重构数据增强策略，通过从生成图像中提取目标对象，进行缩放后聚合在随机选择的基类样本中，从而在增加数据多样性、缓解数据稀缺的同时，增强模型对于不同数据集的泛化能力。然后，进行类间语义特征知识转移，实现分类器权值理想初始化，提高模型收敛速度；并显式建模类间定位特征知识，提高模型定位能力。实验结果表明，本文方法在小样本目标检测任务中表现良好，与现有方法相比具有一定的竞争力。

关键词： 单光子激光雷达   三维成像   盖革APD   目标检测   深度像  

摘要： 在单光子激光雷达三维深度图像重构过程中，线性/指数拟合法处理时间较长，且重构三维像的信噪比不高，增加了后续目标检测的难度，为此，本文提出一种基于全图统计的改进拟合法，在时空域上利用全局噪声优化噪声函数的拟合效果，提升深度图像的重构信噪比和实时性。实测数据实验表明，在60帧条件下，所提方法相较于传统拟合法，目标还原率提升41.21%，信噪比提高3.23倍，同时运算效率显著优化。在深度图像重构的基础上，进一步采用三维连通域标记的方法，将连通域标记目标提取方法从二值图像扩展到三维深度图像，提升深度图像中的目标特征表征效果和不同深度目标的区分能力。结果表明，利用全局噪声的改进拟合法以及三维连通域标记的目标提取方法，具有良好的信噪比提升能力和三维深度像的目标特征提取能力。

关键词： 大型建筑   室内定位系统   目标跟踪   物联网(IOT)   位置服务  

摘要： 为了提高大型复杂建筑内基于接收信号强度（RSS）指纹定位方法的定位精度，提出一种结合卷积神经网络和转换器（Transformer）模型的大型建筑室内定位方法：利用一维卷积神经网络提取每个RSS指纹的局部模式特征；然后利用Transformer模型学习RSS指纹中各元素间的依赖性，以提取RSS指纹的上下文特征；最后，将2种特征自适应地融合以获得关于大型建筑内各区域、各位置的高表达力特征。实验结果表明，提出的方法能够有效改善大型建筑内基于RSS指纹定位方法的定位精度，且其定位时间处于合理的范围内。

关键词： 计算机视觉   目标检测   注意力机制优化   多尺度特征融合   模型轻量化   损失函数优化  

摘要： 针对资源受限场景中多尺度目标检测模型难以兼顾高精度与低参数量、低计算复杂度的问题，提出了一种基于YOLOv8的边缘端轻量级多尺度目标检测方法。首先，在主干网络的跨阶段部分双特征融合模块中嵌入了自主设计的轻量级通道-空间注意力模块，通过融合高效通道注意力机制和多尺度深度可分离低秩卷积，在模块复杂度较低的同时实现通道和空间双维度特征增强。其次，设计了跨层自适应加权融合模块，建立跨层连接，通过自适应加权机制融合浅层细节特征与深层语义信息。再次，将颈部网络跨阶段部分双特征融合模块中的瓶颈结构替换为通用倒置瓶颈，在维持检测精度的同时降低计算复杂度。最后，提出了聚焦式尺度自适应动态交并比损失，通过尺度自适应调制项与聚焦机制，动态调整误差惩罚力度并强化对难检测目标的关注。在BDD100K数据集上，与当前先进的YOLO11m模型相比，LMS-YOLO-m在mAP@50与mAP分别提升了0.5%和0.1%，参数量减少了2.4%，计算量降低了5.8%，结果表明该方法在检测精度更高的同时具有更低的参数量和更低的计算复杂度。

关键词： 煤矿区域限员   区域人数统计   目标检测与跟踪   双目结构光摄像仪   GF-YOLOv8   交并比优先策略  

摘要： 目前基于视频监控的井下区域限员算法主要是利用多目标跟踪实现，存在运算复杂难以实现低功耗嵌入式移植，易受环境光源干扰等问题。针对上述问题，提出一种基于目标检测与跟踪的轻量化煤矿区域限员算法。利用多台双目结构光摄像仪采集重点区域进出口的彩色图和深度图，基于改进的轻量化目标检测模型GF-YOLOv8，完成工作人员的图像定位；采用交并比优先策略对目标与轨迹进行匹配，减少了传统目标跟踪算法的匹配次数，提升了跟踪的运算速度；以跟踪轨迹为基础，通过多摄像仪的跨线计数的方式，统计重点区域总人数，当区域达到限员人数时，输出报警信息。试验结果表明：双目结构光可以有效克服光照影响；改进的目标检测模型GF-YOLOv8的AP@0.5和AP@0.5︰0.95较YOLOv8分别提高了0.24%，3.42%，参数量和每秒浮点运算次数分别降低了17.29%，2.58%；交并比优先策略与DeepSort算法精度相近，但具有更低的匹配复杂度；在限员报警次数方面，真实报警次数为17次，交并比优先策略正确报警16次，漏报1次。

关键词： 无人机航拍   目标检测   损失函数   空间金字塔   解耦检测头   多尺度  

摘要： 针对无人机航拍图像中目标小而密集，且极易出现漏检和误检等情况，文章提出一种改进YOLOv8n的无人机航拍复杂背景下多尺度目标检测模型UCM-YOLOv8。首先设计一种集聚合与扩散特性于一体的金字塔式网络结构，让每个尺度的特征都具有详细的上下文信息。其次，提出任务动态对齐检测头，从多个卷积层中学习交互特征，提高检测精度。此外，将卷积加性自注意力机制与C2f模块有效融合，进一步增强特征表达能力。最后，为抑制低分辨率图像产生的有害梯度，运用Wise-Inner损失函数替换原CIou损失函数。在VisDrone2019数据集上进行对比实验和消融实验，mAP50值较基线模型提升了10.8%，参数量减少了9.6%。证明本模型在无人机航拍视角下的小目标检测效果优异，适合无人机航拍图像的应用。

关键词： 目标检测   信息提取   车站平面图   注意力机制  

摘要： 由于车站平面图设计规范不统一，设备图元的形态和表达方式差异较大，导致车站平面图信息提取困难，识别成本较高。基于此，本文提出了一种融合自适应注意力的车站平面图信息提取网络，称为自适应多尺度YOLO(Adaptive Multi-Scale YOLO， AM-YOLO)。该算法基于YOLOv8改进而来，针对车站平面图尺寸较大的特点，引入滑动窗口切割策略显著缓解特征损失；针对车站平面图中设备图元交错、位置关系复杂的问题，提出自适应通道空间注意力机制提高网络对特征信息的提取效率；针对设备图元纹理和外观相似问题，设计多尺度感知模块，扩大网络感受野以提高对平面图中高级语义信息的提取能力。对比实验结果表明，本文方法对车站平面图的平均检测精度达93.2%，相较于YOLOv8检测精度提升9.3%。该算法实现了对车站平面图中各类复杂设备的准确识别和信息提取，有效提高了车站计算机联锁系统及相关应用的开发效率。

关键词： 零样本目标导航   强化学习   开放词汇目标检测   主动感知  

摘要： 针对现有零样本导航方法中大语言模型计算复杂度较高、难以满足实时性要求，以及基于物体关系的建模方法易受环境变化影响、泛化性差的问题，提出一种基于开放词汇目标检测的零样本目标导航方法。针对开放世界的导航场景对实时性与目标识别精度的双重要求，构建一种面向导航任务的目标检测优化策略，在开放词汇目标检测模型的基础上引入空间约束与置信度融合机制，实现低延迟条件下的可靠目标检测。为增强智能体对目标语义与环境空间的感知能力，设计了一种带有反馈机制的目标导向语义提取网络，通过交叉注意力机制提取目标语义与环境特征之间的关联信息，同时使智能体主动感知当前状态并进行及时调整，从而避免无效探索。实验结果表明，与TDANet法相比，本文方法在18/4与14/8两组类别设定中寻找未知物体的准确率分别提升19.5%和22.0%，寻找已知物体的准确率分别提升6.6%和6.3%。此外，真实环境中的实验验证进一步证明了本文方法在不同环境下的适应性及面对未知目标时的泛化能力。