关键词： 混合式   工学结合   课证赛融合   就业导向  

摘要： 本文探讨了图像处理课程的双导向改革,重点分析了混合式教学、工学结合、课证赛融合和就业导向在课程改革中的应用。研究表明,通过整合线上线下资源、强化实践教学、将课程与职业资格证书和技能竞赛相结合,以成果导向和就业导向来优化课程内容,可有效提升图像处理课程的教学质量和学生的就业竞争力,为培养高素质的图像处理专业人才提供了新的思路和方法。

关键词： 深度学习   桥梁表观病害   注意力机制   目标检测   YOLOv5  

摘要： 针对目标检测算法在实际桥梁建模病害检测中周围像素缺失的局限性，提出了一种改进的YOLOv5桥梁表观病害检测的算法。常规YOLOv5模型在桥梁病害检测中存在以下问题：对目标病害定位及特征提取能力较弱、对小尺寸目标病害识别精度较低。为此，该文首先在常规YOLOv5的特征提取主干网络中融入CA注意力机制模块，以增强模型对目标病害的定位及特征提取能力；其次采用C2f模块替代常规YOLOv5中原有的CSP模块，以增强模型对小尺寸目标病害的检测精度。相较常规YOLOv5模型，嵌入CA模块后的模型对裂缝和剥落病害的识别精确度分别提升了2.74%和2.55%。在此基础上再应用C2f模块，模型对小尺寸目标病害裂缝和渗水病害的检测精确度又分别提高了4.12%和3.62%。改进的YOLOv5模型在测试集上最佳mAP值达到0.945，相较常规YOLOv5提高1.61%。表明改进后的YOLOv5桥梁病害特征提取及定位能力更强，对小尺寸目标病害的检测精度更高。

关键词： 松材线虫病   变色疫木   YOLO算法   无人机影像   目标检测  

摘要： 为提升基于深度学习的松材线虫病变色疫木检测精度，以YOLOv11为基础算法，将小波卷积（Wavelet Transform Convolution， WTConv）与三重注意力（Triplet Attention）机制相结合，构建改进的YOLOv11算法，基于无人机可见光遥感影像，将算法应用于浙江省缙云县松材线虫病变色疫木检测中，对比了YOLOv8、YOLOv11和改进的YOLOv11算法对松材线虫病感染木和枯死木的检测效果。结果表明，改进后的YOLOv11算法具有更好的性能，检测平均精度均值达97.7%，精确率达97.4%，召回率为95.4%，均优于YOLOv8和YOLOv11算法。在未训练区域，松材线虫病感染木的F1分数为94.4%，改进的YOLOv11算法模型在未参与训练的区域仍然能准确地识别目标。研究结果提供了一种精度更高的松材线虫病变色疫木检测算法，为松材线虫病变色疫木定位提供了更加准确的工具支持。

关键词： 铁路轨道   波磨   机器视觉   变分模态分解   光学测量   图像处理  

摘要： 钢轨波磨是影响铁路安全运营的关键问题之一，而目前检测方法存在效率低、精度不足的缺陷。提出一种基于机器视觉与变分模态分解的在线检测方法，旨在实现钢轨波磨的高效、高精度测量与数字化管理。首先，设计一种集成线激光扫描与双面阵CCD相机的机器视觉检测模块，通过激光投射与图像处理技术实时获取钢轨截面轮廓；其次，提出平面束遍历模型，在钢轨轮廓坐标系中建立平行平面束，结合kd-tree最近邻搜索算法，精确定位轨顶的波磨测量点，形成钢轨波磨数据序列；进一步针对波磨信号的多波段叠加特性，构建变分模态分解模型，通过交替方向乘子法自适应分离4个特征波段，解决经验模态分解的模态混叠问题。为验证方法有效性，进行两类试验：（1）基于3D打印的1 m模拟波磨模型，10次重复测量结果显示平均绝对误差为0.009 mm；（2）南宁工务段现场试验，检测数据与0级波磨尺人工测量结果对比，平均误差为0.010 mm，符合标准要求。试验表明，测量精度0.01 mm，较经验模态分解显著提升模态分解准确性，且支持波磨数据的时空特征分析与数据库管理。研究成果为钢轨波磨检测提供新的技术手段，可服务于轨道状态评估与智能化养护决策。

关键词： 自动驾驶   目标检测   实时检测   YOLOv10   轻量化模型  

摘要： 随着自动驾驶技术的发展，实时车辆检测在确保安全和可靠性方面至关重要。为此，本文设计了一种基于YOLOv10的轻量化检测模型——YOLOv10-LITE。所提模型通过引入4个结构改进模块，在保持检测精度的同时，可以有效降低模型复杂度和推理延迟，适用于资源受限环境下的实时检测任务。具体而言，动态上采样(Dysample)模块用于在降低计算开销的同时提升特征图分辨率；快速多尺度网络(FastMSNet)模块可以增强多尺度特征提取能力，提高对不同尺寸目标的检测效果；空间金字塔池化-局部选择性大核注意力(SPPF＿LSKA)模块通过结合局部特征选择与全局上下文建模，可以实现长程依赖的有效捕获；自适细粒度通道注意力(AGFCA attention)模块通过通道与空间注意力的协同作用，提升关键特征信息的感知能力。在KITTI数据集上的实验结果表明，YOLOv10-LITE的平均精度均值(mAP)达到了77.1%，相较于基线YOLOv10提升了2.4%；同时，参数量减少了17%，推理速度提高了8%。以上结果验证了所提模型在计算受限且需满足实时性的自动驾驶场景中的实用性。

关键词： 目标检测   木蜂孔洞   YOLOv5   木结构建筑   建筑保护   CT扫描   坐标注意力机制   解耦头部  

摘要： 针对建筑构件截面孔洞类别与形态识别问题，文中提出了一种改进YOLOv5(You Only Look Once version 5)的多样态木蜂孔洞检测算法。在模型主干网络中集成坐标注意力机制来增强特征提取能力，并结合加权双向特征金字塔网络(Bi-directional Feature Pyramid Network， BiFPN)优化多尺度特征整合。检测头部采用解耦结构，将分类和回归任务分离，并引入损失函数EIoU(Efficient Intersection over Union)提升目标定位精度和模型收敛效率。实验结果表明，改进YOLOv5模型在木蜂孔洞检测任务中的平均精度均值(mean Average Precision， mAP)为99.46%。在提升检测精度的同时保持了模型的轻量化，实现了对木蜂孔洞的高精度和高效率检测，对木建筑损伤等级的评定和修复具有重要价值。

关键词： 堤坝渗漏   红外热成像   深度学习   目标检测   YOLOv5优化模型  

摘要： 【目的】依托无人机、红外热成像等技术,快速、准确地发现堤坝渗漏并进行定位,可大幅地提高堤坝巡检效率。开展基于YOLOv5s优化模型的堤坝渗漏目标检测研究，以确保及时、准确地发现堤坝汛期渗漏隐患，从而保障防洪安全。【方法】通过对20余座有渗漏现象的水库大坝采集图像,自制529张堤坝渗漏影像数据集为模型提供训练样本,提出基于YOLOv5s优化模型的堤坝渗漏红外图像目标检测网络,在网络中引入CBAM注意力机制模块提高网络模型的准确度,从通道和空间提取特征信息,引入Ghost模块对网络模型进行轻量化处理,应用自制数据集进行对比试验。【结果】提出的优化模型目标检测Precision达到89.8%,相较于YOLOv5s提高了3.1%。【结论】优化后模型可用于堤坝工程渗漏检测技术，具有重要的工程实际意义。

关键词： 目标检测   异常行为   YOLOv11   特征提取   上下文信息  

摘要： 针对电梯内乘客发生异常行为可能给乘客带来安全隐患的问题，提出一种改进YOLOv11的异常行为目标检测模型YOLO＿LP。首先，在骨干网络中引入全新的特征提取组件CSP-PTM，其拥有强大的局部和全局特征提取能力，能够有效提高模型的检测精度；其次，引入上下文信息融合模块改进特征金字塔网络，此方法基于权重化思想对特征信息进行重组，有效提升了特征图的判别能力；再次，利用损失函数WIoU解决目标类别和大小不平衡的问题，进一步提升模型的精度和收敛速度；最后，采用全新设计的LDH检测头替换原有检测头使网络模型实现轻量化。实验结果表明，在检测电梯内乘客的异常行为时，改进的模型精度达到了90.4%，高于原始模型3.5个百分点。此外，相比于YOLOv11n模型，在mAP@0.5和mAP@0.5:0.95指标上分别提高了2.9%和2.1%，参数量和计算量分别降低了10%和17%。可见YOLO＿LP模型的综合性能更优，满足在电梯轿厢内进行乘客异常行为检测的精度和速度要求。

关键词： 目标检测   飞行安全   通用航空   蒙皮损伤   YOLOv11n  

摘要： 针对通航飞机蒙皮表面损伤检测智能化水平不足的问题，提出了一种基于改进YOLOv11n的通航飞机蒙皮表面损伤检测算法。首先，替换Adown下采样机制构建多尺度特征融合架构，通过跨层级特征交互与轻量化核设计实现冗余信息动态压缩，降低算法参数量与计算复杂度；其次，设计DySample动态上采样策略，通过可变卷积核形变感知与多任务梯度协同优化，提升模型在不同场景下的泛化能力；再者，引入FASSHead特征聚合检测头，通过渐进式语义融合与边缘感知约束，提升算法对复杂损伤区域的识别能力；最后，增加P2小目标检测层，在浅层网络嵌入高分辨率检测分支，提升对小目标及细节损伤的捕捉能力。最终，通过自主构建的通航蒙皮表面损伤数据集对改进算法效果进行验证。结果表明：改进算法精确率达到87.4%，召回率达到80.4%，mAP值达到86.6%。相较于基准模型YOLOv11n分别提升了2.0%、9.4%、6.7%，显著提升了蒙皮表面损伤的检测性能，为通航飞机智能化检测维修体系奠定理论基础。

关键词： 输电线路   绝缘子   YOLOv7   深度学习   目标检测   缺陷检测   RepVGG   损失函数  

摘要： 绝缘子作为电力系统中的关键设备，其缺陷检测对保障电力系统的安全运行具有重要作用。现有检测方法依赖传统图像处理技术和深度学习模型，但在检测精度、速度和鲁棒性方面存在不足。为了解决上述问题，文中提出了一种基于改进YOLOv7(You Only Look Once version 7)的绝缘子缺陷检测方法。将RepVGG(Re-parameterization Visual Geometry Group)引入YOLOv7的主干网络来增强特征提取能力，并采用DIoU(Distance Intersection over Union)损失函数优化边界框回归精度。在公开绝缘子缺陷检测数据集进行的实验结果表明，改进YOLOv7模型的召回率、mAP@0.5(mean Average Precision)和mAP@0.5:0.95分别提高了5.8、0.9和3.4百分点，验证了所提方法的有效性和优越性，其为电力系统的安全运行提供了可靠的技术支持。