关键词： 智能合约   深度学习   图像处理   整数溢出   交易延迟  

摘要： 针对智能合约漏洞问题导致的安全事件频发,现有智能合约漏洞检测工具在语言种类上的不择，特别是缺乏对C/C++智能合约源码级别的漏洞检测问题，提出了使用基于深度学习方法来对C/C++智能合约进行漏洞检测，并设计了一种基于深度学习的函数体切片级C/C++智能合约漏洞检测工具。首先，该工具从源码的角度入手，引入了深度学习在图像处理领域中的目标区域概念，并将其应用于智能合约漏洞检测。其次，该工具的实现主要分为四个步骤：第一步，漏洞函数体切片提取，旨在从源码中提取完整的函数体信息；第二步，漏洞切片标记，即对提取到的函数体切片进行标注；再次，编码漏洞切片为向量，将函数体切片转化为深度学习所需的输入格式；继而，进行向量标记并训练，完成模型的训练过程。最后，通过分析C/C++智能合约产生漏洞的原因，定义了五种漏洞类型：整数溢出、权限控制、代币转移、内存管理和交易延迟，并专门构建了一个包含5024个C/C++智能合约源码的数据集，解决了C/C++智能合约源码缺乏开源数据集和统一漏洞类型定义的问题。该工具通过使用深度学习技术对C/C++智能合约源码进行漏洞检测，能够减少对专家的依赖。进一步分析发现，该工具相较于同种类型的检测工具，拥有更高的漏洞检测精度和范围，并且由于使用深度学习，通过不断的学习训练，该工具能够不断的提升检测范围和精确度。实验结果表明，该工具与同样使用深度学习技术的GNNSCVulDetector工具对比，在检测范围上，该工具能够检测到五种类型漏洞，而GNNSCVulDetector只能够检测到一种；在精确度上，该工具比GNNSCVulDetector高了14个百分点。

关键词： 海面船舶   小目标检测   正交子空间投影   广义似然比校验  

摘要： 为提高船舶图像中亚像素级船舶小目标的检测准确率，通过广义似然比校验改进正交子空间投影算法，提出基于改进正交子空间投影算法的海面船舶小目标检测新方法。首先，建立船舶图像和背景图像的信号模型；然后，通过广义似然比校验设计正交子空间投影的统计校验；最后，对非线性的正交子空间投影统计校验表达式进行简化近似和输出对海面船舶小目标的检测概率、误报概率。通过与正交子空间投影检测方法对实验图像数据集中小目标的检测效果对比、与基于数据球化和低秩稀疏矩阵分解的改进正交子空间投影算法对实际船舶图像中船舶的检测效果对比，验证了所提出检测方法的有效性。对模拟图像数据集和船舶真实图像中船舶小目标的检测的实验结果表明，该检测方法能够在背景杂波较重的情况下准确检测出船舶图像中亚像素级船舶，检测效果明显优于改进前的正交子空间投影算法以及基于数据球化和低秩稀疏矩阵分解的改进正交子空间投影算法。

关键词： 快速建模   计算机视觉   特征提取   边缘识别   齿轮结构  

摘要： 针对渐开线齿轮建模难度大，时间成本高等问题，研究实用性好、准确率高、建模速度快的算法，具有重要的工程应用意义。本文基于计算机视觉中的图像增强和边缘识别技术，提出标准直齿圆柱齿轮的轮廓特征提取方法和建模流程，仅需提供清晰的齿轮图片，即可实现复杂齿轮结构的快速建模。基于Abaqus软件提供的Python二次开发接口，对基于计算机视觉技术建立的齿轮模型与传统CAD软件建立的相同齿轮模型进行相同工况、相同网格尺寸的有限元分析，结果表明：基于计算机视觉技术的齿轮结构建模时间为10.25s，其中，调用摄像头获取画面、获取轮廓特征和建立模型的用时分别为5.084s、0.028s和5.138s。效率比传统CAD软件提高几十倍；与传统建模软件建立的几何模型相比，此方法建立齿轮几何模型的内孔直径、齿根圆直径、齿顶圆直径等关键特征的误差均小于3%；有限元分析结果绝对误差小于12%。基于计算机视觉的复杂结构建模技术，具有速度快、效率高、准确度高、人力成本低等优点，研究成果可推广应用于其他复杂结构的快速设计及建模，具有较好的应用前景。

关键词： YOLOv8   目标检测   空间注意力   自适应特征融合   复杂场景   应用规范  

摘要： 目标检测是计算机视觉领域的关键技术之一，旨在从图像或视频中定位目标位置并识别所属的类别，广泛地应用在智能交通、安防监控、工业检测等领域。YOLOv8目标检测方法在检测精度和实时性方面取得了优异的结果，但是在复杂背景干扰、小目标检测、遮挡等方面存在严峻挑战，容易出现误检或漏检的情况。为了提高目标检测的精度，本文提出了一种基于YOLOv8增强的目标检测算法，并探讨了相应的应用规范。在技术层面，首先，在主干网络中引入了空间注意力机制增强了对关键目标的特征提取能力，并设计了自适应特征融合模块，提高了对多尺度特征图的整合能力。其次，采用了数据增强技术和迁移学习策略，有效的应对数据集中样本不平衡和目标数量限制的问题。然后，通过边框回归损失和分类损失的动态权重调整机制，进一步提高了模型的预测精度。最后，通过COCO、PASCAL VOC、Cityscapes、KITTI、VisDrone五个数据集的大量实验证明，本文提出的方法在检测精度和运行速度方面比其他最新方法更加准确高效。特别是对于复杂场景、小目标检测和遮挡的情况，显著提升了模型的鲁棒性和准确性。在应用规范层面，为应对大规模目标检测算法应用产生的个人图像隐私数据安全的风险，在法律、伦理、技术等方面提出完善的应用规范，推动技术进步紧密贴合社会发展需求。

关键词： 机器视觉   采样钢瓶   图像处理   视觉定位  

摘要： 为了解决传统化学分析中，操作的重复性高、有毒易挥发的液体泄露所带来的安全隐患等问题，搭建了一套基于机器视觉的采样钢瓶定位与抓取系统，该系统能够对采样钢瓶进行精确定位与抓取。针对拍摄圆柱状采样钢瓶时因反光造成的图片局部高亮现象，提出了一种采样钢瓶识别与定位方法，该方法通过图像灰度变换与孔洞填充相结合，获取到采样钢瓶中心连通区域，对该连通区域进行计算得到采样钢瓶的位姿。经实验测试该方法具有较高的准确性。

关键词： 深度学习   自动化码头   目标检测   无人机  

摘要： 本文设计了一种基于无人机巡查的自动化集装箱码头监控与预警系统，该系统是基于树莓派平台进行开发的，运用了计算机视觉的目标检测知识，实现了码头多目标检测、集装箱箱体残损识别及集装箱堆码违规区域识别等功能；在无人机结构设计方面，完成了对重要零件的应力校核；重点构建了视觉感知系统并融合了图像处理算法，采用Python语言开发了多目标检测及集装箱破损识别模块，配套的图形用户界面(GUI)可直观展示感知结果。该系统解决了在目前自动化码头监控中所存在的不足，为集装箱码头的智慧化建设提供了新的方向。

关键词： 目标跟踪   网络加速   深度可分离卷积   网络剪枝   知识蒸馏  

摘要： 近年来，基于深度学习的目标跟踪算法在精准度和鲁棒性方面已经超越了传统方法，但其实际应用却因参数规模和高昂的计算成本而面临挑战。本文选取SiamFC深度跟踪网络作为研究案例，通过引入轻量级的深度可分离卷积技术来取代传统的卷积层，并融合网络剪枝与知识蒸馏的方法，进一步精简和优化网络架构。在剪枝过程中，为了避免网络跟踪精度降低，运用知识蒸馏策略，借助一个预训练原始的高性能教师模型，将其在大量数据上积累的知识传授给待剪枝的学生模型。学生模型剪枝过程中在维持跟踪精度的基础上，可以进一步削减了所需的计算资源。VOT数据集上的实验结果表明，该方法在基本保持跟踪性能的同时，显著降低了目标跟踪模型的参数量和计算量。

关键词： 资源优化   现场可编程门阵列   轻量级网络   硬件设计  

摘要： 为了解决在现场可编程门阵列（field programmable gate array， FPGA）开发板上部署传统卷积神经网络（convolutional neural networks， CNN）时面临的资源限制问题，本文提出了一种轻量级卷积神经网络 ——IRPC-YOLO，以及一个经过优化的用于高效目标检测的硬件加速系统。核心贡献在于将部分卷积（partial convolution ，PConv）集成到逆残差网络中，设计出部分卷积逆残差（inverted residuals of partial convolution， IRPC）模块，该模块构成了所提出的轻量级网络的基础。这种设计在显著提升目标检测速度的同时，有效地保持了较高的检测精度。为了克服硬件实现方面的挑战，开发了一种专用的硬件架构，实施了算子融合量化，融入了优化的最大池化模块和乘法器复用模块，以减少硬件资源消耗并提高计算效率。所提出的设计在赛灵思ZYNQ 7000系列XC7Z020平台上进行了验证。实验结果表明，IRPC-YOLO 网络将内存访问量降低至55.19MB，实现了0.319G 次浮点运算，同时保持了具有竞争力的精度。在ZYNQ XC7Z020平台上，它的推理延迟为23.81ms，功耗仅为1.8W，使其成为资源受限、低功耗嵌入式应用的理想解决方案。

关键词： 目标检测   深度学习   无人机航拍   YOLOv11   特征融合  

摘要： 【目的】针对无人机视角下小目标检测任务中目标尺寸较小、特征模糊和遮挡等问题，提出了一种基于重校准与上下文引导的小目标检测算法（RCS-YOLO，Re-Calibration and Context-Guided Small Object Detection Algorithm）。【方法】首先，该算法设计重校准特征金字塔网络（Re-Calibration FPN），结合P2小目标检测层优化网络结构，提升特征信息传递和多尺度融合效果。其次，为解决目标多变性问题，引入上下文引导网络下采样模块（CGBD，Context Guided Block＿Down）增强目标信息的上下文感知能力，促进局部特征与全局上下文的融合。最后，引入大型可分离核注意力机制（LSKA， Large Separable Kernel Attention）与空间金字塔池化（SPPF， Spatial Pyramid Pooling-Fast）模块融合，构建SPPF＿LSKA模块，增强感受野，减少计算量，适用于实时检测任务。【结果】实验表明：与原始的YOLOv11n算法相比，改进算法在VisDrone2019数据集上的mAP50和mAP50-90分别提高7.3%和5.2%，验证了算法的有效性。【结论】 通过与其他主流目标检测算法的对比测试，改进的算法在VisDrone2019数据集中表现良好，性能优于当下主流算法，有效解决无人机视角下小目标检测漏检误检问题，具有一定的参考价值和应用价值。

关键词： 缺陷检测   注意力机制   特征提取   特征融合  

摘要： 带钢表面缺陷往往具有低对比度、类内差异大和类间相似性等特点，这给模型检测精度带来巨大挑战。为了解决这些问题，提出了一种基于三重注意力机制的显著性目标检测模型，以实现更精确的带钢表面缺陷检测。针对模型主干网提取的粗糙缺陷特征图，构建包含三个分支的特征细化模块，每个分支从不同角度关注带钢表面缺陷的通道和空间特征。同时，为了细化显著目标的边缘细节，构建了一种局部注意力特征过滤模块，并将其作为插件插入到特征细化模块中，提高模型在缺陷区域的敏感性。实验结果表明，与现有方法相比，本文提出的模型在显著性目标检测方面具有显著的优势，在平均绝对误差、加权F测度等评价指标方面均优于同类方法，验证了所提方法的有效性和鲁棒性。