关键词： 水上目标识别   ECA注意力机制   GSConv卷积   动态检测头   损失函数  

摘要： 【目的】水面目标检测广泛应用于海洋监控、海上搜救和军事防御等领域，但复杂背景、噪声干扰及目标特征微小模糊等问题会影响检测的精度和效率，从而容易导致漏检和误检的发生。【方法】为解决这些问题，本研究提出了基于YOLOv7-tiny的改进算法EGDW-YOLO，主要优化包括：在骨干上引入ECA注意力机制提高特征识别效率，减少误检漏检；其次，在Neck部分，通过GSConv模块构建ELAN-GS结构，在降低计算量的同时提升性能；采用集尺度、空间与任务感知于一体的DyHead 作为模型检测头，增强特征表达与检测精度；最后，引入WIoUv3损失函数优化边界框预测，提升模型在复杂遮挡环境中的检测性能。【结果】实验表明：与原始YOLOv7-tiny相比，EGDW-YOLO的mAP@0.5和mAP@0.5:0.95分别提高了2.2%和3.1%，同时参数量和计算量分别减少了7.7%和6.1%。【结论】该模型在水面目标检测任务中具有高准确性，且计算负担较低，适用于移动式水面清洁机器人和小型船舶自动导航等场景。

关键词： 隧道工程   点云分割   计算机视觉   变形   激光扫描   衬砌管片  

摘要： 盾构隧道是公路基础设施的重要组成部分,其结构状态关系着区域交通和城市功能的正常运行。三维激光扫描能够快速和准确地采集海量的结构表面三维空间数据,但沉重的点云处理负担阻碍了其大规模推广应用。为提升盾构隧道变形感知的智能化水平,本文以先进的RandLA-Net网络架构作为基础,提出了一种基于三维计算机视觉的盾构隧道点云端到端分割方法。结合盾构隧道点云特性,本文对标签编码方式进行改进,并设计了相应的损失函数,以提升深度学习模型训练的效果。基于所提出的盾构隧道点云分割方法,本文提出了自动化逐管片变形提取算法,以实现精细化的结构变形状态全面感知。通过现场采集和人工标注的443环点云对所提出的方法进行数据试验,以验证研究分割效果和影响因素。结果表明,基于RandLA-Net的深度学习模型能够有效对盾构隧道点云进行管片分割。所提出的改进标签编码能够提升所训练深度学习模型的分割效果,在管片边缘的分割准确性显著提高。所提出变形提取算法方法实现了精细和准确的管片级别变形感知,能够提供管片转动、管片挠曲、接缝错台等丰富的工程信息。本文为盾构隧道施工动态管理、竣工数字存档、运营精细管理提供了技术手段,有助于提升公路基础设施的数字化和智能化水平。

关键词： 同轴热电偶   机器视觉   边缘检测   图像处理   结构外径  

摘要： 同轴热电偶是超高速飞行器地面风洞测热试验的核心传感器之一，传感器自身的同轴装配质效及其与飞行器模型适配质量决定了气动热测量可靠性，因此，传感器结构外径的高精度测量至关重要。提出了一种基于机器视觉技术的传感器结构外径高精度测量方法，通过相机及双远光镜头获取图像，并基于双边滤波、二值化处理、亚像素边缘检测定位及边缘直线拟合计算外径尺寸。传感器样品外径尺寸的测量实验证明了该方法简单高效且平均绝对误差低至0.6μm，测量精度满足工程应用需求。

关键词： 海杂波   目标检测   伽马分布   恒虚警   最大似然  

摘要： 非相干检测器具有结构简单、计算复杂度低的优点，可满足雷达对海面中大型目标的实时检测需求。但实际探测环境中不可避免存在少量强回波野点，严重影响检测性能。为此，本文提出一种基于截断最大似然的恒虚警(Trimmed-Maximum-likelihood Constant False Alarm Rate， TML-CFAR)检测器，匹配于伽马分布海杂波的形状参数，并具有抗异常样本特性。首先，通过截断因子对参考单元数据进行选取，去除回波最弱和最强的异常样本，从而获得与待检测单元具有独立同分布的纯杂波。其次，在最大似然估计纯杂波功率的基础上，给出TML-CFAR检测器的检测统计量，推广到多脉冲伽马分布。然后，证明TML-CFAR检测器对于杂波尺度参数的恒虚警特性。同时，提出一种双分位点估计器，实现形状参数的稳健估计。最后，通过仿真数据和实测数据验证TML-CFAR检测器在不同杂波环境下的稳健性能，特别是在异常杂波下具有最佳性能。

关键词： 多军事目标跟踪   无人机视角   自适应卡尔曼滤波   目标检测  

摘要： 针对当前多目标跟踪算法在军事无人机视角的战场感知中存在轨迹中断和ID跳转问题，提出一种基于无人机视角的地面多军事目标跟踪算法VA-ByteTrack。首先，将EfficientFormerV2网络作为检测器YOLOX的主干网络，并在输出端添加卷积块注意力模块（Convolutional Bock Attention Module, CBAM），以提高检测器对小尺寸目标的特征提取能力，解决了小目标特征模糊导致的轨迹中断问题。其次，引入运动匹配代价交并比（Intersection Over, Union, IOU）和检测置信度S，构建了基于sigmoid函数的自适应卡尔曼滤波，以平衡高分检测框和低分检测框的不同协方差需求，解决了目标密集且相互遮挡所导致的频繁ID跳转问题。实验结果表明，相比SORT、 DeepSORT、 ByteTrack等主流算法，所提算法跟踪准确度分别提升1.7、 1.4和1.0百分点，跟踪精度分别提升0.7、 0.5和1.9百分点，轨迹中断问题分别降低49.4%、 7.7%和7.2%, ID跳转问题分别降低46.3%、 15.9%和12.1%，满足战场动态感知的实际需求。

关键词： 少样本目标检测   Faster R-CNN   梯度解耦   约束微调  

摘要： 针对数据稀缺条件下模型检测效率低下与灾难性遗忘问题，提出了一种结合解耦与广义微调的少样本目标检测模型。该模型基于传统的Faster R-CNN框架，通过引入多级解耦的梯度解耦层，有效拓展了Faster R-CNN，解决了区域提议网络（Region Proposal Network，RPN）和R-CNN的矛盾；同时，将查询-键-值注意力机制和自注意力机制有效结合，减少了背景噪声的干扰，使得模型能够同时关注局部特征和图像的全局上下文信息；最后，提出了一种基于约束的广义微调方法来减轻灾难性遗忘，基于约束的微调方法通过采用一种连续学习的平均梯度情景记忆方法（Average Gradient Episodic Memory，A-GEM），对梯度搜索策略施加了更多的约束，优化了梯度更新规则，从而更好地实现了基类和新类之间的知识交换。实验结果表明，相比于对比方法，所提出的方法在VOC数据集Novel Set1中，五个目标检测任务的平均nAP50提升了7.56%。

关键词： 跨模态   RGB   红外   注意力机制   相关对齐   互信息筛选  

摘要： 随着传感器技术的快速发展和实际任务要求不断提高，仅靠单源目标检测存在越来越多的挑战，为解决这一问题，本文提出了一种基于RGB-红外校准互补的跨模态目标检测算法。首先模型通过融合通道注意力机制捕捉模态特征的重点特征，利用自注意查询Q、键K和值V特征的相似度关系，进行互相关对齐，确定模态特征的最佳对齐位置来实现精确校准。同时，为避免掺杂RGB 和红外之间的冗余信息导致性能变差，利用互信息衡量两个模态流相互的依赖性，映射对齐后的两模态特征到低维空间，将去冗余转化为边缘概率分布问题。通过推导信息熵、交叉熵和相对熵的关系，量化两模态特征之间的差异性和互补性，筛选出互补信息对两模态流进行补充。在VT821、VT1000和VT5000 数据集上进行实验分析:最优的MAE 达到了3.2、F-m 达到了85.0%、S-m 达到了91.2%、E-m达到了92.3%。本文所提出的方法有效弥补了单一模态场景下目标检测的弊端，提升了目标检测的准确性和鲁棒性，尤其是在昏暗的复杂场景下。

关键词： YOLOv8   小目标检测   多尺度   无人机   Wise-IoU (WIoU)  

摘要： 针对当前无人机视角下小目标检测存在准确率低问题，提出一种基于信道先验多尺度跨轴注意YOLO(CPMS-YOLO)的无人机视角下多尺度小目标检测算法。首先，该算法在骨干网络中融入能在复杂背景下更好地提取和强化有用特征的多尺度注意力模块CPMS(Channel-Prior-Multi-Scale Cross-Axis Attention)，模块使算法能够更容易的学习到感兴趣区域的位置细节并提高对不同尺度小目标在复杂背景下的特征提取能力。其次，对骨干网络和特征融合网络进行重构，增加一个具有丰富小目标语义信息的特征层，并通过多尺度MultiSEAM(Multi-scale Separated and Enhancement Attention Module)融合模块，将上下文特征信息进行互补，能更好地捕捉和识别小目标。再次，通过设计C2f-RFE(C2f-Receptive Field Enhancement)模块来改进颈部网络中深层的C2f(Faster Implementation of CSP Bottleneck with 2 convolutions)模块，以增加特征图的感受野，使其能更准确、更快速、多角度地定位目标特征，提升对小目标的检测能力。最后，引入损失函数WIoUv3(Wise-IoU v3)去动态优化小目标的损失权值，解决边界框回归任务中正负样本之间的差异问题，提高算法对小目标的检测性能。在公共VisDrone2019数据集上的实验结果表明：与基准算法YOLOv8s相比，本文算法的精确率(Precision)、召回率(Recall)、mAP50、mAP50-95分别提升了6.7、5.8、6.3、7.8个百分点。可见，基于信道先验多尺度跨轴注意YOLO的无人机视角下多尺度小目标检测算法能更精确地捕捉和识别小目标。

关键词： 图像处理   特征提取   多尺度特征   深层卷积   强化色彩  

摘要： 针对深海拍摄会导致水下图像色彩偏移、对比度过低和结构不清晰等问题，结合空间、通道和三维特征的角度提出一种多尺度并行增强型网络(MPENet)。MPENet是将图像信息并行传入多维特征提取网络和编码器中。在多维特征提取网络中引入多尺度特征精炼模块进一步处理提取到的特征信息，使网络更准确学习不同尺度的信息。然后在编码器中引入多维色彩增强模块，增强图像细节色彩。最后设计自适应增强网络对特征信息进一步处理并融合多级信息，再通过解码器得到最后图像。此外，在公开数据集上所提算法表现优异，峰值信噪比(PSNR)和结构相似性度(SSIM)最高分别达到24.8651和0.8954，相比HFM算法提升了1.5806和0.0398。水下色彩质量评价(UCIQE)和水下图像质量测量(UIQM)分别达到0.5931和3.1028，相比HFM算法提升了0.0384和0.1514。实验结果表明MPENet能有效提升水下视觉效果。

关键词： 电力设备   红外图像检测   YOLOv9算法   注意力机制   轻量化模型   损失函数  

摘要： 在电力巡检领域，电力设备红外图像检测的重要性不言而喻，其准确性直接关系到电力系统的稳定运行与安全性。针对当前复杂场景下红外图像目标检测存在的识别精度不足、分类混淆以及漏检误检等问题，本文提出了一种基于Y OLOv9的改进检测方法。该方法首先通过引入空间到深度卷积层（SPD-Conv），实现了模型主干网络的轻量化设计，有效提升了计算效率与实时性。随后，结合卷积块注意力模块（CBAM），进一步优化了模型对关键特征的提取能力，增强了检测的准确性。此外，本文还采用Focal-IoU作为损失函数，强化了模型的判别能力，减少了定位误差。实验结果表明，在南方电网电力设备红外数据集上，本文提出的算法取得了显著的成效，m AP值达到了94.4%，同时推理速度也达到了59.5FPS，充分展示了该方法在检测精度与计算效率方面的双重优势。与现有方法相比，本文模型在各类电力设备上的检测能力均有所提升，具有较高的实用价值，为电力巡检领域提供了一种更为可靠、高效的解决方案。