关键词： 外力破坏   SBA   RSCD   安全区域   MPDIoU  

摘要： 输电线路作为电能传输的关键载体，因其具有点多、面广、线长以及暴露于野外等特点，往往面临较高的安全风险，事故频发。针对这一问题，本文提出了一种基于目标检测与边缘分割的输电走廊隐患检测方法。首先，在YOLOv8中引入了小目标检测层和SBA模块，通过选择性聚合边界与语义信息、自适应注意力机制以及双向特征融合，显著优化了多尺度特征表达和目标定位，特别是在小目标检测方面表现突出。采用重参数轻量头和可重参数化卷积，在大幅减少参数数量的同时，提升了参数利用率，有效弥补了轻量化可能带来的精度损失，为资源受限设备提供了无损优化方案。并利用MDPIoU对CIoU进行了优化。其次，利用分割网络进行电力线边缘提取，并结合杆塔的空间信息，进一步提升了走廊区域划分的准确性。最后，制定了预警方法，对安全区域进行了危险等级划分，有效评估隐患的破坏性。实验结果表明，本文提出的检测模型在mAP50上达到72.1%，相比基线模型提升了3.2%，且优于其他检测方法，本文所采用的利用分割提取电力线边缘的方法能更好地区分前景和背景，本文所提出的预警方法可以有效评估隐患对电力线的威胁程度。

关键词： 目标跟踪   可见光与红外   注意力机制   模板在线更新   卷积掩码自编码器  

摘要： 针对当前可见光-红外目标跟踪算法对红外可见光双模态特征交互与目标动态变化建模不足的问题，结合卷积掩码自编码器模型，提出一种基于注意力与模板在线更新的可见光-红外双模态目标跟踪网络。以卷积掩码自编码器模型为骨干网络，通过采用双嵌入层配合共享权重的骨干网络结构提取可见光与红外特征，深入挖掘可见光与红外数据间的内在联系。通过强化模板与搜索图像的关联性，引入通道空间自注意力机制以增强模板和搜索图像间的交互，来提取模态间可区分的异质互补特征。提出模版在线更新模块，通过在线更新模板与设计模板分数头，利用置信度评分机制融合初始模板的稳定性与在线模板的适应性，解决目标随时间变化导致的模型漂移问题。实验结果表明，所提方法在公开数据集GTOT和RGBT234上的精确率和成功率分别达到93.3%/75.6%和87.2%/63.8%，可在目标不断变化情况下实现精确跟踪。可视化分析表明，所提算法在双模态热力图上可自适应互补，单一模态失效时仍能精准定位目标。

关键词： 图像处理   绝缘子3维重建   点云配准   姿态提取   模型组合优化   数字孪生  

摘要： 为了解决由于绝缘子点云结构稀疏、类型和挂点难于识别，导致建模困难的问题，实现绝缘子的高精度重建与挂接，采用了一种整合分类、配准以及挂点优化的绝缘子3维重建方法。利用绝缘子组的空间可分性和类型间姿态差异性，采用聚类和拟合方法实现对输电杆塔中多类型绝缘子分类，解决了现有方法只能区分单一类型的问题；针对稀疏和含有噪声的绝缘子点云配准和重建困难的问题，提出了一种从粗到精的针对低质量绝缘子点云配准和优化的重建方法；采用寻找最近邻挂点的方法，解决绝缘子与杆塔挂接不准确的问题；并对不同类型的绝缘子点云进行了实验。结果表明，绝缘子的重建精度可达到0.3000 m以内，能准确还原实际的形状和空间姿态。该研究为绝缘子重建的工程化应用提供了参考。

关键词： 小目标检测   轻量化   交通车辆   目标跟踪   无人机视角  

摘要： 在智能交通系统中，无人机视角的车辆检测因其灵活性和高效性，受到越来越多的关注。无人机的车辆检测面临目标尺寸小、尺度变化大、复杂背景干扰、计算资源有限等问题，如何在有限的计算资源下提升检测精度是一个重要的挑战。针对以上问题，本文提出了一种精度更高且轻量的车辆检测模型YOLO-SWR。首先，该模型在保持三尺度检测的前提下增加了针对小目标的检测层，充分提取小目标的位置信息和细节特征，同时采用共享轻量检测头，减少网络参数量和计算量；其次，在骨干和颈部网络中使用小波变换替代传统卷积，利用低频和高频分量提取多尺度特征；另外，在C3k2模块中集成RDS模块，加强从网络高层的可扩展感受野中提取特征，并通过残差结构和深度可分离卷积融合浅层特征和深层特征，同时缓解梯度消失问题；最后，采用Soft-NMS 策略优化目标框筛选过程，提升细节特征的处理精度。实验结果表明，基于筛选后的VisDrone2019数据集，本文提出的模型YOLO-SWR比基础模型YOLOv11n，在mAP方面提升了9.6%，同时参数量减少了56%。因此，本文提出的模型YOLO-SWR在精度与轻量化方面均具有显著优势。

关键词： 毫米波雷达   目标跟踪   无迹卡尔曼滤波   栅格占据   序贯滤波  

摘要： 基于车载毫米波雷达的目标跟踪不可避免的会关联周围环境杂点，导致目标跟踪精度稳定性下降。针对以上问题，提出一种基于栅格占据的无迹卡尔曼滤波（UKF）目标跟踪算法。首先，由于毫米波雷达能够直接对目标速度测量，可采用栅格占据方法精细的描述环境空间栅格的占据和动静状态。进而，利用栅格的占据信息对目标关联点迹做加权处理，降低可能源自周围环境的杂点关联权重，然后将点迹量测信息及其权重序贯输入到无迹卡尔曼滤波器，迭代更新目标状态。仿真实验和真实数据测试表明，所提出算法能够有效减少环境杂点对目标跟踪的影响，有效提高目标跟踪的精度和稳定性。

关键词： 目标检测   边缘分割   卸粮口   位姿   外接球  

摘要： [目的]目前粮食收获机田间作业时存在卸粮口位姿检测精度低的问题，导致收获机与无人运粮车“机—车”协同卸运作业效率低下。[方法]为此本研究提出一种基于YOLOv10s和外接球法的粮食收获机卸粮口位姿检测方法，使用了YOLOv10s目标检测技术、Canny边缘分割和外接球法，实现对粮食收获机卸粮口的质心定位和开口姿态精准检测。同目标检测直接定位算法和平均质心法开展检测性能对比分析，并研究其在不同光照环境下适应性。[结果]结果表明：本研究算法在3 000 Lux以上环境下和100～300 Lux环境下5 m内定位误差分别小于1.20%和0.99%，开口姿态角度误差分别小于8.8°和7.3°。相较目标检测直接定位算法和质心定位法，3 000 Lux环境质心定位检测精度分别提高11.20%和3.51%，100～300 Lux环境质心定位检测精度分别提高10.92%和4.06%。定位精度显著提升，并实现较低的开口方向检测误差。[结论]本研究提出的粮食收获机卸粮口位姿检测技术，能精准检测粮食收获机卸粮口的位姿信息，可为精准判断卸粮口出粮落点，以及后续根据运粮车仓内粮食分布进行路径优化提供基础数据研究。

关键词： 图像处理   八角茴香   硫磺熏蒸   莽草   野八角   识别  

摘要： 八角茴香品质鉴定传统方法主观性强、步骤繁琐。为实现八角茴香、硫磺熏蒸八角茴香、八角茴香常见伪品的准确快速识别，研究了一种基于图像特征分析和模式识别的八角茴香品质鉴定方法。采集八角茴香、硫磺熏蒸八角茴香、莽草、野八角RGB图像，对图像进行中值滤波、图像二值化、形态学开运算与闭运算、图像分割等预处理后，提取其形态、颜色、纹理共三大类58个特征参数。分别采用逐步判别分析和主成分分析对特征参数进行筛选和降维，建立线性参数分类器和反向传播（back propagation，BP）神经网络模型实现八角茴香及其伪品识别以及硫磺熏蒸八角茴香鉴别。结果表明，逐步判别分析-线性参数分类器对八角茴香、硫磺熏蒸八角茴香、莽草、野八角的判别正确率为87.50%～100%，平均识别率为96.75%；主成分分析-BP神经网络模型对4种籽粒的判别正确率为85.00%～100%，平均识别率为91.88%。研究结果证明图像处理与分析可有效对八角茴香及其伪品进行检测识别，并可对硫磺熏蒸八角茴香做出有效判定。

关键词： 深度学习   森林火灾   目标检测   三维卷积神经网络   Vision Transformer  

摘要： 【目的】为解决当前森林火灾图像识别算法中存在的效率低、数据的时间信息利用不足问题，构建可识别视频数据中森林火灾的算法模型以提升林火视频识别效率与准确率。【方法】提出了一种基于三维卷积神经网络（3D CNN）结合Vision Transformer的林火烟雾视频识别算法，用于识别森林火灾视频数据中的火焰与烟雾。通过三维卷积提取视频数据中的时间与空间特征图，构建向量序列，利用Vision Transformer中的编码器模块关联局部与全局信息，最终在MLP Head层获得目标识别结果。为验证C3D-ViT模型的性能，进行了消融实验，将其与其他经典模型进行对比。【结果】C3D-ViT的准确率（96.1%）在识别森林火灾数据上的表现优于经典深度学习模型ResNet50（89.07%）、LSTM（93.26%）和YOLOv5（91.46%），且相较于原始3D CNN和Vision Transformer的准确率（93.91%、90.43%）有所提升。改进后的C3D-ViT模型在识别效果方面表现更佳，在存在遮挡、较远距离和烟雾稀薄等不利条件下，具有较高的识别准确率与稳定性，平均识别置信度可达86%。【结论】在实际的森林火灾防控中，改进后的C3D-ViT模型能有效提升火灾预警工作的监控识别精度。

关键词： 水下目标检测   语义-位置路径聚合网络   边缘特征多尺度注入   RT-DETR   全局-局部特征增强  

摘要： 针对水下图像质量差、目标多尺度和严重遮挡导致的漏检和误检等问题，提出一种结合目标信息增强与语义-位置路径聚合的水下目标检测模型。该模型以RT-DETR框架为基础，提出了边缘特征多尺度注入模块（Multi-Scale Injection for Edge Features Module，MSI-Edge），将边缘信息注入深层网络中，强化了模型对小目标的感知能力；同时，提出了全局-局部特征增强模块（Global-Local Feature Enhancement Module，GLF-Enhance）来替代编码器中的传统多头自注意力机制，增强对目标全局和局部信息的学习能力，并加速模型推理；进而，设计了一种新的结合语义-位置路径聚合网络（Semantic-Location Path Aggregation Network，SL-PAN），利用高层特征作为权重来指导低层特征中的语义信息学习，再使用低层特征作为权重来指导高层特征中的位置信息学习，从而有效缓解多尺度特征融合过程中信息传递退化的问题。在公开水下数据集上进行实验验证，相较基准模型RT-DETR（ResNet50主干网络），在URPC数据集上AP、AP50、AP75指标分别提升了约3.2%、3.0%和2.7%；在DUO数据集上分别提升了2.9%、2.7%、3.0%，同时有效降低了误检和漏检率。消融实验验证了各模块的有效性。整体性能与主流目标检测器及最新水下目标检测器相比，达到了较好水平。

关键词： YOLOv8n   目标检测   特征融合   多尺度卷积   焦点调制器   鲁棒特征降采样   YOLOv8n   Object Detection   Feature Fusion   MSC   Focal Modulation   RFD  

摘要： 针对目前钢材表面缺陷检测方法中存在的算法复杂度高、模型计算量大等问题，本文选择YOLOv8n为基准模型，提出了一种基于YOLOv8n改进的跨尺度特征融合的轻量化的钢材表面缺陷检测方法，并命名为YOLOv8n-FMR。首先，新模型利用多尺度卷积模型MSC (Multi-Scale Conv)对模型进行改进，有效减少因堆叠不同尺寸的特征提取层而产生的精度损失问题；其次，为了降低融合MSC模块所带来的召回率和准确率减少的影响，引入了Focal Modulation焦点调制模块对Neck网络中的SPPF模块进行改进。最后，为了提高模型整体的检测性能，引入了应用于遥感领域的RFD模块，有效增加了模型对小物体的识别能力。实验结果表明，改进后的YOLOv8n-FMR模型在NEU-DET数据集上的mAP达到了72.8%，比原模型提高了2.7%，并且模型的参数量也比原模型下降了0.1 M。改进后的模型计算量仅为9.5 GFLOPs，提出的模型不仅实现了轻量化的设计，而且提升了检测效果。