关键词： 海杂波   慢小目标检测   变分模态分解   分数阶傅里叶变换   能量熵   奇异值分解  

摘要： 在海杂波背景下，慢速小目标的检测一直是雷达信号处理中的难点之一。这类目标的时频域特征往往与海杂波的特征高度重叠，使得传统的检测方法难以有效区分目标和杂波。为了应对这一挑战，本文提出了一种基于多种模态分解重构的办法，通过变分模态分解与分数阶傅立叶变换对海杂波背景下的目标信号进行分解，并用能量熵和奇异值分解方法重构目标信号。实测数据验证了该方法在海杂波抑制方面的显著效果，表明其可以显著提升雷达在复杂海况中的小目标检测性能，为海杂波环境下的目标检测提供了新思路和技术手段。

关键词： 粮仓管理   储粮害虫   检测技术   深度学习  

摘要： 高效准确地检测粮仓管理中的储粮害虫是计算机视觉与图像处理领域的重要研究方向之一。随着深度学习和图像处理技术的迅速发展，储粮害虫检测在粮食仓储领域获得了新的解决方案。本文综述了传统与基于深度学习的目标检测技术的研究进展及其在储粮害虫检测中的应用，涵盖数据采集与预处理、模型选择与训练及应用实例，展示了研究者们在提高害虫检测模型的准确率和鲁棒性（环境适应性）上取得的显著进展，以期为进一步提高储粮害虫检测技术的准确性，提升粮仓管理智能化水平，保障粮食安全提供参考。

关键词： 图像处理   指纹分类   双分支结构   注意力机制   特征融合  

摘要： 针对现有指纹分类算法中存在的低质量指纹难以识别、特征信息提取不充分以及提取过程中信息丢失的问题，提出一种基于双分支注意力机制的指纹纹型分类算法。算法通过提取方向场和进行Gabor滤波的双分支网络进行特征融合，充分利用指纹图像的纹线特征和全局特征；提出组合激活函数和综合注意力机制模块充分提取卷积分支上的空间特征和通道特征信息，减少提取过程中的信息丢失；设计分支特征融合模块对双分支输出的特征图进行加权，充分融合特征信息；最后引入改进的交叉熵损失缓解样本分布不平衡的问题。实验结果表明，所提算法在自建纹型数据集的四类指纹分类中取得了99.08%的准确率，在准确率、F1分数和AUC指标方面均优于其他网络模型，验证了本文算法在纹型分类任务上的有效性和优越性。

关键词： 井下轨道区域   目标检测   轻量化网络   注意力机制  

摘要： 煤矿井下的工作环境极为复杂，针对噪声、灰尘和阴暗区域导致目标漏检误检的问题，提出了一种基于轻量化网络融合的井下轨道异物检测方法。首先，对YOLOv7-Tiny网络框架进行针对性改进，引入FasterNet和GhostV2模块，在保持高性能水平的同时降低了模型复杂度。其次，结合ECA(Efficient Channel Attention)注意力机制设计了ELAN＿E模块，提高了模型对异物特征的敏感性。最后，采用Focal-EIoU损失函数优化坐标损失计算，进一步提升了检测准确性。实验结果表明，相较于YOLOv7-Tiny，提出方法在参数量和计算量方面分别减少了30.23%和15.15%。同时mAP(mean Average Precision)指标提升了1.2%，有效地提高了异物检测的精度和效率，为煤矿井下轨道区域入侵检测提供了有效改进方案。

关键词： 伪装目标检测   边缘检测   特征聚合   注意力机制  

摘要： 本文针对现有的伪装目标检测（Camouflage Object Detection，COD）网络模型不能充分利用各个层次之间的信息从而导致检测结果模糊的问题，提出了基于边缘与注意力的递进式网络（Progressive network based on edge and attention，EAPNet）。首先提出了边缘信息提取模块（Edge Information Extraction Module， EIEM），提取主干网络第一、三、五阶段的特征生成边缘特征图；然后提出了感受野与边缘特征聚合模块（Receptive Field and Edge Aggregation Module， RFEAM）聚合主干网络相邻阶段的感受野特征和边缘特征；最后利用所提出的注意力辅助融合模块（Attention-Assisted Fusion Module，AAFM）对相邻RFEAM的输出特征进行二次递进式融合。在三个COD数据集上的实验结果表明本文方法优于其他10个模型。

关键词： 桃子品质分级   目标检测   注意力机制   双向特征金字塔网络   损失函数  

摘要： 针对小型桃园中的桃子品质分级大多依赖人工，标准化程度低，水果品质分级相关算法检测复杂等问题，提出一种改进YOLOv8n的桃子品质分级检测模型（YOLOv8n-ABTW），主干网络（Backbone）嵌入坐标注意力机制（CA），精确捕捉目标位置变化和特征关联；颈部网络（Neck）融合简化的双向特征金字塔网络（SBiFPN）和上下文转换模块（COT），实现跨尺度特征连接，充分挖掘桃子图像中的纹理、缺陷和位置变化等静态和动态上下文信息；采用具有动态聚焦机制的Wise-IoU，减少低质量样本带来的惩罚。采集“冬雪蜜桃”和“玉妃”两个品种四个等级，共八个类别图像1226张，数据增强至3650张。在自制桃子品质分级数据集下的实验结果表明，该模型的mAP0.5比基准模型提高了2.1%，与其他模型相比mAP0.5也均有提升，为实现桃子品质分级检测提供了可行的技术方法。

关键词： 野生动物   目标检测   红外触发相机   运动检测   伪标签  

摘要： 红外触发相机是监测野生动物的常用方法，但存在数据量大、背景信息复杂等问题，导致监测数据标注和检测困难。针对以上问题提出一种基于伪标签和YOLOv4的野生动物检测方法。本方法首先基于运动检测的伪标签标定方法，通过背景差分法和形态学操作实现对视频数据集的自动快速标注，降低了监测环境中复杂背景的不利影响；然后通过跨阶段局部卷积块，减少YOLOv4中路径聚合网络所需的计算量；最后在密集卷积区域引入Swish激活函数，提高模型在深层区域的特征提取能力，以浙江仙霞岭自然保护区的6种野生动物监测视频作为数据集进行试验。结果表明：本方法在平均准确率和帧率指标上达到了86.41%和18.93帧/s，相比于YOLOv4、RFCN和YOLOv8x算法分别提高1.62、3.43、7.11个百分点，证明所提出算法可以有效克服现有方法标注和检测困难的问题，提升了野生动物监测数据检测准确率和帧率，有助于野生动物监测数据分析的自动化和智能化。

关键词： YOLOv8   智能结算   目标检测   目标识别   网络优化  

摘要： 【目的】为了解决传统自选餐厅价格结算任务人工成本高、工作量大和效率较低等问题，提出了一种基于改进的YOLOv8智能结算餐盘检测与识别方法YOLOv8n-Imp。【方法】首先在模型的特征提取环节引入注意力机制(ConvolutionalBlockAttentionModule， CBAM)，以实现对关键信息的关注和不必要信息的抑制，提升卷积神经网络的表示能力；其次，将原路径聚合网络(PathAggregationNetwork， PANet)替换为加权特征金字塔网络(BidirectionalFeaturePyramidNetwork，BiFPN)结构，以增强多尺度特征融合性能，提高整体运行效率；最后，将原边界框损失函数(CompleteIntersectionoverUnion，CIoU)替换为动态非单调聚焦机制(WeightedIntersectionoverUnion， WIoU)，优化权重结构，提升模型检测框定位精度和模型泛化能力。【结果】研究表明：在自建数据集上提出的YOLOv8n-Imp 模型的平均精度为 90.6%，召回率为88.6%，F1平均得分为89.4%，平均精度为89.1%。相比原YOLOv8n模型分别提高了2.2%、1.7%、1.9%和1.5%。【结论】YOLOv8n-ImP模型能同时对多种类别餐盘进行准确识别，在移动端进行轻量化部署，较快速准确地完成智能识别结算任务。

关键词： 碳纤维增强基复合材料   毛刺   形态学   钻削   图像处理  

摘要： 制孔加工是CFRP构件机加工处理的常用手段，加工孔的质量直接影响到构件连接强度、装配精度和内应力，对结构整体质量至关重要。但是，由于CFRP特有的不均匀性与各向异性，钻削加工过程中，纤维的断裂与材料的去除具有随机性和不稳定性，由此导致成孔周围普遍存在毛刺缺陷，进而影响加工质量。因此，对CFRP成孔毛刺的识别、评价与控制意义重大。本研究提出了基于极坐标映射的图像处理方法，在保留成孔毛刺原始特征的基础上，排除图像平移、旋转和缩放的影响，提高缺陷识别与评价的便利性；然后，建立了基于伪频谱的成孔轮廓曲线参数化评价方法，通过自然坐标系下成孔轮廓曲线的切向量方向角函数的伪频谱对毛刺现象进行量化；最后，通过实验对提出的理论和方法进行了验证。结果指出，在轮廓曲线伪频谱中，峰值频率能有效反映毛刺尺度，总功率能有效反映毛刺整体数量，钻削过程中纤维切削角将影响毛刺的形态，适当提高主轴转速、减小进给率能有效降低毛刺缺陷。本研究提出的CFRP成孔图像处理方法和毛刺评价指标具备可观的准确性和有效性，有望应用于CFRP构件钻削工艺在线监测等领域，提高成孔质量分析的可靠性和便利性。

关键词： 目标检测   加拿大一枝黄花   YOLOv8n   轻量化   组归一化   共享参数  

摘要： 加拿大一支黄花是我国重点管理的外来入侵物种，有效检测识别获取其位置是治理的前提。为实现复杂自然环境下加拿大一枝黄花的快速、准确识别，针对现有模型参数量大、计算复杂度高的问题，提出一种改进YOLOv8n的加拿大一枝黄花轻量化检测模型YOLOv8-SGND。新模型在YOLOv8n模型Head的基础上设计了一种轻量化网络，提出共享组归一化检测头SGND，在提高检测头定位和分类性能的同时，大幅减少参数量。首先，在卷积块中引入组归一化代替原有的批量归一化；其次，在特征聚合后的两个卷积块中共享卷积参数，减少参数数量和计算复杂度；为了提高算法的鲁棒性和边界框各项误差的优化平衡，采用WIoU Loss v3替代原有的CIoU Loss作为边界框损失函数；最后，回归损失和分类损失在使用共享卷积的同时，使用Scale层对边界框的预测结果进行缩放调整，使得检测结果与实际输入图像的尺寸和不同检测层的特征图尺寸相匹配。采用实测数据进行检测试验，结果表明，新模型YOLOv8-SGND的检测精度m AP@0.5和m AP@0.5:0.95分别为98.8%和79.6%，相较于原始YOLOv8n模型分别提高了2.8%和6.0%，模型参数减少了约21.4%，浮点运算量也减少了1.6G。与当前主流目标检测算法YOLOX、Faster-RCNN、Cascade-RCNN、TOOD、RTMDet相比，YOLOv8-SGND的各项精度评估指标均为最优。本文提出的方法具有较高的检测精度和推理速度，可以为外来入侵物种轻量智能化识别提供技术支持。