摘要： 雾凇岛位于吉林市郊外正北方的松花江上,进入冬季,每逢傍晚江面飘起大雾,岛上的柳树、洋槐等枝条便会沾满水汽,经过夜晚零下二十多摄氏度的低温冰冻,水汽凝结成雪白的浓霜,被人们称为雾凇,也叫树挂。第二天大雾散去,在阳光的照耀下,银装素裹,煞是好看,是冬日旅游观景的绝佳之选,这里也成为许多影友的打卡之地。

关键词： YOLO-AFB   多目标检测   特征提取  

摘要： 针对传统变电站多目标检测全面性不足、精度低的问题，提出基于YOLO-AFB网络模型的检测方法。确定某变电站实验数据，建立YOLO-AFB网络模型，阐述多目标检测流程，分析训练结果，与其他多目标检测方法进行对比实验，检验所提方法在变电站多目标检测中的应用效果。

关键词： 电表外观检定   工业自动化   深度学习   图像处理   场景文字识别  

摘要： 电表外观检定系统对于电表生产的质量评估有着重要的意义。针对现阶段字符缺陷检测系统在文字分布密集的场景识别准确率低的问题，利用自适应多尺度模块，提升算法对密集字符的检测精度和分割质量；引入STN注意力机制，将文字图像变换为最合适的角度作为网络输入，提升识别模块在字符倾斜、投影等影响下的鲁棒性；提出点位配准算法，对文字缺陷处精准定位，并降低匹配算法误判。实验表明，文字检测和识别算法精度分别较现有算法提升了6.1%和4.3%;基于点位配准的缺陷检测，F-score达到97.8%;每张电表图片检测时间为0.8 s,能够满足电表工业流水线的实时性要求。

关键词： 光学疵病   多光谱技术   图像处理   缺陷检测   图像融合  

摘要： 在进行多光谱光学元件疵病谱检测时，由于光谱图像数据量较为庞大，人为操作的误差以及光斑亮度不均匀等问题致使图像明暗不均，多光谱图像的细节信息被掩盖，从而导致检测效率的下降。针对该问题，提出了一种基于图像处理的多光谱光学疵病检测技术，首先将光谱图像进行融合，然后根据图像的照明不均匀性进行背景的提取与自适应补偿，最后对图像进行阈值分割与连通标记法将疵病进行识别。实验表明，该方法可以准确地识别光学元件疵病，对不同环境的样本，其缺陷检测率可达95.73%,提升了多光谱光学元件疵病检测的效率。

关键词： 图像处理   火灾烟雾识别   背景补偿   特征融合   支持向量机  

摘要： 提出了一种动态场景下火灾烟雾多特征融合识别定位算法。为解决动态场景下烟雾准确识别与定位问题，将ORB特征提取结合改进的K—最近邻(KNN)算法，实现了更准确的特征点匹配，通过特征点对灰度阈值划分，实现特征点的分离，达到精确的背景补偿；从烟雾静态特征出发，经过烟雾增强的颜色分割后，引入暗通道帧差法，结合亮度视觉注意机制模型，突出烟雾显著区域，实现了轮廓区域精准分割；最后将烟雾纹理信息与轮廓不规则性两类特征进行融合，对融合后的特征向量进行支持向量机(SVM)训练，实现烟雾区域的最终判定。定位实验表明：所提算法具有能够满足动态场景下的火灾烟雾准确识别与定位。

关键词： 遥感图像   旋转目标检测   多尺度感知增强   自适应特征学习   旋转交并比损失  

摘要： 遥感图像中的旋转目标检测由于存在背景复杂、目标在任意方向分布且密集排列、尺度变化剧烈、高长宽比等问题而具有挑战性。针对这些问题，提出基于多尺度感知增强的旋转目标检测框架。首先，在特征提取阶段，提出多尺度感知增强模块，针对不同层级的特征图采用不同的卷积块来提取特征，确保低层特征图能保留足够的细节信息，高层特征图能提取足够的语义信息，使得提取的多级特征图对不同尺度具有自适应的特征学习能力。同时，利用自适应通道注意力模块来学习通道权重，缓解复杂背景带来的影响。其次，提出尺寸敏感的旋转交并比损失，通过在旋转交并比损失中增加目标长宽比和面积的损失项，来监督网络学习目标的尺寸信息，增加对高长宽比目标的敏感性。在公开的遥感图像数据集DOTA,HRSC2016和DIOR-R上，所提方法分别取得77.64%,98.32%和66.14%的mAP,检测精度优于现有的先进遥感图像检测网络。

关键词： 课堂状况评估   目标检测   深度学习   卷积神经网络   注意力机制   层次分析法  

摘要： 辅助教师提高教学质量，构建一个能够精准识别学生课堂状况并进行合理评估的教辅系统，构建了双粒度标注的学生行为（Student Action,SA）数据集；提出了SGE-BI(Spatial Group wise Enhance-BiFormer)双注意力机制模块并将其添加在YOLOv5算法中；结合双粒度标注的学生行为数据集对传统层次分析法（Analytic Hierarchy Process,AHP）进行改进，提出了双粒度层次分析加权法（Analytic Hierarchy Process-Double Granularity Weighted,AHP-DG）。在SA数据集上进行仿真实验，使用改进的YOLOv5算法将精度、mAP@0.5和mAP@0.5:0.95的值分别提高了1.9%、0.5%和0.8%；用构建好的系统得到真实课堂的识别结果并进行数据分析，发现AHP-DG法较之传统AHP法能得到更客观的评估结果。与原算法相比，改进的YOLOv5算法得到了更准确的学生课堂行为识别结果；与传统AHP法相比，提出的AHP-DG法取得了更好的学生课堂状况评估效果。

关键词： 目标检测   域适应   无人机  

摘要： 无人机航拍图像具有背景复杂、目标尺度小、目标朝向多变等特性，并且常因模型的训练数据与应用场景存在偏差，导致检测性能大幅下降。针对上述问题，提出基于域适应的无人机航拍目标检测算法，以Faster R-CNN为基础，采用域适应方法来提升模型在不同场景下的泛化性，并设计融合可变形卷积的特征提取网络以优化无人机视角下目标朝向多变的问题、采用特征金字塔网络提高对小目标的表达能力、设计D-ROI Align提高对小目标的检测精度。基于无人机相关数据集的域适应实验表明，该模型相较于目前的主流方法拥有更好的检测性能。

关键词： 目标检测   火灾检测   神经网络   特征提取  

摘要： 针对现有火灾检测算法不能很好平衡精度和模型复杂度等问题,提出基于改进YOLOv7-Tiny的火灾检测算法。算法以YOLOv7-Tiny为基础,结合Pconv、Faster block以及YOLOv7的ELAN结构提出一个新的结构F-ELAN,用于替代Backbone中的ELAN结构;引入GSConv以及GSblock,用于替代Neck结构中的普通卷积和ELAN结构,在减少模型复杂度的同时增强特征提取能力,提高模型精度;同时为了进一步提高模型性能,在Head部分增加一个检测层,提高对于目标的检测精度;在损失函数中采用Wise-Io U代替CIoU,在保持模型复杂度不变的情况下提高模型鲁棒性。实验结果表明,改进后的YOLOv7-Tiny模型参数量仅为5.45M,FLOPs为8.9G,相比原模型分别减少9.5%和32.6%,同时精度提高了2.4%达到了90.8%,在检测精度和模型复杂度都有一定优势。

关键词： 仪表读数识别   目标检测   语义分割   透视变换  

摘要： 针对巡检机器人嵌入式系统面临的内存限制和计算能力不足的问题，提出了一种基于轻量化目标检测算法的指针仪表读数识别算法。首先，在YOLOv8n的基础上，设计了轻量化特征提取模块RepC2f和轻量化检测头LSD,这2项设计旨在提升检测精度的同时显著降低模型参数量，从而提高检测的实时性。实验结果表明，该算法相比于YOLOv8n精度提升了0.94百分点，权重模型减少了2.73 MB,而帧率则提升了11.9帧/s。然后，采用Deeplabv3+算法对指针和主刻度线进行精确分割。随后，通过透视变换和最小二乘法实现表盘的几何校正和指针的拟合。最后，依据主刻度线的角度法进行读数的计算。