关键词： 铁路隧道   目标检测   模型试验   超前支护小导管   可变形卷积   门控特征融合   模型轻量化  

摘要： 针对因隧道内部环境复杂和小导管形态变化导致的超前支护小导管难以自动识别的问题，本文提出一种联合可变形卷积与门控特征融合机制的超前支护小导管影像实时检测Transformer模型。该模型通过可变形卷积灵活地进行特征图采样，提升模型对于小导道形态变化的适应能力，建立多尺度门控特征融合机制，自适应筛选并融合各个尺度的特征，过滤冗余信息。此外，在主干特征提取网络中引入部分卷积（Partial Convolution,PConv），在保持识别精度的同时降低模型计算量，提升了检测速度。试验结果表明，本文模型在保持推理速度的情况下，平均精度和每张影像最多考虑10个检测结果时的平均召回率指标较基线模型分别提升1.3%和0.9%，证明了模型改进的有效性。

关键词： 目标检测   深度学习   YOLOv5n   位姿估计   SLAM  

摘要： 针对传统的视觉SLAM在运行环境中易受运动物体影响而导致位姿估计精度低的问题，提出一种基于目标检测的动态视觉SLAM算法。选择YOLOv5n作为动态物体检测的主干网络，利用Ghost模块和无参数的SimAM注意力机制对模型进行轻量化改进。使用改进的模型作为目标检测算法，把检测到的物体分类，剔除动态特征点，使用静态特征点进行匹配和位姿估计。使用TUM数据集验证，结果表明轻量化YOLOv5n模型权重减少了15.7%,计算量降低到了3.6GFLOPs,实现了轻量化满足在一些小型设备上运行的条件；提出的算法与ORB-SLAM3相比，在动态Walk序列实验中，绝对轨道误差的均方根误差和相对位姿估计的均方根误差分别平均减少94.8%和94.9%。结果证明，在动态场景下该算法能显著提高系统定位的精度。

关键词： 智慧交通   目标检测   YOLOv3   三维自适应检测   分层联合检测  

摘要： 随着汽车保有量的提升，现有目标检测算法存在检测准确率低以及计算难度大等问题，已经无法满足日益增长的检测精度要求。因此，研究提出了基于改进YOLOv3的三维自适应和分层联合检测模型。该模型采用K-means算法调整自适应锚框大小，根据时间、天气以及目标检测构建融合三维模型，利用误检阈值和交并比阈值优化融合过程，将三类目标检测模型分层级融合。实验结果表明，三维模型所有预测框均能准确识别目标类别，对机动车、非机动车和行人的目标检测准确率分别为85.4%、77.2%以及92.6%。联合检测运行时间比三维自适应检测降低了63 ms,最大检测准确率分别比三维自适应检测和单维检测高出3.2%和5.6%,由此可得，改进模型能够有效实现复杂场景下的交通目标检测，及时上报交通情况以便后续疏导，减少交通拥堵情况，提升道路使用率。

关键词： 蒲公英   目标检测   YOLOv5s   蜜源植物   精准农业  

摘要： 针对蜜源植物季节性生长变化的复杂性，提出一种高效识别优质蜜源蒲公英花朵的方法，以帮助蜂农精准预测蜜蜂的优质采蜜场所。通过采集数据集与图像基本处理，基于YOLOv5s模型，并结合全局特征金字塔网络(GFPN)和内容感知特征重组(CARAFE)技术，提出一种改进的目标检测方法。实验结果表明，改进后的YOLOv5s模型在识别蒲公英花朵的准确率和精度上均优于传统方法，分别达到92.9%和95.8%,较原模型提升0.9个百分点。GFPN与CARAFE的协同作用能够使模型更好地处理复杂的图像背景和不同尺寸的花朵，检测速度和准确性显著提高。基于YOLOv5s模型并结合GFPN和CARAFE的蜜源蒲公英花朵识别方法，能够有效应对蜜源植物的季节性变化和复杂生长环境，具有较高的实用价值。该方法不仅能为蜂农准确预测采蜜场所提供依据，推动精准农业技术的应用，还能为实现农业资源可持续利用提供创新性技术方案。

关键词： 毫米波引信   锥旋运动   Keystone变换   运动近似  

摘要： 在炮弹攻击目标的过程中，由于锥旋运动的存在导致毫米波引信回波出现距离走动问题，无法准确测距，对炮弹攻击的准确性产生影响。为解决该问题，首先结合实际情况构建了弹头的锥旋运动模型并进行理论推导，得到影响距离走动的主要参数及锥旋引起的回波延时；然后通过将锥旋运动近似为匀减速运动实现相参积累和加速度补偿，并采用Keystone变换进行距离维的运动补偿；最后利用二维快速傅里叶变换实现测距。为了验证检测性能的准确性，采用蒙特卡洛实验进行分析。仿真结果表明，俯仰角、方位角及锥旋角对锥旋引起的距离走动均存在影响，采用Keystone变换的方法可以对存在的距离走动现象进行有效补偿。

关键词： 改进YOLOv8s   焊缝缺陷   目标检测  

摘要： 针对YOLOv8s模型在焊缝缺陷检测中误检、漏检以及特征提取、特征融合能力不足的问题，文章提出了YOLOv8s改进算法。该算法通过将原网络模型中的部分C2f模块升级为C2f-Triplet模块，增强了特征提取和融合能力；引入CARAFE上采样算子，提升了大范围特征信息的聚合；并将CIoU损失函数改进为Powerful-IoU,加快了收敛并提高了回归精度。实验结果表明在Weld ***8数据集上，改进YOLOv8s算法较原算法精度提高1.6百分点，平均精度均值提高2.6百分点，可以更加准确地检测出焊缝缺陷的类别和位置。

关键词： 路面裂缝   YOLOv8n   目标检测   深度学习   轻量化  

摘要： 针对当前道路裂缝检测算法检测速度慢、且对于复杂道路条件下的路面裂缝识别精度低、误检漏检率高等问题，设计了一种基于YOLOv8的道路裂缝检测改进算法FCG-YOLO。首先，提出了改进的C2f＿Faster结构以降低模型参数量和减少计算复杂度。其次，为了提高检测准确率，在骨干部分引入全局注意力机制GAM,增强算法对小目标裂缝的识别能力，同时改进特征融合金字塔SPPF为SPPFCSPC模块，用于增强算法的特征融合能力。最后，通过消融实验验证了各模块对算法性能的影响，找到了兼具轻量性与准确性的模型配置，并结合实际应用场景，探究了算法的鲁棒性与泛化性。FCG-YOLO在检测效率上表现出色，验证集上的检测精度mAP50与mAP50-95分别达到了90.3%、74.4%,且每秒检测速度提升13.8%,达到345帧，具备较高的检测效率与良好的实际应用价值。

关键词： 异物检测   目标检测   可切换空洞卷积  

摘要： 接触网异物检测是保障电气化铁路安全运行的关键环节。传统检测方法存在效率低、误检率高等问题，难以满足现代铁路的高标准需求。本文提出一种基于改进YOLOv5s的接触网异物检测算法，通过引入可切换空洞卷积，增强网络对多尺度异物目标的特征提取能力，提升检测效果。实验结果表明，相较于原始YOLOv5s算法，本文算法取得了更优的异物检测效果，同时保持较高的实时性。

关键词： 智能化工工厂   计算机视觉   视频内容分析   人机融合   人工智能  

摘要： 化工企业在生产运营过程中存在各种安全风险，比如：罐区的充装作业、高危化学品的装卸、化工装置的维修等。近年来化工企业为了保障现场安全，装置内部署了较多的监控摄像头，对人员、装置、设备都进行了全方位的监控。随着人工智能以及计算机视觉技术的兴起，视频的智能分析已经成为一种新的安全监控手段，可以让企业的安全人员摆脱枯燥的基于肉眼的图像和视频监控：一方面可以并发监控多路视频提高了人员的监控的效率，降低人力成本；另一方面智能系统不存在人眼疲劳的问题，可以提高监控的精度。提出基于计算机视觉的化工安监系统，阐述了在人机融合的指导思想下，计算机视觉技术如何赋能企业化工安全监控的技术与方案。该文可为AI赋能化工，提升安全生产提供有效的参考。

关键词： 无人机   目标跟踪   自适应无迹卡尔曼滤波   强跟踪滤波  

摘要： 针对无人机在跟踪地面机动目标时，目标的机动导致无法得到准确的目标状态信息的问题，以无迹卡尔曼滤波(UKF)算法为基础，结合交互多模型(IMM)算法与强跟踪滤波器的思想，提出了一种基于IMM的强跟踪无迹卡尔曼滤波(IMM-STUKF)算法的无人机对地目标状态估计算法。仿真表明，在无人机飞行速度约30 m/s、目标速度约7 m/s、角度与距离量测误差分别为1°和15 m时，相较于IMM-UKF,基于IMM-STUKF的无人机对地机动目标位置估计精度提升了约10%,速度估计误差降低了约50%。