关键词： 模型轻量化   铁路轨道扣件检测   深度可分离卷积   模型重参数化  

摘要： 为解决铁路轨道扣件检测模型轻量化部署问题，以YOLOX-s模型为基准，提出一种基于深度可分离卷积的特征金字塔，实现颈部网络结构的轻量化特征融合，提升模型轻量化后的特征提取能力。针对YOLOX架构中解耦头产生的更多参数量与计算开销，引入深度可分离卷积，简化解耦头的参数量，并使用重参数化卷积达成检测头的精确度优化，平衡模型参数轻量化造成的精确度损失。实验表明，针对铁路轨道扣件检测问题，相较于基准模型，该方法降低了22.26%的参数量和31.3%的浮点数计算量，精确度保持在原有水平。基于深度可分离与重参数化的轻量化目标检测模型有效降低了模型参数，为部署在铁路在线检测轻型设备上提供一种可行方法。

关键词： 计算机视觉   系统论   课程内容优化   多元化评价体系   人工智能教育  

摘要： 利用系统论的理论框架，以计算机视觉为具体案例，围绕全局性、动态性和层次性原则，提出构建从底层视觉特征到高层语义理解的综合知识体系和多元综合评价体系，阐述如何利用智能工具参与课程内容优化与评价体系动态调整，形成闭环反馈系统，以适应学生需求和教育环境的实时变化，推动人工智能与工科教育的深度融合。

关键词： 中药饮片   YOLOv8   深度学习   图像识别   目标检测  

摘要： 目的 解决中药饮片种类繁多、形态相似，人工识别耗时费力且易出错的问题。方法 构建了包含201类中药饮片的数据集，并提出了一种轻量化改进的YOLOv8算法，具体改进包括在YOLOv8n网络中引入GhostC2f模块以降低模型参数量，采用DySnakeC2f模块以增强对纤细结构的灵敏度，替换主干网络的池化层为SimSPPF模块以加快推理速度，并加入坐标注意力（coordinate attention,CA）机制以增强对小尺寸目标的特征提取。结果 改进后的算法跨阈值平均精度（50%～95%）达到84.16%，较之前提高了4.39%，同时模型参数量减少了约15%。改进的模型成功部署在电脑客户端和手机APP中，构建了中药饮片自动化识别标注系统。结论 改进后的模型能够有效识别中药饮片，同时系统支持自动数据扩充和升级，从而为中药饮片的快速、准确识别提供了一种新方法。

关键词： 水下目标检测   虚警率   声呐图像处理   深度学习  

摘要： 声呐图像目标自主检测作为水下无人系统的关键技术,在实际应用中面临着虚警率高的挑战,制约了其在水下无人系统中执行任务的质量和效率。为解决这一问题,文中设计了一种基于YOLO11模型的水下目标检测方法,为降低其虚警率,提出采用通过在声呐图像上自训练深度学习检测器的虚警率检测方法。该方法依据声呐图像目标检测数据集自动生成代理分类任务,通过预训练提高深度学习检测器对目标和背景特征的学习效果,从而提升检测器对目标和背景的分辨能力，有效降低虚警率。实测结果表明,在检测器置信各自取F1-score最大值对应的数值时,文中方法训练得到的YOLO11检测器相较于传统的迁移学习方法，虚警率降低了11.60%,且具有更高的召回率。该方法在不使用外部数据集的条件下，显著提升了深度学习检测器的泛化性,为水下小样本目标检测场景提供了一种高效的自训练方式。

关键词： 深度学习   智能识别   全卷积神经网络   桥梁结构   裂缝检测   图像处理  

摘要： 由于桥梁结构会受到应变、温湿度等侵蚀和损毁，经常会造成桥梁结构产生裂缝病害，需要对桥梁结构的裂缝病害进行检测.设计了全卷积神经网络模型，采用裂缝图像数据集对模型进行了训练和验证，利用该全卷积神经网络模型可对3种桥梁裂缝病害的形态进行识别，并且与其他裂缝识别方法相比，具有较高的准确率和召回率.

关键词： 相似模拟试验   垮落法   数字图像处理技术   顶板破断特征   覆岩移动规律  

摘要： 为了进一步研究垮落法处理采空区的顶板破断特征及覆岩运移规律，采用二维相似模拟实验台设计垮落法，处理采空区相似模拟试验模型，在模拟工作面推进过程中，观测其顶板破断特征及覆岩移动规律，并通过数字图像技术获得覆岩位移云图。研究结果表明：当采用垮落法处理采空区时，工作面推进完毕后，覆岩破断次数为4次，覆岩最大位移为10 mm。工作面上方覆岩裂缝数量及种类多，裂缝宽度大，裂缝贯通程度大，裂隙由工作面煤壁向上延展并贯通，采用垮落法处理采空区时，容易发生顶板的整体切落和大幅度回转变形，最终导致覆岩位移增大。同时可以得出，采用数字图像处理技术可以精准捕捉覆岩位移，且覆岩位移云图与工作面实际推进情况基本吻合，因此，该技术也可以用于大面积的相似模拟试验。

关键词： 目标检测   神经网络   无人机检测   小目标   轻量化  

摘要： 由于无人机体积小、空域背景复杂且容易与鸟类等天空目标混淆，已有的目标检测模型精度不足。虽然增加模型规模可以在一定程度上提升检测精度，但也会降低模型推理速度、增大参数量与计算量。此外，目前可用于小目标无人机检测的数据集缺乏，难以有效支持无人机检测方法设计。针对以上问题，首先根据现有的开源无人机与鸟类检测数据集，采用基于目标面积压缩的小目标样本增强方法，构建一个可用于小目标无人机与鸟类分类任务的数据集。然后，对YOLOv8模型进行改造，通过使用轻量级自适应下采样卷积结构(LADC),建立了轻量级模型YOLO-LADC,可以在降低模型参数量和计算量的同时提升检测精度。更进一步，在YOLO-LADC的颈部网络增加分支结构得到YOLO-LADCS模型，以更好地适应小目标无人机检测任务。对比实验表明，YOLO-LADCS能够在参数量相比YOLOv8的轻量级衍生版本YOLOv8n减少14%的情况下，将小目标检测的平均准确率提升约1.1%。

关键词： YOLOv8算法   目标检测   PyQt5图形界面框架  

摘要： 工地工作环境相对危险，穿戴安全帽和反光背心等工地基础防护用具的安全防范意识非常重要，如果疏忽，工人的人身安全将存在巨大隐患。针对以上问题，设计一个以工地为背景的基础防护用具检测系统。该系统基于YOLOv8目标检测网络模型和PyQt5图形界面框架，具有检测图片文件、视频文件、摄像头实时检测及检测结果统计等功能。经实验测试，系统最终的平均检测精度达到89.7%。

关键词： 矿石输送带   钢筋异物   目标检测   YOLOv5   卷积神经网络  

摘要： 以矿石输送带钢筋异物检测为研究对象，通过采集和增强矿石异物数据集，研究了改进的YOLOv5算法对于检测性能的提升。通过引入CBAM注意力机制，构建了高质量的矿石与钢筋混合数据集，并基于CBAM-YOLOv5模型在检测精度上实现了2.38个百分点的提升。结果表明，YOLOv5算法以其高效的实时检测能力和优化的推理速度，在工业检测中表现出色，能够迅速准确地识别晶圆表面的缺陷。

关键词： 炮位雷达   弹道滤波   神经网络   无迹卡尔曼滤波  

摘要： 炮位雷达是地面炮兵作战的主要侦察装备，主要通过对弹道目标实施跟踪来完成侦察校射任务。现有的炮位雷达普遍采用线性卡尔曼滤波算法实现弹道目标滤波，在滤波过程中使用状态空间线性方程组进行目标状态估计和协方差估计。由于弹道目标运动轨迹呈现出的非线性特征，在滤波过程中容易引入较大的过程误差。文中针对传统弹道目标滤波算法中存在的上述问题，建立了弹道目标反向传播(BP)神经网络模型，用于滤波预测。为了建立精确的神经网络模型，利用多种环境因素生成数据集，进行BP神经网络训练。结合神经网络预测的特点，选取无迹卡尔曼滤波(UKF)算法作为基本滤波框架。仿真结果表明，BP-UKF具有比UKF更快的收敛速度和更高的滤波精度。