关键词： 残膜识别   YOLO 11模型   目标检测   模型轻量化  

摘要： 为实现残膜回收机在自然环境中快速、准确地识别棉田地表残膜目标，本文提出了一种基于DCA-YOLO 11轻量化模型的棉田地表残膜识别方法。以4JMLE-210型残膜回收机工作后棉田地表残膜为研究对象，在不同时间段采集地表残膜图像900幅，通过透视变换、图像裁剪、数据清洗、数据增强等预处理，最终得到5 215幅残膜样本图像，按照4∶1划分为训练集和测试集，实现了对棉田地表残膜的数据集构建。通过在YOLO 11模型主干网络中增加深度可分离卷积（DWConv）模块代替通用卷积（Conv）模块，用于减少计算复杂度和参数量；通过在输出检测端末尾加入CBAM卷积块注意力机制模块来提高模型的感知能力，减少边缘与背景干扰；通过用ADown模块替换主干网络中的Conv模块，实现残膜特征图不同层之间的下采样，减少特征图空间维度，保留关键信息来提高残膜目标检测准确性。试验结果表明，在复杂自然环境下，DCA-YOLO 11模型精确率P为81.9%,召回率R为80.9%,平均精度均值mAP（重叠率0.5）为86.7%,参数量为2.20×10～6,处理速度为80 f/s。通过对不同模型进行对比试验，DCA-YOLO 11模型检测精确率比YOLO v10、YOLO v9、YOLO v8分别高2.9、2.3、3.8个百分点，召回率比YOLO v10、YOLO v9、YOLO v8分别高2.0、1.0、1.8个百分点，处理速度比YOLO v9、YOLO v8分别提升12.7%、14.2%,略低于YOLO v10。DCA-YOLO 11模型在保证精度的同时，模型最小，参数量最少，证明其轻量化与优越性。模型通过泛化性试验，其在验证数据集上的检测结果，R2为0.72,平均绝对误差和均方根误差分别为4.92个和2.72个，提出的DCA-YOLO 11轻量化模型泛化性较好。该研究可为残膜回收机械在复杂环境下精准、高效捡拾残膜以及残膜回收机回收率车载视觉估测提供理论依据与数据基础。

关键词： 目标检测   YOLOv11   融合多尺度注意力机制   改进C2f模块   特征融合网络  

摘要： 随着智慧农业和自动化技术的迅速发展，农业生产中对于水果新鲜度的检测和判断需求日益增加。为了应对实际生产中拍摄图片存在的多尺度特征、密集分布和严重遮挡等问题，提升检测模型的准确性和实时性能，在目标检测模型YOLOv11的基础上进行了优化。具体改进包括引入融合多尺度注意力机制的C2f模块设计以及基于改进特征金字塔的路径聚合特征金字塔网络（Path Aggregation Feature Pyramid Network,PAFPN）模块。同时，为弥补现有开源数据集的不足，结合实际生产需求，收集并构建了包含8类常见水果的新鲜度数据集。在此基础上，对相关模型进行了测试和训练优化，并通过相关量化指标评估模型的识别准确率和实时性能。最终，采用相同的训练策略和超参数设计分别训练基准模型和改进后的模型，并在测试集中进行评估。实验结果表明，改进后的算法在测试集上的表现明显优于初始模型，平均准确率（mAP@0.5）提高了1.8%,mAP@0.5:0.95提高了2.5%，同时参数量减少，模型性能得到了有效提升。

关键词： 隐匿目标检测   主动毫米波图像   多尺度反向校正特征增强   无损下采样   K-means++  

摘要： 针对毫米波图像中隐匿目标局部信噪比低导致检测障碍的问题，提出了一种基于多尺度反向校正增强和无损下采样的检测方法。首先设计了一种多尺度反向校正特征增强模块，在提取多尺度特征的多卷积核Res2Net上融合反向校正操作，实现大感受野区域对区域内相关小感受野区域卷积计算的反向校正，使得深度模型不仅能够获取更细粒度的特征，而且使宏观判别性表示贯穿多个尺度的特征信息；其次，利用非跨步卷积层的SPD-Conv实现无损下采样，缓解卷积下采样导致的信息丢失；最后，采用K-means++聚类算法生成适合隐匿目标检测任务的新锚框。实验在YOLO系列中选择了各方面性能都适中的YOLOv5s作为基础框架，针对现有的两种毫米波图像数据集(阵列图像集和线扫图像集)平均精度均值(mAP)mAP@0.5分别达到了96.21%和97.97%,相较于原版YOLOv5s以及YOLO其他系列等性能有显著提升。实验结果表明，该方法在不明显增加参数量和推理时间的同时，能够有效提升深度模型的检测性能。

关键词： 计算机图形图像处置   计算机   虚拟现实   三维  

摘要： 本文首先概述了计算机图形图像处理技术，然后详细阐述了其关键技术与应用，并结合这些分析了其在不同领域的应用效果。最后，以《上古卷轴5：天际》为例，具体分析了三维重建技术，以期为相关提供参考。

关键词： FPGA   图像处理   图像传感器   硬件平台  

摘要： 阐述一种基于FPGA的图像处理缺陷检测系统设计，包括硬件架构、传感器选型、软硬件分工策略等关键技术。通过介绍系统框架、传感器和FPGA硬件平台的选择，探讨设计中的软硬件协同设计问题。

关键词： 遥感图像   小目标检测   全局注意力   损失函数   YOLOv8n  

摘要： 针对遥感图像目标检测任务中小尺寸目标特征信息弱的问题，提出了一种基于空间及通道双层注意力机制的遥感图像小目标检测算法。该算法基于YOLOv8n网络架构，融合了空间与通道双层注意力的特征信息，在放大跨维度间交互作用的同时，使检测更多关注于特征图重点区域信息，从而提升对小目标的检测能力；同时，改进回归损失函数，结合焦点、权重交并比2种损失函数，解决了训练过程中难易正确分类样本间不平衡的问题，并对目标框之间的相似度进行更准确的度量，进一步提高了算法对目标位置和大小的检测精度及稳定性。在工程车遥感数据集上，所提算法较YOLOv8n算法的mAP@0.5提高了3.6%,mAP@0.5∶0.95提高了2.9%；在NWPU VHR-10数据集上，所提算法较YOLOv8n算法的mAP@0.5提高了1.6%，但mAP@0.5∶0.95略有下降。在2个数据集上的消融实验结果表明，所提算法能够准确识别图像中的小尺寸目标，对比原模型的目标检测置信度有显著上升，证明了改进措施的有效性。

关键词： YOLOv8s   遥感图像   目标检测   多尺度特征融合   注意力机制  

摘要： 针对高分辨率光学遥感图像背景复杂、目标尺寸差异大且小目标占比多导致目标检测出现漏检和误检的问题，提出一种改进YOLOv8s的目标检测算法。首先，引入双向加权特征金字塔网络（BiFPN）结构替换原始颈部网络，并增加1条主干网络的分支来获取浅层特征，从而提高小目标的检测性能。其次，在颈部跨阶段局部网络融合（C2f）模块的瓶颈结构中引入高效多尺度注意力机制（EMA），提高对空间信息和通道信息特征的关注度，减少无关信息的干扰。最后，在SIoU(SCYLLA-IoU)的基础上结合加权交并比（WIoU）中的动态非单调聚焦系数设计SWIoU损失函数，加强边界框的回归性能，同时考虑预测框与真实框之间的方向匹配，从而进一步提高算法的检测精度。在DOTA数据集上，改进算法的平均精度均值（mAP50）达到73.0%，与YOLOv8s相比提高3.0百分点，其检测结果同样优于其他主流算法。此外，在RSOD数据集和NWPU NHR-10数据集上的实验结果进一步验证了所提算法在不同数据集上的通用性和适应性。

关键词： 医疗   图像分析   计算机视觉   网络技术   安防  

摘要： 随着人工智能技术的快速发展，计算机视觉与网络技术的融合成为研究和应用的重点领域。计算机视觉通过图像和视频分析，使计算机能够理解和处理视觉信息，并广泛应用于医疗、安防、自动驾驶等领域。而网络技术则为信息传输和通信提供了基础支持，广泛应用于云计算、大数据和物联网等领域。两者的结合不仅推动了智能系统的创新与发展，还带来了新的技术挑战和机遇。本文主要针对计算机视觉在网络领域中的运用进行了研究。

关键词： 图像处理   机器视觉   PCB裸板   缺陷检测   AOI   胶路检测  

摘要： 印制电路板是现代电子制造业的基石，承担着实现信息化与自动化电子产品功能及连接的核心任务。在印制电路板的生产过程中，由于存在机械结构、板材质等客观因素的影响，线路缺损等问题时有发生。为解决这一问题，引入了机器视觉检测技术。通过该技术可快速对PCB裸板进行缺陷检测，使生产人员能实时获取胶路检测的反馈信息，进而优化生产工艺，提高生产效率并提升产品质量。

关键词： 神经元   图像处理   边缘梯度  

摘要： 阐述一种基于异质界面检测器模型（HID模型）的边缘梯度提取方法，以提升边缘检测的准确性和鲁棒性。该方法首先利用HID模型来分别计算图像水平和垂直方向上的边缘梯度。然后，为整合这两个方向的信息，采用选择较大值的原则，将水平与垂直边缘梯度图合并为一张最终的边缘梯度图。验证结果表明，所提方法具有更高的准确度，证明了HID所提取得到的瞬间变化特征信号更能反映边缘特征。