关键词： 遥感图像   旋转目标检测   深度学习   特征融合   损失函数  

摘要： 遥感图像船舶目标小、背景复杂、姿态变化大，传统船舶检测算法为提升精度，往往忽视了模型规模和实时性，难以应用到资源受限的设备上。针对上述问题，提出一种适应遥感船舶图像的轻量化旋转小目标检测网络(RFDNet)。考虑到遥感船舶图像拍摄距离远而导致图片中目标较小且图像中包含丰富的背景信息，设计注意力卷积融合双分支网络(ACFNet),通过对局部特征信息与全局空间感知信息的充分提取，提高船舶小目标检测精度；为避免船舶目标姿态各异而导致检测时的精度下降，利用旋转目标方向信息引入旋转边界框损失函数，获得更准确的边界框回归损失，提升任意方向旋转船舶目标的检测性能；针对为提高模型精度而带来的参数量增加问题，在特征融合部分引入轻量级卷积，将卷积、深度可分离卷积以及通道混洗相结合，减少模型的参数量。通过对比实验和消融实验证明，RFDNet在HRSC2016数据集和DOTA数据集上的平均精度均值(mAP)分别达到了97.63%和81.63%,模型参数降到了2.99×10～6,在有效提升检测精度的同时实现了模型的轻量化设计，为遥感船舶目标检测算法在资源受限设备上的应用提供了新思路。

关键词： 计算机视觉   机器学习   自动化监测   辅助决策  

摘要： 阐述基于计算机视觉的电气安装与维修自动化技术。通过分析和识别电气设备的图像信息，结合智能算法和机器学习方法，实现对电气安装和维修过程的自动化监测和辅助决策。

关键词： 道路检测   图像处理技术   研究   实践  

摘要： 在现代社会飞快发展的背景下，图像处理技术在诸多领域得到广泛应用，极大促进了信息的传播和共享，但是图像处理技术在道路检测系统中的运用却面临着重重挑战。借助图像处理技术能够提高信号传输质量、缓解传输压力、推动道路检测系统高水平发展。文章围绕道路检测系统中图像处理技术的应用情况展开论述，在剖析道路检测系统发展难点的基础上，多角度促进图像处理技术的有效应用。

关键词： X光检测技术   组合电器   非破坏性检测   图像处理   故障预警  

摘要： X光检测技术作为一种非破坏性的检测手段，被广泛地应用在对组合电器内部结构进行分析和测试。这项技术是用X射线透过物体形成影像来确定内部结构及潜在缺陷的。综述X光检测技术原理，局限性，并分析组合电器基本构造，绝缘拉杆功能和结构特点及触头分合状态等因素对设备性能影响。对组合电器X光检测进行了详细描述，主要包括前期准备，检测流程，图像处理及分析方法等。

关键词： 店铺销量预测   Stacking集成学习   KNN   XGBoost   竞品信息   情感分析   图像处理  

摘要： 提高店铺销量预测的准确性可以显著优化库存规划，进而提升供应链管理效率.本文采用Stacking集成学习方法，结合多种预测模型，并引入竞品销售信息、商品评论情感分析、商品图片特征等外部数据，以进一步提高销量预测的精度.具体而言，选择了XGBoost、KNN、RF和LR作为第一层基学习器，线性回归作为第二层元学习器.通过对历史销售数据进行验证，结果表明，相较于单一模型，Stacking方法在销量预测中表现出更高的准确性，尤其在引入外部特征后.Stacking方法在平均绝对误差（MAE）和均方根误差（RMSE）等指标上均优于单独使用RF、线性回归、XGBoost或KNN模型.研究表明，结合外部特征的Stacking集成学习方法能够有效发挥多种模型的优势，提供更准确的销量预测结果，从而为店铺制定库存和生产计划提供科学依据.

关键词： 水下视觉   多目标跟踪   YOLO   ByteTrack   重参数化   注意力机制  

摘要： 复杂的水下环境会严重影响成像设备的稳定性和获取图像的质量,从而给水下无人自主系统视觉多目标跟踪带来极大挑战。为了解决水下相机抖动和图像退化带来的问题,文中提出一种适用于水下无人自主系统的融合重参数化与注意力机制的水下视觉多目标跟踪算法。首先,针对水下目标多样及图像退化等问题,提出基于重参数化和注意力机制改进的YOLOv8算法(RA-YOLOv8),通过融合结构重参数化的多尺度特征提取卷积结构(DBB-RFAConv)和注意力机制,有效增强网络的多尺度特征提取能力和提高模型的检测精度;然后,针对水下相机抖动问题给目标实时跟踪带来的挑战,提出基于Inner-PIoUv2改进的ByteTrack算法(IP2-ByteTrack),使用Inner-PIoUv2作为跟踪算法匹配过程中的相似度度量,增强模型在水下检测和跟踪任务中的性能,提高跟踪轨迹匹配准确性;最后,基于RA-YOLOv8和IP2-ByteTrack算法,提出一种用于水下无人自主系统的融合重参数化与注意力机制的水下视觉多目标跟踪算法。实验结果表明,所提算法在复杂水下环境中表现出优异的性能,能够有效解决现有方法在水下多目标跟踪中的不足。

关键词： 深度学习   激光雷达   组合池化   空洞卷积   三维目标检测  

摘要： 为增强激光雷达（LiDAR）在三维目标检测中的点云特征提取能力，提高对目标物体的检测精度，在PointPillars基础上提出一种多阶段特征提取的目标检测方法。首先，将点云特征编码模块中的最大池化改进为组合池化，减少池化过程中空间信息丢失；然后，引入全局注意力机制，增强不同维度之间的信息交互和伪图像特征表达能力；最后，在柱状特征提取网络中融入空洞卷积模块，增大感受野并进一步增强特征提取能力。在KITTI数据集上的测试实验结果表明，相较于原始网络，所提方法的平均检测精度提升了2.91百分点，推理速度达到17.08 frame/s，能够满足自动驾驶汽车实时检测的要求。

关键词： 北极   北极气旋识别   ERA5   深度学习   YOLOv5s模型  

摘要： 北极气旋是影响北极环境的主要天气系统之一,对其准确识别对北极航海保障具有至关重要的意义。本文基于欧洲中期天气预报中心推出的第五代大气再分析产品（ERA5）平均海平面气压数据,构建北极气旋目标检测的数据集,训练北极气旋识别的深度学习目标检测You Only Look Once version5（YOLOv5s）模型,并与其他深度学习目标检测模型Single Shot Multibox Detector（SSD）、Faster R-CNN、YOLOv4进行性能的验证与比较。试验结果表明,YOLOv5s的检测精确率、平均准确率和刷新频率分别为95.26%、98.09%和64.85 s-1,刷新频率较其余4种模型中效果最好的SSD模型提高了15.65 s-1。YOLOv5s模型检测速度快、精度高且具有更好的识别能力,能够有效识别北极气旋目标,对北极气旋的识别具有较好的应用前景。因此,本文选取2021年冬季、夏季的北极气旋进行个例分析。结果显示,冬季3月8日12时产生的北极气旋生命周期为48 h,平均强度为54.62,夏季9月21日6时的气旋生命周期为84 h,平均强度为42.82,符合北极气旋生命周期夏长冬短,气旋强度冬强夏弱的特点。YOLOv5s模型为北极气旋的检测识别提供了新方法和新思路。

关键词： 施工道路提取   特征增强   语义分割   Transformer   图像处理  

摘要： 针对施工道路影像中因背景信息复杂导致道路提取错分、漏分及边缘粗糙的问题，提出了一种融合多元特征的E-TransUNet模型施工道路要素提取方法。E-TransUNet模型通过设计多元特征增强模块对图像特征信息进行增强；在模型下采样中融入空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)模块，增强网络对道路影像多尺度特征的提取能力；跳跃连接部分加入卷积注意力(convolutional block attention module, CBAM)模块，从不同维度上捕获道路特征之间的相关性；最后组合采用Dice loss和CE loss作为损失函数解决样本数量不均衡问题。结果表明，该方法对施工道路要素的提取在OA、MIoU和MPA指标分别达到了93.30%、80.37%和91.19%,相比其他网络U-Net、DeeplabV3+、Swin-Unet、HRNet和SegFormer提取效果更好，为施工道路提供了准确的要素提取方法。

关键词： 深度学习   目标检测   医学影像   注意力机制  

摘要： 肝癌是一种恶性肿瘤，对其进行早期筛查和准确检测是提高治疗效果、延长患者生存期的关键。针对使用单期相计算机断层扫描(computed tomography, CT)图像难以准确检测复杂多变的肝癌的问题，本文提出一种基于FCOS(fully convolutional one-stage object detection)的双期相CT肝癌检测方法。首先构建了双期相肝脏CT四元组网络，并利用其匹配双期相肝脏CT切片，确保不同期相之间肝脏位置的一致性，为后续肝癌检测奠定基础。其次改造了FCOS网络以接收双期相CT图像的输入，设计并插入AFF(attention-based feature fusion)模块进行带混合注意力的特征融合，以提高肝癌检测的准确性。实验结果表明，改进算法在本文数据集上的平均精度(average precision, AP)达到了78.56%,相比于单期相FCOS网络提高了4.9%,展现出更优越的性能。