关键词： 水下目标检测   特征融合   注意力机制   YOLOv7   计算机视觉  

摘要： 为了改善由于水下图像模糊和水下环境复杂而导致现有的水下目标检测模型效果不佳，模型检测精度低等问题，提出一种改进YOLOv7的目标检测模型YOLOv7-RMC，提高水下目标检测的性能。为了能够在模糊的图像中提取到更关键的信息设计了一种多信息残差融合注意力机制（residual fusion global attention mechanism,RGAM），解决随着网络层次的加深上下文特征信息丢失的问题，加强模型的特征信息提取能力。为解决远景近景目标信息丢失和小目标缺陷信息丢失问题，对原颈部网络结构进行优化重构，引入多尺度浅层特征融合网络（multi-scale shallow feature fusion network,MSFN）结构，通过多次深层特征融合与浅层特征之间的信息交互，提高目标检测精度。在优化后的颈部网络MSFN中引入轻量级上采样算子模块（content aware reassembly of feature,CARAFE），通过特征重组和特征扩张改善网络的特征融合能力保留更多的目标信息。实验结果表明，该算法在URPC数据集和Brackish数据集上的平均精度（mAP@0.5）达到87.4%和97.9%，相较于原始的YOLOv7网络模型mAP@0.5提高了2.3和0.9个百分点，提高了模型的检测能力，具有很强的实用性。

关键词： 计算机视觉算法   停车管理   停车识别   系统研究  

摘要： 随着城市化进程的加快，停车难问题日益凸显，传统的停车管理方式已无法满足现代城市的发展需求。基于计算机视觉算法的智慧停车管理系统应运而生，旨在通过先进的技术手段提升停车效率，优化资源配置。该系统不仅能够实时监控车位状态，还能够自动识别车辆信息实现智能化管理。其中，车牌识别技术作为系统的核心，其准确性和实时性直接影响到整个系统的性能；车位状态检测技术则通过图像处理和分析，确保车位信息的实时更新；系统集成与测试环节则是确保各模块协同工作的关键。智慧停车管理系统的研究与实现，不仅能够缓解城市停车压力，还能为城市交通管理提供新的思路和解决方案。

关键词： 幻影卷积   P2检测层   三重注意力   YOLOv8   小目标检测  

摘要： 准确的缺陷检测对保证产品质量和设备可靠性起着至关重要的作用。小目标检测由于特征表征弱和背景干扰大而面临着独特的挑战。为了解决这些问题，将3个关键创新纳入YOLOv8框架：使用GhostNet卷积进行轻量级和高效的特征提取，增加P2检测层以增强小目标检测能力，以及集成三重注意力机制以捕获全面的空间和通道依赖关系。这些改进共同优化了小物体的检测性能，同时降低了计算复杂度。实验结果表明，增强模型的平均精度（mAP@0.5）为97.46%,平均精度（mAP@0.5∶0.95）为61.84%,与基线YOLOv8模型相比，性能分别提高了1.9%和3.2%。此外，该模型实现了158帧·s-1的帧率，在保持实时检测能力的同时减少了50%的参数计数，进一步强调了其在复杂场景下小目标检测的效率和适用性。

关键词： 润滑油净化   STM32   HHT   图像处理   上位机  

摘要： 为解决润滑油净化设备无法有效监测净化后油液中含有的杂质数量问题，设计了一个基于STM32的数据采集与云端数据管理的设备状态监测系统。该系统采用STM32F407ZGT6为核心，AD7606采集润滑油净化设备运行过程的振动状态数据，使用python语言开发的上位机软件接收由微控制器通过WiFi模块发送的传感器数据，将数据上传阿里云进行管理。使用上位机数据下载软件下载云端数据，分别使用FFT、希尔伯特-黄变换(HHT)、图像处理3种方法进行处理，分析润滑油净化设备中的杂质数量变化趋势。结果表明：3种方法处理后预测的杂质趋势一致，上位机软件将FFT和HHT的处理结果进行可视化展示，实现了对润滑油净化设备状态的全面监测。

关键词： Object detection  

摘要： Camouflaged object detection (COD) aims to identify target objects in complex scenes with extremely high similarity to their surroundings, and has significant applications in military, medical, and other fields. This paper proposes a hierarchical feature-enhanced aggregation network (HFANet) for COD, aiming to address the situations that the target object is highly similar to the background. First, we adopt the pyramid vision Transformer model as the backbone for feature extraction. On top of it, the object-region amplification module and deep interaction guidance module are stacked to enhance the perception of camouflaged objects in complex scenes. Second, an enhanced receptive field module is designed to improve edge perception of camouflaged objects. At last, a multi-scale interactive fusion module is designed by cross-scale connection through adjacent layers, effectively improving the accuracy of COD. The proposed method is evaluated on three challenging datasets: CAMO, CHAMELEON, and COD10K. Evaluation results demonstrate superior performance compared to the state-of-the-art methods. © Shanghai Jiao Tong University 2024.

关键词： 侧扫声呐   水下目标检测   YOLOv8  

摘要： 近年来，侧扫声呐图像的目标检测在水下目标搜索、海洋测绘及海洋地质勘探等领域发挥着重要作用，提高声呐图像的目标检测精度对于水下探测至关重要。针对侧扫声呐图像目标检测精度较低的问题，从数据预处理、网络结构优化、损失函数调整和模型轻量化4个方面对YOLOv8算法进行改进。实验结果表明，所提方法能够高精度检测目标图像，目标检测精度达到92.8%,可在实际水文环境中高效、全面地完成水下特定目标的检测任务。

摘要： 信息技术的快速发展与普及，促使人工智能（AI）技术在计算机视觉和网络系统领域的应用日益受到关注。全社会数字化转型开始正式迈入算力时代，无论是计算、存储，还是网络型基础设施的核心组成部分，都融入了更多的AI元素。其中，计算机视觉作为AI技术中的重要分支，不仅强化了计算机系统在理解和处理图像、视频等视觉信息的能力，亦从多维度实现了对图像视觉数据的自动分析与智能识别。

关键词： 图像处理   桥梁裂缝   无损检测   识别精度  

摘要： 文章详细介绍了桥梁裂缝产生的原因及分类，分析了不同的桥梁裂缝检测方法，结合实际案例，验证了基于图像处理的桥梁底面裂缝检测识别方法的可行性。将图像处理所得数据与传统人工检测结果进行对比，两种方法测得的桥梁裂缝长度平均相对误差为6.71%，图像处理检测方法的识别精度达到93.29%；宽度平均相对误差为8.31%，图像处理检测方法的识别精度达到91.69%。这些试验数据表明，图像处理检测方法在桥梁裂缝识别中具有精准性和可靠性，为桥梁维护管理提供了高效、经济的检测方法。

关键词： 目标检测   YOLOv7   多维注意力   ODConv  

摘要： 为了提升目标检测的准确性和效率，基于YOLOv7提出了一种多维注意力机制融合的目标检测网络(MAF-Net)。在网络主干部分，采用ODConv替代传统卷积堆叠，融入多维注意力机制并行策略，提升了特征提取能力。在头部网络部分，插入SimAM注意力机制，通过计算特征图的3-D关注权重来优化检测精度。同时，结合Inner-IoU与CIoU,提高了模型精度并优化了训练效率。经MS COCO 2017数据集实验验证，MAF-Net的mAP相较于原模型提升1.3%。综上所述，提出的MAF-Net模型在目标检测领域展现出了优异的性能，具有良好的识别精度、精细的特征提取以及高效的训练效率。

关键词： 继电保护装置   多模态目标检测   大模型  

摘要： 继电保护装置的日常维护是电网的安全稳定运行的重要保障。为了提高继电保护装置的日常维护效率，基于网络视频的专家远程协助成为了实用性解决方案之一。在远程协作过程中，增强现实技术成为了提升协作效率的重要手段之一，而对特定视频画面中的继电保护装置目标自动检测是基于增强现实的沉浸式继电保护作业的关键技术。对此，提出基于大模型增强的多模态目标检测技术(LLM enhanced Multi-Modal Object Detection, LLMe-MMOD)。首先，LLMe-MMOD利用大模型的图片解析能力生成输入图片对应的文本描述，形成初始文本特征；然后，提出目标类型注意力机制将初始文本特征转换成目标类型感知的文本特征；最后，目标类型感知文本特征与经典的卷积图像特征经过整合形成多模态特征去完成后续目标区域生成任务。LLMe-MMOD在MS COCO*(MS COCO的子集)和本研究构建的继电保护装置目标检测数据集上进行实验，验证了本文提出的多模态目标检测技术的有效性。