关键词： 人工智能算法   计算机图像处理   清晰度  

摘要： 为提高计算机处理技术水平，本文研究了人工智能算法在计算机图像处理中的应用。首先介绍计算机处理的概念以及基本技术，包括图像识别、分割、增强与复原等。其次介绍了遗传算法、粒子群优化算法、蚂蚁算法，明确人工智能算法在处理图像中应用的基本原理，并在第三部分探讨多元化人工智能算法在计算机图像识别、分割等处理流程中的应用要点，最后通过实例分析，验证了人工智能算法在图像处理中的应用价值，以期为未来计算机图像处理任务提供一种可参考的算法。

关键词： 轻型无人机   目标跟踪   Sine模型   MUCMKF算法   参数自适应  

摘要： 如何在战场中准确跟踪敌方来袭无人机是对其进行准确打击的关键。轻型无人机水平匀速飞行时，由于本身体积小、质量轻，以及飞控系统不稳定导致飞行轨迹出现漂浮抖动而难以跟踪的问题，本文提出一种基于改进正弦（Sine）模型的修正无偏量测转换卡尔曼滤波（MUCMKF）跟踪算法。该算法针对传统Sine模型需要提前设置加速度方差和机动频率可能造成跟踪系统发散的问题，提出利用目标当前位置一步预测值和当前位置估计值进行加速度方差自适应估计，并将机动频率与加速度方差进行关联计算，实现加速度方差和机动频率同时自适应调整。在此基础上，利用修正无偏量测转换卡尔曼滤波算法，对轻型无人机真实飞行轨迹进行滤波跟踪。仿真结果表明，与匀速模型（CV）、匀加速模型（CA）、当前统计模型CS和常规的Sine模型相比，基于改进Sine模型的跟踪算法能够更好地适应轻型无人机的飞行特性，精度分别提升44%、59%、42%、37%，具有较好的工程应用前景。

关键词： YOLO   水泥包装袋   目标检测   姿态估计  

摘要： 借鉴现有机器视觉理论实践和人体姿态估计算法，研究利用YOLO11作为基础模型，制作水泥包装袋姿态数据集，并改进YOLO主干和注意力机制，训练出一种针对水泥包装袋的姿态估计算法模型YOLO-BagPose。通过实验数据验证，该姿态估计模型表现稳定，估计准确率>98%，算法耗时<0.23s。

关键词： 目标检测   硬件加速   ZYNQ   YOLO Fastest-V2  

摘要： 针对已有目标检测算法的硬件加速方案仍存在移植性差、功耗高、资源开销大等缺点，在对主流目标检测网络的模型参数、检测速度和性能之间进行权衡后，围绕更轻更快的YOLO Fastest-V2算法，设计实现了高性能低开销的目标检测加速器。首先，依次对YOLO Fastest-V2进行剪枝、训练和量化。接着，优化数据的访存方式，以及与其对应的卷积流水线设计。此外，提出了一种卷积并行度的动态设计策略，实现资源利用效率的最大化。最后，将所设计的网络在ZYNQ-MPSOC平台上进行性能测试。结果表明，在100 MHz的时钟频率下，加速器检测速度达到147 FPS,DSP使用283个，BRAM36kb使用125个，功耗为0.995 W,能效比达到147.74 FPS/W,高于现有目标检测加速器。

关键词： 目标检测   特征信息   分类回归   果实识别   目标遮挡   每秒传输帧数   平均检测精度均值  

摘要： 针对当前果实识别中检测速度慢和遮挡目标识别准确率低的问题，提出一种YOLO-Z果实识别算法。使用YOLOv7-Tiny作为基础模型，采用轻量级的T-Net作为新的特征提取网络，减少网络层数，解决参数量过大及模型计算速度过慢的问题；使用AFPN特征融合结构缩减非相邻层之间较大的语义差距，增强特征信息的提取，提升模型的精度；引入损失函数Repulsion Loss,用于计算遮挡损失，解决目标遮挡问题，提高果实识别检测效果。实验结果表明，改进后的模型参数量达4.3 M,FPS为每秒200帧，mAP达到93.40%,较YOLOv7-Tiny提升0.9个百分点，参数量下降1.7 M,验证了该模型的有效性。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 目标检测   角点检测   深度学习   边坡监测   铁路防灾  

摘要： 通过对现有边坡监测技术进行对比分析，提出了基于目标检测算法的铁路边坡智能监测系统的整体设计思路。系统利用特征目标检测、角点检测与匹配等深度学习算法，实现对铁路边坡位移的监测，并能及时、准确地发出灾害预警和报警信息，并启动紧急处置预案，避免因边坡崩塌落石对铁路线路和行车安全造成影响。

关键词： 合成孔径雷达   舰船目标检测   压缩   过滤器剪枝   层剪枝   蒸馏  

摘要： 边缘设备的资源有限，而深度神经网络模型规模庞大且参数量众多。针对基于深度神经网络的合成孔径雷达(Synthetic Aperture Radar, SAR)图像舰船目标检测模型在边缘设备上部署难度大的问题，提出一种基于剪枝的压缩方案，对YOLOv3-SPP模型进行轻量化。使用该方法在AIR-SARShip-1.0数据集上进行实验。实验结果表明，采用的压缩方案能将原始模型压缩到10%以下，而速度提升了1.5倍，精度值只是略微降低了0.02。这大大降低了模型在边缘端的部署难度，突破了硬件资源的限制。

关键词： 目标检测   YOLOv5   水果种类   成熟度   机器学习  

摘要： 在水果的采摘加工等环节中，水果种类的快速识别与成熟度的准确分级是提高生产效率的关键。设计了一种基于YOLOv5的算法模型，以实现对苹果、葡萄、草莓、柿子类圆形水果的自动识别与分级。首先，构建一个目标检测模型，通过采集大量的类圆形水果图像数据对模型进行训练；其次，通过尺寸调整和色彩调整等数据增强技术，增加类圆形水果数据的多样性，提高模型的泛化能力；最后，根据水果的大小、颜色等特征实现对类圆形水果的自动分类及其成熟度有效的判断。经验证，算法能够从图片、视频中成功地识别到苹果、葡萄、草莓、柿子这四种水果的类别以及三个等级的成熟度，所得结果可以帮助用户更加方便地进行后续的处理与销售。

关键词： 寒地水稻病斑识别   卷积神经网络   目标检测   图像分类  

摘要： 传统卷积神经网络对于水稻病害识别存在局限性，特别是在寒地水稻病斑位置识别方面。为此，提出了一种改进型轻量级深度学习网络模型，建立了一个包含5种常见寒地水稻叶部病害图像的数据集，并构建了病害分类和病斑目标检测网络模型；将图像分类网络嵌入YOLOv3目标检测网络中，并对模型的特征提取部分进行了优化，采用转置卷积和空洞卷积进行上采样和下采样；最后，对比了改进后的YOLOv3模型与传统的卷积神经网络模型。试验结果表明，病害分类模型在各项指标上均表现出色，平均召回率、平均精度、平均F1-Score和总体准确率分别为93.64%、93.74%、93.77%和93.64%。改进后的YOLOv3模型在病斑检测方面也表现出色，平均检测精度(mAP)达到89.79%,检测率(DR)达到94.94%,检测速度达到64.9 f/s,综合性能明显优于传统的YOLOv3算法，为水稻病害的准确快速识别提供了新途径，对水稻病害的监测和防治具有重要意义。