关键词： 船舶检测   YOLOv8算法   恶劣天气   聚核初始网络   上下文锚点注意力模块   特征识别  

摘要： 针对现有内河航道中由于雨、雪、雾等恶劣天气导致的船只检测困难问题，提出一种基于YOLOv8的航道船舶目标检测方法，即YOLOv8-Ship。该算法设计一种特征聚焦扩散金字塔网络，融合YOLOv9中的ADown模块，使每个尺度的特征保留更多的上下文信息；同时引入聚核初始网络（PKINet）以及上下文锚点注意力模块（CAA）改进C2f，来增强中心区域的特征；最后采用深度可分离卷积取代骨干网络中的普通卷积，减少模型参数量和计算量。实验结果表明，在雨、雪、雾的天气条件下，与传统的YOLOv8n相比，改进算法的精确率提高了0.5%，召回率提升了3.4%,F1分数提升了2%,mAP@0.5提升了1.2%，平均精度均值达到97.5%，有效提高了内河航道恶劣天气下过往船只的识别精度，具备较强的鲁棒性。

关键词： 光学传感   空间频率响应   实时调焦   图像处理  

摘要： 通过分析光学传感器原理，设计了一种基于光学传感的实时调焦算法，并对其进行了优化。实验结果表明，该算法能准确获取图像的空间频率响应（spatial frequency response,SFR）值，并通过实时调整焦距来优化图像清晰度。优化后的算法在提升调焦精度和响应时间方面表现优异，可有效减少焦距调整时间，提高系统的自动对焦性能，为智能设备图像处理提供了新的解决方案。

关键词： 门控卷积   图像处理   UV纹理图像修复   三维人脸重建   频谱归一化  

摘要： 针对从单幅图像重建三维人脸结构时由于无约束人脸图像的大视角而导致的自遮挡引起的三维人脸结构纹理缺失的问题，提出一种基于门控卷积的三维人脸UV纹理修复算法。首先设计门控卷积来学习每个通道和每个空间位置的动态特征选择机制，提高网络的非线性表达能力；然后将门控卷积堆叠在一起，组成一个编码器-解码器结构的网络来对无规则缺陷的三维人脸UV纹理图进行修复；同时引入频谱归一化的损失函数来稳定生成对抗网络，并且采用分段式训练的方式来避免三维人脸纹理数据集昂贵且难收集的问题。实验结果表明：相较于主流算法，所提算法在峰值信噪比和结构相似指数指标上均有所提升，且能够修复大视角遮挡情况下的UV纹理图，生成的人脸纹理图更完整，像素恢复自然连贯，纹理细节更真实。

关键词： 太阳能板   智能跟踪   光伏发电   计算机视觉  

摘要： 随着可再生能源需求量的增加，提高光伏发电效率变得越来越重要。相较于传统的固定式光伏支架，太阳能板跟踪支架具有辐照效率高、发电时间长等优点，得到了迅速推广和应用。然而，由于高散射天气和地势起伏等因素，传统光伏跟踪策略存在阴影遮挡和运动失配等局限性。为了弥补这些不足，提出了一种基于计算机视觉的太阳能板智能跟踪方法。实践应用表明，该方法可以高精度地追踪太阳位置的变化，有助于提高光伏发电的效率。

关键词： 图像处理   文本识别   文本检测   OCR   DBNet   SVTR  

摘要： 微电子组装技术的发展推动组装电路的类型和产量不断增长，因此作业智能化水平亟需提升，且需对每只电路的生产状态进行实时追踪记录。基于DBNet和SVTR网络模型的电路管壳批号识别系统采用端到端的光学字符识别（OCR）模型，结合分布式技术进行相关硬件部署，可实现作业任务单智能生成、作业自动记录、作业过程智能化闭环管理等功能，提升了微电子电路生产过程的智能化水平。

关键词： 图像处理   海洋光学图像   局部补偿模型   非下采样轮廓波变换   Retinex   图像增强  

摘要： 机载海洋耀斑光学图像亮度差异大，图像增强结果易出现对比度低、细节纹理丢失的问题，为解决该问题，提出基于局部补偿和非下采样轮廓波变换（NSCT）的海洋耀斑光学图像增强算法。首先采用均值滤波和最大类间方差方法将图像分割为高亮耀斑区和低照度海区：对高亮耀斑区采用对比度受限的自适应直方图均衡（CLAHE）算法均衡图像亮度；对低照度海区采用NSCT算法分解获得低频子带和高频子带。接着对低频子带采用多尺度Retinex算法校正照度不均匀性，对高频子带采用拉普拉斯增强算子提高纹理细节。对处理后的子带进行NSCT重构，采用CLAHE方法进一步提高低照度海区的对比度。最后利用改进的局部补偿模型调整低照度海区的亮度和对比度，获得最终增强图像。实验结果表明，与现有方法相比，所提方法的图像信息熵、平均梯度和对比度平均提升了1.35%、40.62%和77.15%，能有效提高图像亮度、对比度和海浪纹理细节。

关键词： 智能驾驶   深度学习   多模态融合   3D目标检测  

摘要： 基于视觉信息和LiDAR的3D目标检测是智能驾驶感知中的关键技术之一，在理解复杂驾驶场景方面发挥着至关重要的作用。由于单一传感器固有的缺点和多模态数据的复杂性，实现高质量的3D目标检测并不是一项简单的任务，需要考虑数据的异构性和优化等许多因素。当前的研究工作主要集中在利用单模态数据的互补性进行数据融合处理。为了促进3D目标检测的进一步研究，本文首先梳理基于视觉信息和LiDAR的3D目标检测方法，并且从时序融合和阶段融合2个方面梳理基于LiDAR-Camera融合的3D目标检测方法。然后介绍目前常用的数据集及评价指标，并在数据集上对比各类网络的性能，分析各类网络的优势及局限性。最后指出基于视觉信息和LiDAR的3D目标检测方法面临的挑战和解决方案。

关键词： 高速公路   无人机(UAV)   YOLOv8   目标检测   多目标   小目标  

摘要： 正常运行的高速公路上，存在干扰驾驶员判断、造成交通隐患的危险目标，使用无人机进行检测时可能面临遮挡、重叠、分散、异构等难点。为解决这些问题，提出一种基于YOLOv8n的高精度检测算法——CT-YOLO。在YOLOv8骨干网络C2f模块中重构空洞卷积（dilated convolution），在卷积前后分别融合1×1卷积，解决应用场景目标分散的问题；改进经典特征金字塔网络，额外增加两个检测层，提高了对遮挡、小目标的检测精度；将改进的三重注意力机制融合到Head部分的C2f模块中，增强模型对异构目标信息的捕捉能力。通过视频采集、分帧、人工标注和数据增强，构建了一个包含11种异常目标的图像数据集，包括裂缝、修补、果皮、树叶、塑料、坑槽、箭头、车道线、纸箱、泛油和易拉罐。实验结果表明，CT-YOLO算法在异常目标图像数据集上mAP@0.5提升了13.2个百分点，mAP@0.5:0.95提升了11个百分点，检测精度明显提高，具有较好的实际应用效果。

关键词： 煤矿人员安全   安全帽   轻量级   目标检测  

摘要： 为有效解决煤矿人员安全帽佩戴状态检测中参数量过大、检测速度与精度难以兼顾的问题，基于单阶段目标检测算法(YOLOv8n),提出一种名为EMBC-YOLO轻量级煤矿安全帽检测模型。结果表明：该模型在安全帽检测任务中表现出色，相较于以YOLOv8n为基线的模型，检测精度均值提升至87.21%,提高4.20%;同时，模型参数量大幅减少至2.19 M,降低27.48%;模型大小缩减至4.55 MB,降低25.04%;检测速度高达74帧/s,完全满足实时检测要求。此外，将EMBC-YOLO模型与多种主流单阶段检测模型进行对比，该模型在检测精度、速度和模型轻量化方面，均达到先进检测器的水平，满足在监控视频终端的应用部署需求。

关键词： 车载行人检测   自动驾驶   计算机视觉   市场规模   技术趋势  

摘要： 车载行人检测技术是自动驾驶和高级驾驶人辅助系统(ADAS)中的一项关键技术,它利用计算机视觉和图像处理技术来识别并定位车辆行驶路径中的行人。该技术提高了道路通行的安全性、增强了辅助驾驶功能、促进了新能源汽车的普及、推动了智能网联技术的发展。本文通过对国内外车载行人检测技术发展现状的全面分析,总结了该技术的市场规模、技术趋势、主要参与者及竞争情况,并探讨了其未来发展趋势和潜在挑战。