关键词： 大豆   DUS测试   性状   品种(系)鉴定   遥感   图像处理  

摘要： 特异性、一致性和稳定性(DUS)是大豆新品种审定和品种权授权的必备条件，也是大豆种质评价和品种鉴定的重要依据。为验证引入多源表型数据进行大豆品种(系)精准鉴定和系谱分析的可能性，本研究利用田间调查、低空遥感和计算机视觉技术获取大豆的22个DUS性状、16个冠层性状和23个豆荚图像性状，并通过随机森林分类(RFC)模型和支持向量分类(SVC)模型进行大豆品种(系)鉴定，采用K均值(K-means)聚类算法探究品种(系)间的系谱关系。研究发现，低空遥感与计算机视觉技术获取的各性状间具有较高的相关性，DUS性状对于大豆品种(系)的准确识别至关重要，但也存在一些性状对品种(系)鉴定的贡献较弱。冠层光谱性状和豆荚图像的部分形态、颜色和纹理性状可以作为大豆品种(系)鉴定的优异候选性状。引入多源表型性状后模型实例化鉴定结果得到一定程度的改善，2个模型分类精度最终均能保持在0.9以上。聚类分析结果显示，聚类数在4个及以下时轮廓系数较好。本研究结果表明，利用多源表型信息创新品种测试技术具有巨大潜力，可为今后大豆DUS测试、品种(系)鉴定及系谱研究提供新的方法。

关键词： 图像去雾   目标检测   RTDETR   跨尺度特征重建   轻量化网络  

摘要： 针对雾天图像整体亮度和对比度较低且受噪声干扰严重，导致目标检测算法检测效果不佳的问题，提出一种雾天目标检测方法（EC-RTDETR）。设计了在线去雾网络DDNet，利用跳跃连接和轮廓特征计算，去除噪声干扰的同时增强图像的纹理特征；引入轻量化FasterNet作为特征提取网络，充分提取目标空间特征，提高了模型的计算效率；使用加性注意力代替原网络的AIFI，实现更丰富的浅层和深层特征交互；提出了上下文引导的跨尺度特征重建融合模块，设计多尺度网络来提取上下文特征，并对提取后的特征进行融合重构，突出了雾天目标特征，提高了算法在雾天场景中的检测效果。在RTTS数据集上的实验表明：较于基准RTDETR,mAP提高了2.35个百分点，mmAP提高了3.66个百分点，召回率提升了4.71个百分点，参数量减少了9.82×10～6，证明了EC-RTDETR在实现轻量化的同时，有效提升了雾天场景下的目标检测性能。

摘要： 随着计算机技术和数学理论的快速发展，特别是离散数学领域的深入发展，数字图像处理技术已经在众多领域中得到广泛应用。多元信息融合作为一种新兴的技术手段，通过整合来自不同渠道、不同类型的图像信息，为数字图像处理带来了新的突破，不仅能够提供更加全面、精确的图像描述，为图像识别、分析与理解奠定基础，还能显著提升图像处理的精度与鲁棒性。因此，本文对多元信息融合进行简要概述，从图像预处理、特征提取、图像分割、模块设计等角度入手，探究多元信息融合背景下的数字图像处理技术的应用。一、多元信息融合概述多元信息融合是将多个不同来源、类型与特征的信息进行整合、分析与运用的技术，关键理念在于通过汇聚并融合多元化信息源，构建出具有全面性、可靠性、精确性的信息综合体系。

关键词： 机器人抓取   卷积神经网络   目标检测   虚拟仿真  

摘要： 对机器人抓取检测方法进行研究，为了提高机器人抓取技术对小目标物件的检测精准度和检测速度，提出了一种基于改进YOLOv7-tiny网络的机器人抓取检测方法。首先，选择卷积神经网络二阶段目标检测算法之一的YOLOv7-tiny目标检测算法作为机器人抓取检测方法的基础目标检测网络，然后针对其主干网络、颈部网络以及损失函数进行改进，旨在提高网络对小目标物件进行检测的精准度和速度，最后，在虚拟仿真环境中对改进后检测算法进行实验测试。测试结果表明：改进前的检测方法训练集上，经过200次迭代后才开始收敛，趋于平稳，损失值维持在0.39左右，经过改进后的机器人抓取检测方法在经过80次迭代后便开始收敛，且损失值维持在0.1左右；在6次测试过程中，改进前的机器人抓取检测算法准确率最高为80.11%,最低为69.05%,检测性能较好，但稳定性不够。经过改进后的机器人抓取检测算法准确率最高为93.65%,最低为93.15%,相差极小，检测性能好、稳定性好，与改进前相比，检测准确率最大提高了24.60%;在虚拟仿真抓取测试中没有出现失误。

关键词： Cascade R-CNN   目标检测   目标遮挡   特征金字塔   损失函数  

摘要： 阐述针对家畜扎堆遮挡检测精度低的问题，提出改进Cascade R-CNN算法。引入注意力递归特征金字塔网络（ARFPN），增强特征融合和位置感知能力。提出加权SC Loss损失函数，融合Smooth L1Loss与CIoU Loss，提高检测精度。实验表明，改进模型在猪只数据集上平均检测精度达96.27%，较原算法提升2.77%。

关键词： 目标检测   YOLOv8n   ShuffleNetv2   异物识别   轻量化  

摘要： 目前矿井下输送带图像存在昏暗环境清晰度差、图像噪点等问题，现有检测算法模型复杂度高、漏检和错检、精度不足等问题。基于上述问题，提出一种改进YOLOv8模型。首先，使用轻量级ShuffleNetv2作为头部网络减少模型参数量，并构建多尺度组合注意力机制（Multi-Scale Composite Attention Module，MSCAM）来增强特征提取能力，以降低漏检率和错检率；其次，针对现有模型对长条状异物准确率低的问题，在C2f模块中使用动态可变形卷积（DDConv）的思想，使模型更容易提取长条状异物结构特征；最后，使用具有角度损失的SIoU新型损失函数，提升模型训练能力和推理性能。在MTBID数据集进行验证，实验结果表明：改进模型的mAP@0.5可达0.893，mAP@0.5:0.95可达0.663，参数量相较于YOLOv8n减少了27.6%。

关键词： 服装样板   图像处理   轮廓提取   轮廓编辑   机器视觉  

摘要： 针对服装制版过程中人工制版效率低、精度差、成本高等问题，提出了基于图像处理的服装样板轮廓快速生成方法。首先，构建了透视变换矩阵进行空间坐标变换，实现图像的倾斜校正。其次，基于图像处理技术对图像进行降噪预处理，减少纹理和服装所形成的噪声。然后，采用轮廓检测算法对图像进行轮廓提取，并通过多边形拟合法实现轮廓的拟合，完成服装样板轮廓的粗提取。最后，采用人机鼠标交互方式实现轮廓节点的编辑，并将轮廓数据转化为AutoCAD软件通用的数据格式。实验算例表明，该方法在进行服装样板轮廓提取时，表现出良好的稳定性、准确性，可有效应用于服装样板轮廓提取场合。

关键词： 目标检测   残差连接   多尺度特征融合   卷积神经网络   注意力机制  

摘要： 现有的YOLO系列目标检测算法虽然在速度和实时性方面表现出色，但在处理多尺度目标和保持边界细节方面仍有不足。为解决上述问题，提出了一种基于YOLOv8改进的目标检测算法Res-YOLO。Res-YOLO包含三个核心模块：特征增强模块Res-SPPF、双向特征融合模块RSBA和动态特征选择模块C2f＿ODC。其中，Res-SPPF利用等级制残差连接和多头注意力机制来增强模型的多尺度特征表达能力；RSBA采取自适应深浅层特征融合机制来保留边界细节和语义信息；C2f＿ODC通过渐进式学习以逐步过滤非必要特征，从而降低模型复杂度。此外，引入线性可变卷积LDConv来处理具有复杂边界和不规则形状的目标。在MS COCO2017数据集上的实验结果表明，相比于原始算法，Res-YOLO在mAP指标上提升2.9个百分点，而GFLOPs为原始算法的94%。与其他先进检测算法的对比实验结果也证实了Res-YOLO的有效性和竞争力。

关键词： 无迹卡尔曼滤波   目标跟踪   门控循环单元   自注意力机制   普适   交互多模型  

摘要： 针对传统算法对高机动目标精准建模难、普适性差的问题，提出了一种基于门控循环单元(Gated Recurrent Unit， GRU)预测的改进无迹卡尔曼滤波(Unscented Kalman Filter， UKF)普适目标跟踪算法。将自注意力机制(Self Attention Mechanism)引入到传统GRU模型中，使得模型能够更好地从历史观测数据中挖掘出目标的运动学方程，解决人工难以对机动目标运动精准建模问题；将学到的模型应用到UKF算法中，实现对目标的跟踪；仿真实验表明，相比于传统GRU模型以及UKF、交互多模型(Interacting Multiple Model， IMM)等经典算法，本文所提算法具有更好的跟踪精度以及适应性。

关键词： 驾驶分心   目标检测   全局注意力   SIoU损失函数  

摘要： 驾驶分心行为检测是提高安全驾驶的方法之一，针对小目标和被遮挡目标的检测不充分问题，提出一种基于改进YOLOv7算法的驾驶员分心行为检测模型。首先，引入全局注意力模块，加强目标特征的位置信息提取和网络识别精度；其次，替换IoU损失函数为SIoU损失函数，提高回归精度。实验结果表明：改进YOLOv7驾驶分心行为检测研究提高了对于小目标和被遮挡目标的检测能力，且mAP达到了99.1%，检测速度提升到了12.4 ms，实现了驾驶员驾驶分心行为的实时检测。