关键词： 单目三维目标检测   深度感知   Swin Transformer   注意力机制   上下文特征   深度估计  

摘要： 针对单目三维目标检测算法中复杂的网络结构所带来的计算负担、检测结果不准确的问题，提出一种采用深度感知Swin Transformer的单目三维目标检测方法。首先，在主干网络中引入卷积模块注意力机制，自适应地学习全局信息和局部信息，从而获取更丰富的特征信息；其次，为改善利用深度估计器引入深度信息所导致检测精度不准确的问题，利用精确的深度图作为辅助监督进行多尺度特征提取并融合来增强深度感知特征；最后，采用深度感知Swin Transformer集成上下文特征和深度感知特征，利用图像的局部性和平移性提高检测准确性，并减少计算开销。在KITTI数据集上实验表明，该方法在不同难度下对汽车类别的检测效果获得提升，从而验证了其在三维目标检测任务中的有效性。

关键词： 三七   复杂收获作业工况   目标检测   通道剪枝   边缘计算   YOLO v8s  

摘要： 为实现三七联合收获作业过程中的自适应分级输送和收获状态实时监测，本文针对三七根土复合体特征和复杂田间收获工况，提出一种基于YOLO v8s并适用于Jetson Nnao端部署的三七目标检测方法。在YOLO v8s对三七准确识别的基础上，针对其新的模型结构特性，利用通道剪枝算法，制定相应剪枝策略，保证模型精度的同时提升实时检测性能。采用TensorRT推理加速框架将改进模型部署至Jetson Nano，实现了三七目标检测模型的灵活部署。试验结果表明，改进后的PN-YOLO v8s-Pruned模型在主机端的平均精度均值为93.71%，参数量、计算量、模型内存占用量分别为原始模型的39.75%、57.69%、40.25%，检测速度提升44.26%，与其他目标检测模型相比，本文改进模型在计算复杂度、检测精度和实时性方面具有更好的综合检测性能。在Jetson Nnao端部署后，改进模型检测速度达18.9 f/s，较加速前提升了2.7倍，较原始模型提升了5.8 f/s。台架试验结果表明，4种输送分离收获作业工况下三七目标检测的平均精度均值达87%以上，不同输送分离收获作业工况和不同流量等级下的目标三七计数平均正确率分别达92.61%、91.76%。田间试验结果表明，三七目标检测平均精度均值达84%以上，计数平均正确率达88.11%，图像推理速度最低达31.0帧/s。模型检测性能和计数效果能够满足复杂田间收获工况下目标三七的检测需求，可为基于边缘计算设备的三七联合收获作业自适应分级输送系统和收获作业质量监测系统提供技术支撑。

关键词： 开放世界目标检测   无监督领域自适应   域对抗训练   平滑度增强  

摘要： 开放世界目标检测（Open World Object Detection, OWOD）旨在检测环境中的未见目标，是智慧教育领域中诸多问题的上游任务。现有的方法通过选择前K个置信度最高的前景进行预测，直接将在已知类别上训练的检测器泛化到检测其他的未知前景目标上。然而这种方法使检测器偏向检测已知类别，从而难以识别全部未知目标。对此，提出了一种基于平滑性无监督领域自适应的开放世界目标检测方法。首先，利用二阶段目标检测Faster RCNN为每一张图像生成候选区域，将目标得分高与目标得分极低的候选区域作为源域，将剩余候选区域作为目标域。然后，采用平滑性无监督领域自适应方法，学习前后景分类器，该方法通过引入平滑域对抗训练过程，能有效地提高域对抗方法在分类任务中的性能，实现对已知和未知类别的前景目标无偏向预测。本文在MS-COCO数据集以及自行构建的化学实验器材检测数据集上评估模型的性能。实验表明，相比于直接选择置信度最高的预测，本文提出的方法能更好地平衡已知和未知目标的检测，提高检测器的整体性能。

关键词： Yolov5s   密集行人检测   渐进多尺度特征融合   目标检测   注意力机制  

摘要： 在密集行人检测任务中目标的检测精度低，漏检和误检等一直是充满挑战的问题，导致此问题是原因是大多数的场景中存在大量多尺度的目标，多尺度的目标使得算法面临着尺度变化，从而使得算法的精度不高。针对此问题，提出了一种基于改进Yolov5s的多尺度行人检测网络（MPDNet）。该网络改进包括三个方面：首先对于主干网络，在C3模块中添加了空间位置注意力模块，并引入改进的ViTv3Block模块，可以有效强化特征信息的提取；特征融合部分，在渐近特征金字塔网络（AFPN）的基础上进行了改进，改进后的AFPN可以在更少参数量和计算量的情况下进行跨层特征融合；最后在特征融合网络末端添加了空间加强多尺度注意力模块（SEMA），增强模型对目标的定位能力。通过分析实验结果，MPDNet在WiderPerson和CrowdHuman两个密集行人检测数据集上相较于Yolov5s，AP50分别提升了4.2%和3.2%，AP50:95分别提升了5.0%和3.9%。MPDNet能够很好地完成复杂场景中密集行人检测任务。

关键词： 频率响应分析   电力变压器   绕组变形   数字图像处理   故障诊断  

摘要： 频率响应分析法（Frequency Response Analysis，FRA）是一种有效检测变压器内部绕组变形故障的方法。然而，在传统的FRA方法中，通常仅使用幅值响应来解释FRA特征，而相位响应的重要性尚未得到充分重视。针对以上问题，本文提出了一种基于频响重构和数字图像处理的变压器绕组变形故障诊断方法。该方法首先将频率、幅值和相位元素融合在一个三维坐标图中，并应用图像处理技术进行纹理分析特征提取。随后，利用图像平方和比误差（ISSRE）的三角坐标统计图实现了故障类型分类，并总结了绕组故障类型判别的参数化阈值指标。然后，基于极坐标频率响应特性，提出了能够识别绕组故障程度的定量化指标图像平方和最大-最小比误差（ISSMMRE）。最后在一台定制电力变压器上进行了各种故障的实验验证，证明了该方法的有效性和可行性，为FRA方法的改进和自动化提供了新的思路和方法。

关键词： 人工智能   深度学习   Transformer   大型语言模型   智慧医疗   数据分析   图像处理   计算机视觉  

摘要： 深度学习是人工智能领域的热门研究方向之一，它通过构建多层人工神经网络模仿人脑对数据的处理机制。大型语言模型(large language model，LLM)基于深度学习的架构，在无需编程指令的情况下，能通过分析大量数据以获得理解和生成人类语言的能力，被广泛应用于自然语言处理、计算机视觉、智慧医疗、智慧交通等诸多领域。文章总结了LLM在医疗领域的应用，涵盖了LLM针对医疗任务的基本训练流程、特殊策略以及在具体医疗场景中的应用。同时，进一步讨论了LLM在应用中面临的挑战，包括决策过程缺乏透明度、输出准确性、以及隐私、伦理问题等，随后列举了相应的改进策略。最后，文章展望了LLM在医疗领域的未来发展趋势，及其对人类健康事业发展的潜在影响。

关键词： 目标检测   多尺度卷积   特征融合   模型剪枝   知识蒸馏  

摘要： 针对复杂田间棉花的多尺度变化导致现存目标检测算法误报率及漏报率较高、现存检测算法计算量较大难以部署到边缘设备当中的问题，通过优化特征提取、特征融合，结合模型剪枝、知识蒸馏技术，提出一种轻量级田间棉花品级检测算法YOLOv8-Cotton。首先，在特征提取网络中设计多尺度卷积MSConv，其包含不同尺度的卷积核，能够增强网络的特征提取能力；其次，在颈部网络中构建高效的局部特征选择机制ELS，在空间维度上捕获水平和垂直方向的特征，抑制不相关区域影响预测结果，并利用ELS机制构建新型的分级特征融合网络HL-PAN，利用其上采样特征融合(U-SFF)及下采样特征融合(D-SFF)所产生的互补信息指导特征融合，增强模型对棉花多尺度变化的检测能力；接着，通过LAMP模型剪枝算法压缩模型，达到轻量化效果；最后，利用CWD损失函数进行特征蒸馏，以增强轻量化模型的检测性能。实验结果表明，YOLOv8-Cotton在自建数据集上的mAP50以及mAP50-95值分别达到75.4%以及53.1%，比基线算法提高5.1%以及2.1%的同时，模型大小下降4.83M，计算量减少5.8G，并在公开数据集上验证了模型的泛化性。

关键词： 足迹标定   特征提取   图像处理   足底压力   足底静态特征  

摘要： 为解决足底压力采集仪设计和罕见疾病足底压力分析中的足迹标定和特征提取问题，以薄膜式足底压力采集板的原始数据为研究对象，提出了一种准确率高、标定效果好的足迹标定与特征提取算法。首先，对图像进行中值滤波和阈值二值化，去除噪声干扰；其次，通过轮廓提取算法获取足迹外轮廓，并用水平矩形框初次标定；其中，针对足迹脚掌断开的情况，引入足迹融合算法，确保了足迹标定的完整性；同时，针对特殊站姿下的水平矩形框标定缺陷问题，提出了足迹区域矫正算法，保证了足迹特征值的准确性；最后，根据矫正后的足迹及其分区坐标，即可计算足底压力特征值。通过足迹标定可靠性验证实验表明，站立姿势下IoU (Intersection over Union)平均值可达90%以上，行走姿势下IoU平均值可达85%以上；二者的足迹标定准确率均为100%；形心相对距离均不超过0.100，且站立姿势下更低。由此证明，足迹标定算法具有较高的可靠性。

关键词： 目标检测   红外小目标   模型轻量化   YOLOv7   注意力机制   轻量级Neck网络   NWD  

摘要： 针对红外图像背景复杂、信噪比低、检测目标尺寸小和亮度弱等检测难点。提出一种基于YOLOv7的轻量级红外小目标检测算法ISTD-YOLO(Infrared Small Target Detection-You Only Look Once)。首先，ISTD-YOLO算法对YOLOv7网络结构进行轻量化重构，分别将特征提取网络和特征融合网络重新调整，设计出一种三尺度轻量级网络架构，提高对小目标的检测性能；然后，采用Vo V-GSCSP来取代模型颈部网络的ELAN-W模块，以降低计算成本和网络结构的复杂性，提高推理速度；其次，在颈部网络中引入一种无参注意力机制，增强局部上下文信息的关联性，更准确地提取目标的定位；最后，选用归一化高斯Wasserstein距离（NWD）优化常用的Io U指标，来计算预测框与真实框之间的重叠关系，增强对小目标的定位和检测精度。实验结果表明，ISTD-YOLO算法可以有效改善检测效果，对比YOLOv7原模型，在HIT-UAV与IDSAT数据集上的检测精度分别提高8.52%与4.77%；模型体积仅有21.8 MB，参数量减少69.8%，计算量下降17.6%；相较于当下主流算法，ISTD-YOLO在各方面指标均得到有效的改善，能够实现对红外小目标的高质量检测。

关键词： 双端行波   故障定位   小波变换   Pix2PixHD   目标检测   YOLO   StarNet   CAA  

摘要： 针对传统故障行波法应用在输电线路中受采样设备采样频率较低定位精度不高的问题，提出一种结合对抗生成网络与神经网络的双端行波故障定位算法。该方法利用小波变换提取故障行波低采样率下的初始波头时域特征，以图片的形式输入Pix2PixHD，输出得到高采样率下的初始行波时域特征，进而提升故障定位精度。最后，针对行波检测提出一种Star-CAA-YOLOv8模型，对生成图片进行质量评估，并以实例分割功能实现自动化读取行波到达时间，解决图像带来的读数不便问题。1 MHz采样率下的故障行波图像经过Pix2PixHD输出得到2 MHz采样率下的故障行波图像，故障定位的绝对误差最高缩小83.33%，相对误差最高缩小84.44%。此外，该方法还具有缩小更低误差的可能性。多次仿真对比实验表明该方法能够精准得到高采样率下的故障数据，具有较好的通用性和实用性。