关键词： 铁轨   缺陷检测   CenterNet   高效通道注意力   分组空间卷积  

摘要： 铁轨表面缺陷检测对于列车的安全运行是必要的。然而，铁轨表面不同缺陷之间的多尺度变化给高精度检测带来了巨大挑战。基于深度学习的缺陷检测方法是实现实时端到端目标检测的重要手段。在方法上，CenterNet主干网络嵌入高效通道注意力模块，将原始主干Bottleneck模块替换为ECABottleneck模块，以增强模型在样本不均衡情况下对关键特征的提取能力；解码阶段引入分组空间卷积模块(GSConv)进行轻量级特征融合，提升语义与空间信息的表达能力；同时采用SIoU损失函数优化训练过程。经铁轨表面缺陷数据集实验测试，并与Faster-RCNN、Yolov8＿x、RetinaNet、SSD及原始CenterNet等方法进行比较，所提模型实现了91.99%的mAP、83.29%的准确率、0.847的F1值、88.39%的召回率，检测速度达到56.20 FPS，满足实时检测的要求。

关键词： 高程异常拟合   蚁狮优化算法   边界收敛因子   动态更新系数   柯西变异  

摘要： 针对BP神经网络高程异常拟合精度低、稳定性差以及收敛效率低等问题，提出融合改进蚁狮优化算法优化BP神经网络高程异常拟合方法。在改进的蚁狮优化算法中，通过改进边界收敛因子，确保在全面搜索空间进行求解；引入动态更新系数策略与柯西变异策略，对蚂蚁位置更新方式进行优化。然后，利用改进的蚁狮优化算法对BP神经网络的初始参数设置策略进行优化，提高模型的精度与稳定性。试验结果表明，改进的蚁狮优化算法BP神经网络高程拟合模型可取得更高的精度与稳定性。

关键词： 图像分割   阈值选取   Otsu算法   改进  

摘要： Otsu作为一种自动选取阈值中较为经典的算法,对其进行改进已经成为了目前研究的一个重要方向.为了解决传统的Otsu算法因需通过求出各类之间的最大方差来确定最佳阈值,导致计算量大、耗时、易出现分割错误等缺点.将一维Otsu扩展到二维,同时考虑各类的内聚性,利用类内绝对差和类间离差之间的比值作为新的评判函数来选取阈值,进而提出2D-Otsu的改进算法.结果表明,与传统一维和二维Otsu算法相比,改进算法在获得更佳效果的同时降低了计算复杂度.

关键词： 图像处理   激光光斑检测   相似性度量   激光告警   激光大气传输模型  

摘要： 为了提高成像型激光告警系统在复杂背景和低信噪比条件下的光斑检测精度，采用了一种基于相似性度量的光斑检测方法。该方法以大气传输模型为基础，综合激光传输衰减、光学系统透射损耗和探测器成像响应特性，建立了光斑灰度与入射激光强度及传输距离之间的映射关系，并据此生成具有物理一致性的光斑模板图像。结合相似性度量的模板匹配与灰度质心定位方法，实现了光斑的精确检测与亚像素级中心提取。结果表明，该方法在复杂背景和不同信噪比条件下均能保持稳定检测性能，光斑中心的平均定位误差小于1 pixel，检测精度得到显著提升。该方法能够有效增强成像型激光告警系统的光斑定位能力。

关键词： 计算成像   视频去噪   弱光成像   图像处理   压缩感知   凸优化  

摘要： 在弱光环境下，图像传感器采集的图像常受到严重噪声干扰，导致信息难以被准确感知。揭示了自然场景在时空梯度变换域中固有的稀疏特性特征，由此建立了时空域全变分正则化反演视频去噪的反问题模型，从凸优化的对偶理论出发，推导了基于梯度投影方法的反问题迭代求解算法。在信噪比为0 dB至20 dB的高斯噪声数据集和平均光子数为1至20的泊松噪声数据集上，所提方法较传统非学习算法的峰值信噪比提升约1 dB，结构相似性提升约0.05；在低照度实验数据中，该方法在细节还原与时间一致性方面均表现出更优性能，同时较之数据驱动的方法具备更好的噪声泛化性能。时空域全变分正则化反演算法能够在极低信噪比条件下实现对动态场景的高质量重建，有望为弱光视频增强及相关计算成像任务提供一种通用的解决方案。

关键词： 挖掘机   肌电信号   离散小波变换   非负矩阵分解   肌肉协同  

摘要： 为探究由于挖掘机驾驶疲劳所致的上肢肌肉协同特征改变的问题， 提出一种结合离散小波变换与非负矩阵分解（NMF）的驾驶员上肢肌肉协同特征分析方法。 基于挖掘机模拟驾驶平台开展实验， 采集成年男性被试者10块上肢肌肉的表面肌电信号（sEMG）， 采用离散小波变换对信号进行多尺度分解， 通过软阈值处理去除噪音与基线漂移， 采用NMF提取肌肉协同元与权重， 结合协同激活程度与明显激活时间指标， 分析疲劳前后上肢肌肉协同结构与时序变化特征。结果表明， 方差贡献率（VAF）均大于0.95条件下确定协同元数量为2， 疲劳后挖掘阶段左右上肢协同元1由肱桡肌、指伸肌， 肱二头肌转变为肱桡肌、指伸肌， 协同元2由肱三头肌、斜方肌扩展为肱二头肌、肱三头肌， 斜方肌;回转与装车阶段左上肢呈现相同重组模式， 而右上肢协同组成保持稳定。挖掘阶段协同激活程度由84%和72%分别下降至81%和69%， 整体下降约3%;回转与装车阶段协同元1与协同元2激活程度分别由81%、76%下降至77%、74%， 整体协同下降约3%， 降幅小于挖掘阶段， 但明显激活时间变化率达17%。挖掘机操作疲劳会引起上肢肌肉协同元重组与时序改变， 其适应机制具有阶段依赖， 中枢神经系统通过改变协同激活时序与延长激活持续时间实现稳定控制。本研究可为挖掘机的人机协同控制及辅助驾驶提供分析方法和数据参考。

关键词： 小目标检测   无人机航拍图像   特征增强   密集   遮挡  

摘要： 针对无人机航拍图像密集场景下，小目标的漏检和误检问题，提出一种双维度动态加权的检测模型——YOLOv8s＿CS。该模型以YOLOv8s模型框架为基础，通过构建特征增强模块(C2f-based feature strengthening module，C2f＿S)优化特征提取过程，在空间和通道两个维度上有效增强网络对重叠目标的特征表达能力。通过设计ECA模块，在通道维度上通过自适应动态权重分配来降低特征融合过程中无效特征的权重，有效减弱背景噪声的干扰。通过构建专用的P2小目标检测头，利用浅层特征图增强小目标的细节和纹理信息，降低小目标的漏检率。在VisDrone数据集上的实验表明，文中方法的Precision、Recall、mAP@50和F1-score分别达到62.8%、45.1%、49.9%与52.4%，相比同类方法及基线模型YOLOv8s均取得提升。

关键词： 双模态   目标检测   特征融合   注意力机制   YOLOv8s  

摘要： 在目标检测领域中，可见光与红外图像双模态融合能够有效缓解单一模态在复杂场景中的固有缺陷，提升目标检测准确性。针对现有双模态算法存在的问题，提出一种基于YOLOv8s的可见光和红外双模态融合目标检测算法。首先，提出跨模态特征交互模块，通过全局注意力，引导模态间自适应信息交互，充分挖掘双模态互补优势；其次，设计双模态优势特征融合模块，利用可学习的权重动态校准双模态优势特征，实现两种模态特征深度融合；最后，设计空间金字塔双池化模块，通过级联池化，分层聚合特征，捕获更丰富的特征表达。算法在公共数据集（KAIST、FLIR、LLVIP）和自建数据集（GIR）上进行了验证，并与多个经典算法进行了比较。实验结果表明，提出的算法在KAIST数据集上比基线算法YOLOv8s仅输入可见光或红外图像时的检测精度分别提高21.5%和6%，在FLIR数据集上分别提高11%和5.1%，在LLVIP和自建数据集GIR上也展现出显著的优势。

关键词： 点群   Transformer   实例分割   三维场景  

摘要： 现有三维实例分割方法包括基于候选区域、基于分组和基于Transformer的方法。其中，基于Transformer的方法分割性能较高，但它仍然存在明显的缺点：(1) 查询初始化不确定，导致分割性能差；(2) 从点云中逐点提取全局特征，导致计算资源耗费过大。本文提出了一种基于关键点群的三维实例分割网络KPNet。核心思想是将点云中的关键点聚类为点群，为后续查询初始化指明了查询地址以解决查询初始化时的不确定。核心算法模块是基于Transformer的点群解码器，通过点群交叉注意力机制捕获实例信息，并生成实例的点群掩码。通过基于点群掩码的二分匹配，KPNet无需依赖堆叠层数即可完成网络训练，提高了推理速度。KPNet在ScanNetv2数据集上的平均精度均值超越了当前最先进方法 2.68%，同时保持了较快的推理速度(204 ms)。

关键词： 不平衡数据   K-NN   过采样   集成学习  

摘要： 不平衡数据分类是机器学习中的一项关键挑战.针对传统K近邻(K-nearest neighbors,KNN)及其变体在此任务中性能不佳的问题,本文提出了一种融合动态边界过采样、集成学习与改进K近邻的两阶段分类模型.该方法首先在数据层面采用动态边界过采样策略(dynamic boundary oversampling,DBO),自适应地生成少数类样本以构建多个平衡子集;其次,在算法层面为每个子集构建一个双重加权类可信度K近邻(double weighted class credibility K-nearest neighbor algorithm, DWCCKNN)基分类器,通过加权机制修正近邻计数并强化边界判别;然后,通过集成学习机制聚合预测结果以提升模型的准确性;最后,利用多个公开数据集将本文方法与经典过采样方法进行对比分析.结果表明:相对SMOTE-CCKNN、ADASYN-CCKNN及Borderline-SMOTE-CCKNN等方法,本文所提方法协同数据、算法与模型三层技术,有效提升了不平衡数据的分类性能.