摘要:随着电力系统智能化与无人值守变电站的快速发展，智能巡检机器人在设备运行状态感知与安全监测中发挥着日益重要的作用。针对巡检机器人在光照条件复杂、目标尺度变化的变电站环境下，仪表检测过程中存在漏检、误检等问题，提出一种变电站智能巡检机器人指针式仪表检测模型（SRPMNet）。通过构建平均池化下采样（ADown）模块来降低计算复杂度，提升对小目标仪表的检测精度；并设计轻量级注意力机制，以突出关键特征信息并抑制无关背景干扰。为进一步提升变电站复杂环境下对指针式仪表检测的精度与特征表达能力，构建了辅助检测头策略。同时，在边界框回归过程中提出自适应完备损失函数（Wise-CIoU），以提高模型在变电站复杂背景下的定位精度与收敛稳定性。搭建了变电站智能巡检机器人平台进行数据采集，实验结果表明，该模型在自建变电站指针式仪表数据集及公开工业仪表数据集上的mAP@0.5指标分别达到了91.7%和90.4%，相较于基线模型分别提升了3.0%和5.3%，有效解决了漏检与误检问题，为变电站智能巡检任务提供了有效的技术支持。

摘要:面向云原生场景下多指标、强波动的应用性能时序，提出一种基于改进型Informer的预测—监控一体化方法与系统。在编码端引入上下文感知可逆归一化（CA-RevIN）以抑制跨时段分布漂移，结合多频段卷积增强（MFBCEM）与长时依赖聚合（LTA）实现多尺度建模，采用生成式解码器输出多步预测。系统侧构建数据采集、特征治理、推理服务与可视化告警闭环，利用峰超阈（POT）与自适应残差阈值实现分级异常检测与提前预警。在公开数据集与真实业务数据上，所提方案较长短期记忆（LSTM）、门控循环单元（GRU）及原始Informer在多步误差与稳定性上均有提升，并显著降低误报与漏报。

摘要:随着智能驾驶技术的发展，驾驶员注意力监测已成为行车安全保障的重要研究方向。传统分心检测依赖离散行为分类，难以刻画注意力的连续变化过程，同时忽视驾驶员在生理结构及注视习惯方面的个体差异。为此，提出了一种基于视线估计的分心状态检测方法。该方法通过计算视线欧拉角相对于安全注视区域的偏离程度，实现分心状态的连续识别。构建了ResNeXt-Transformer混合网络，融合局部细节与全局依赖关系，并引入特征增强模块以强化任务相关表征，从而提升视线特征提取能力。同时，提出多层次个性化校准机制，在特征层与输出层分别进行偏置补偿，实现模型在少样本条件下的快速个体化适配。实验结果表明，本方法在MPIIGaze数据集上跨用户视线估计任务中的平均角度误差降至2.94°，显著优于现有方法。结合可视化与实际驾驶场景验证，证明该方法具有良好的可解释性与应用潜力。

摘要:针对隧道炮孔识别中因光照不足、粉尘浓度大导致的精度低、模型权重高等问题，提出了一种结合红外热成像与深度学习技术的轻量级炮孔检测模型。以YOLOv11n为基线模型，首先集成轻量级StarNet网络，增强多尺度特征提取能力并优化计算效率；其次引入Star Block模块，构建C3k2_BlockStar模块，提升不同尺度特征融合效果；最后设计轻量化检测头，进一步降低计算复杂度。实验表明，改进后模型参数量减少54%，模型大小缩减32%，能有效识别隧道红外炮孔，为隧道施工中机器人自动化装药提供了技术基础，具有较高的实用价值和应用前景。

摘要:皮肤镜图像分割因病变形态复杂、边界模糊及噪声干扰，面临诸多挑战。提出深度学习模型MelanoFusionNet，采用ResNet50与改进的Mamba VSS构成双分支编码器，结合多尺度注意力融合解码器（MSAFD），整合局部与全局信息。解码器中的扩展内核分组门（EKGG）、分层尺度感知注意力模块（HSAM）提升特征融合与边界精细度，深度可分离上采样块（DURB）提高重建效率。模型以Dice与边界损失加权训练。在ISIC2018数据集上的实验显示，其多项指标优于主流方法，能为皮肤癌计算机辅助诊断提供可靠支持。

摘要:基于空间静电磁场构建了电容层析成像（ECT）密集电极阵列传感器的三维有限元模型。分析了极板轴向高度、径向夹角和层间距对传感器电容动态范围和灵敏度均匀性性能的影响并确定优化区间，以图像相对误差、图像相关系数和空间图像误差为基础确立了传感器性能优化函数，并采用响应面法（RSM）对其结构参数进行了优化。结果表明，优化后的8×8密集电极阵列在管道油水两相流成像中显著提升了重建效果，图像相关系数提高9.4%，图像相对误差和空间图像误差分别降低了13.4%和15.2%。此外，还分析了结构参数之间的交互作用，以确保优化结果的稳健性。总体而言优化后的密集阵列具有更高的分辨率和精度，显示出该传感器在多相流检测中的应用潜力。

摘要:针对田间复杂作业环境下的自动除草控制系统参数整定困难、抗干扰能力差、轨迹跟踪精度低，导致大豆株间机械避苗除草困难、伤苗率高的问题，提出了一种基于多策略改进的鲸鱼优化算法(MSWOA）优化的大豆株间避苗除草控制系统，以控制步进电机角速度实现除草刀精准的避苗除草。首先，对株间避苗除草建立数学模型，并将模糊控制器与线性自抗扰控制器（LADRC）进行结合，提升系统的抗扰动性能。其次，通过MSWOA整定模糊线性自抗扰控制器（Fuzzy-LADRC）的关键参数，通过多个基准函数的对比测试，证明了MSWOA具有更好的寻优性能和稳定性。最后，在株间除草控制系统模型上进行仿真实验分析，以确定最优的控制策略。仿真实验结果表明，改进后的算法控制方法较于其他控制方法收敛速度更快、收敛精度更高，有效提升了系统的控制性能；经过MSWOA优化的Fuzzy-LADRC控制系统相较于传统PID和LADRC受干扰恢复时间分别减少了86.0%、10.9%；通过将MSWOA与其他算法的参数整定进行对比，也验证了改进后算法在该控制系统中优越性。该控制系统在抗干扰能力、响应速度上有着明显的优势，能够适应复杂的田间工作环境，满足精准避苗除草的控制要求。

摘要:在认知无线电中，针对传统能量检测算法存在噪声功率难以精确测量的问题，提出了基于子频段动态划分的频谱感知优化研究，设计了两种方法，分别是利用信号包络起伏度划分子频段，引入自适应门限系数的自适应频谱感知方法；以及添加滑动窗口划分子频段，引入单一最优门限检测的最优门限方法，实现了子频段的动态划分和频谱感知。仿真实验结果表明，最优门限方法相较于单一的最优门限检测，在-11.7~0 dB范围内检测性能最高提升了10%，在-20~0 dB范围内明显比自适应频谱感知方法的检测概率更高。最优门限方法表现出更好的频谱感知性能以及鲁棒性。

摘要:面向仓储无人叉车长期自主导航过程中易出现的累计漂移问题，基于LeGO-LOAM 框架构建了一套融合地面Aruco标记的定位系统。系统利用LiDAR提供连续里程计约束，Aruco标记在被识别时提供全局位姿锚点，二者通过因子图进行后端优化融合。针对工程部署场景，给出了标记布置策略、传感器外参标定流程以及图优化权重设定方法。实验在室内-走廊真实环境中进行验证，定位均方根误差（RMSE）由 0.635 1 m 降至 0.272 8 m（下降 57.0%）。在部分标记遮挡情况下仍保持稳定性能。结果表明，该方案具备实现成本低、易部署、可维护性强等工程优势，适用于仓储物流场景中的自主导航任务。

摘要:针对拼接镜面望远镜位移促动器编码器协议封闭，现有解码方案功耗大、体积大等问题，提出了一种基于SoC-FPGA技术的高精度位置反馈系统，实现EnDat2.2协议的开放式解码，以满足国产化替代对于小型化、低功耗与高集成度的需求。采用Zynq-7000平台构建PS-PL协同处理架构。PS端以双核Cortex-A9核心完成系统控制与通信调度；PL端以硬件逻辑实现曼彻斯特编解码与CRC-5校验。设计以ADM1485和ADuM1301为核心的驱动接口电路，增强抗干扰能力。并利用IDELAYE2模块进行动态时序补偿，解决物理链路差异导致的数据相位偏移问题。实验表明，系统位置反馈精度达到368 nm。大规模错误注入测试表明，CRC-5校验在0.2%错误率下的检测成功率达99.99%,PCB体积约减少31.6%，功耗水平下降超11倍。成功实现了EnDat2.2协议的高可靠性解码，为我国天文望远镜及高精度数控装备的位移控制小型化、低功耗与高集成度提供了关键技术支撑，具有重要的工程应用价值和自主推广意义，未来可进一步优化算法以提升极端环境下的稳定性。

摘要:针对炼铁过程中的原材料球团密集堆叠、边界模糊、光照不均匀的难题，提出了一种基于改进RT-DETR与MobileSAM的级联式粒径检测与分割框架。在检测器的骨干网络中嵌入坐标注意力机制（CA），在AIFI编码器中引入高效判别频域前馈网络（EDFFN），引入多尺度特征调制(MFM)融合模块替代传统融合方式，最后以检测框为提示引导MobileSAM生成初始掩码，并引入基于动态感受野与高效多尺度注意力机制（EMA）的细化器对掩码边缘进行多尺度自适应修复，并结合几何拟合实现精确的粒径测量。该方法在球团矿数据集中的召回率达到95.7%，mIoU为90.1%，有效提高了分割精度，减少了过度分割。该研究为工业炼铁过程的在线粒径监测提供了一种高精度、高鲁棒性的解决方案。

摘要:针对关节臂测量机的测量系统无法完成如轨迹规划、误差补偿等复杂功能的问题，研制了基于Unity平台的关节臂坐标测量机的测量系统。分析了关节臂测量机的功能需求并建立了相应的算法模型，在Unity平台上搭建了测量机测量系统，针对测量系统分别设计了虚拟样机显示功能、虚拟机与实际样机同步运动功能、多关节同步轨迹规划功能与误差补偿功能。利用测量系统完成了标准球直径的测量实验，结果表明补偿后的平均误差为0.015 5 mm。完成了关节臂测量机测量系统功能的集成，为实现测量机自动化测量奠定了基础。

摘要:针对野外复杂环境下边缘计算设备用于野生动物智能监测中存在的背景干扰大、目标遮挡严重、算力受限及运动轨迹非线性、续性差等关键问题，提出了一种基于YOLOv8与ByteTrack改进的轻量化多目标监测与跟踪方法。首先，在检测模块中引入通道-空间联合的全局注意力机制(GAM)来提高复杂背景下对目标特征的聚焦与抑噪能力，并设计轻量化主干网络(L-YOLOTrack)，使模型参数与计算量均降低，同时强化复杂场景下的特征聚焦能力，满足嵌入式实时部署需求；其次，在跟踪模块中构建结构感知校准损失函数(SCALoss)，通过几何结构约束提升遮挡条件下的定位精度，并针对非线性运动引入改进扩展卡尔曼滤波(EKF)，加入自适应噪声调整机制并且扩展状态向量，增强轨迹预测的鲁棒性与连续性。实验在野生动物数据集上验证了所提方法的有效性：相比基线模型，mAP@0.5-0.95由40.1%提升至45.7%，多目标跟踪准确率(MOTA)提升14.3%，同时参数量下降9.3%，结果表明该方法在检测精度和跟踪稳定性方面均实现了显著增益，为野生动物的行为识别与动态监测提供了高效、可靠的技术支撑。

摘要:在温室环境下的串番茄自动化采摘过程中，快速识别串番茄与定位采摘点至关重要。针对温室环境中串番茄自动化采摘中果串快速识别与采摘点精准定位需求，提出了一种基于改进YOLOv11-Pose的视觉检测定位方法。该方法首先构建了一个包含串番茄和采摘点同时标注的数据集；其次通过在YOLOv11-Pose原模型的不同位置中引入了GhostC3ECA与C3k2_CA两个模块，分别实现网络的轻量化与采摘点的精准定位，最终实现端到端的串番茄实时检测以及采摘点精准定位；在网络后端，利用面向姿态的非极大值抑制来优化密集果实的检测与关键点的定位效果。实验在玻璃温室采集的串番茄数据集上进行验证，串番茄的识别精度为96.2%，采摘点的定位精度为86.5%，同时模型的推理速度为67.2 fps，能很好的满足实时性处理要求。经现实的温室采摘场景验证，所提出的基于改进YOLOv11-Pose的串番茄识别与采摘点定位方法，为自动化采摘机器人提供了一种高效、可靠的视觉检测方案。

摘要:阻抗作为高速互联链路的核心电气参数，其测试精度是保障信号完整性的关键。然而测试夹具引发的牵引效应导致实测值严重偏离真实值，成为以太网高速连接器高精度测试领域的共性难题。现有研究多采用单因素分析方法，难以揭示公差与电磁耦合的协同作用机制。提出一种融合公差差异与耦合强度的双因子牵引模型，通过引入公差差异系数与耦合系数，构建了牵引因子的定量计算方法，实现了对牵引效应的精准量化。仿真与实测结果表明，该模型能有效表示公差与耦合的协同作用规律，在强耦合条件下，3%公差夹具的阻抗测试偏差率经模型精准量化后可控制在16.8%以内，且模型预测值与实测值的误差均在3%以内。该研究为高精度阻抗测试提供了理论模型与实验依据，对提升高速装备性能评估可靠性具有重要价值。

摘要:为解决小样本条件下变压器故障诊断准确率低的问题，提出了一种基于改进原型网络的变压器故障诊断方法。首先，采用基于残差结构的多层感知机对变压器油色谱数据进行特征提取，借助深层网络结构获取更有判别力的特征表示；然后，提出了一种任务与样本双层注意力驱动的原型构建机制，通过任务条件注意力机制动态调整支持集的表示，并结合样本注意力机制对支持样本进行加权以突出判别特征，从而生成更有区分性的类原型，解决了原型网络在跨任务适应性和类内判别性方面的不足；最后，通过计算样本与各类别原型之间的欧氏距离实现变压器故障诊断。实验结果表明，在IEEE Dataport数据集上本文方法相比原型网络、匹配网络和关系网络的诊断准确率分别提高了15.14%、21.49%和18.68%，在IEC TC 10 Dataport上分别提高了6.43%、6.90%和8.65%。为小样本条件下变压器故障诊断方法提供新的思路与参考。

摘要:针对智能家庭服务机器人在生活物品识别任务中，目标存在的多尺度、多类别及密集分布等复杂检测挑战，提出一种改进的YOLOv10-DLC目标检测算法，设计特征融合多样分支模块（C2f-DBB），提高算法网络对不同尺度目标的检测能力；嵌入快速空间金字塔池化与大核分离卷积注意力相结合的模块（SPPF-LSKA），提升算法网络对特征空间结构的理解能力，突出目标关键特征；引入内容感知特征重组（CARAFE）算子提升网络在图像上采样过程中的细节重建精度。实验分析表明，改进后的YOLOv10-DLC算法有效提高了生活物品目标检测的准确性和效率，其平均精度均值（mAP）值达到94.3%，较原算法网络模型提升3.6%。

摘要:针对输水管道内壁背景纹理复杂、微小裂纹与不规则脏污难以区分等问题，提出了一种基于改进 YOLOv11n 的高精度检测算法。首先，利用双向特征金字塔网络(BiFPN)重构颈部网络，通过快速归一化融合机制实现多尺度特征的动态聚合，提升对微小及变尺度目标的表征能力；其次，在特征融合末端嵌入 GCNet 模块，建立像素级长距离依赖以增强全局背景理解，有效抑制水垢等噪声干扰；最后，构造 Focaler-MPDIoU 损失函数，结合几何优化与动态聚焦机制，提升定位精度并均衡难易样本训练。实验表明，改进算法在自建数据集上的平均精度均值(mAP)mAP50达到91.40%，较基线提升约9.5%，在满足实时性的同时显著增强了鲁棒性，具有较高的工程应用价值。

摘要:针对印刷电路板（PCB）表面缺陷检测网络存在对小缺陷敏感性低、检测效率低下等难题。提出了一种基于YOLOv11改进的PCB缺陷检测算法CID-YOLO。首先，结合IDWC（inception depthwise convolution）改进C3k2模块，通过多分支特征提取机制，减少因网络深度增加而造成PCB表面缺陷高位特征信息的丢失，并减少模型参数量；其次，引入动态激活机制Dynamic Tanh改进C2PSA模块，增强模型非线性表达能力，使模型能更好地适应不同尺度的缺陷特征；接着嵌入CGBD下采样模块通过高效的上下文信息提取机制，提高PCB表面特殊缺陷的识别能力；最后，替换原分类损失函数，通过动态加权策略抑制数据不均衡导致的梯度偏移，有效提升模型泛化性能。实验结果表明，提出的CID-YOLO模型在北京大学公共PCB缺陷数据集上的平均精度均值(mAP)mAP50和mAP50.95指标分别达到96.0%和52.7%，较基线模型分别提升2.4%和1.6%，证明了所提算法的有效性。

摘要:针对背景干扰导致水下目标关键特征提取不充分，关注区域无法遍及整个目标的问题，提出了一种混合注意力与动态特征引导网络的水下目标检测算法。所提方法首先设计一种全维度动态提取模块（FDEM），充分理解目标整体性特征。其次，设计加权特征拼接模块(WFCM)，以保留从浅层到深层的关键特征。将CARAFE算子用于特征上采样操作，从而使局部区域的关键特征得到更多关注。最后，构建混合注意力机制(HAM)，有效结合目标的通道信息和像素点信息，保留关键特征。经实验验证，该方法能够充分提取关键特征，更有效地关注目标的整体性特征，从而减少水下背景干扰，进一步提升水下目标检测性能。

摘要:针对无人机视角下目标尺度小、遮挡严重导致的特征提取困难及检测精度偏低问题，提出了一种改进RT-DETR的无人机小目标检测算法SwiftHawk-DETR。首先，重构特征金字塔网络(FPN)的融合路径，新增微小目标检测层P2以强化细粒度特征捕捉，移除冗余大目标检测层P5以精简计算；其次，设计可变形快速多尺度注意网络Dfaster_net，通过动态采样机制强化小目标边界细节捕捉，同时采用高效特征提取策略降低计算开销；然后，在颈部网络中引入小波特征升级(WFU)缓解原模型上采样与Concat操作导致的边缘高频特征失真，结合SlimNeck架构优化跨尺度特征融合；最后，构建Focaler EIoU与NWD加权融合的损失函数，通过平衡定位误差与特征分布差异提升小目标建模能力。实验结果表明，算法在VisDrone2019和HIT-UAV数据集上，mAP50和mAP50:95较基准RT-DETR分别提升3.8%和4.2%，参数量降低61%。

摘要:水稻是我国主要的粮食作物之一，水稻的虫害胁迫制约着水稻产业的健康持续发展。因此，快速、准确地识别出水稻虫害类型具有十分重要的意义。针对水稻虫害检测精度低、易发生漏检和误检等问题,提出了改进YOLO第8版(YOLOv8n)水稻虫害识别检测方法。首先,融合了双向特征金字塔（BiFPN）结构，用于有效特征层的整合。并在主干网络与颈部网络之间引入基于挤压激励(SE)的注意力机制模块，提高网络的特征融合能力；引入Wise-IoUv2损失函数代替IoU损失函数，从而降低原有IoU损失函数存在的回归精度问题；进一步提升网络的检测性能。在水稻虫害数据集上进行大量实验,结果表明，所提出的改进模型在平均精度均值（mAP）、精确率（Precision）和召回率（Recall）方面均优于当前主流算法。具体而言，该方法在mAP上达到了89.2%，Precision为92.5%，Recall为83.3%。相比之下，YOLOv5的mAP为84.1%、YOLOv8为85.2%、YOLOv9为86.4%、YOLOv10为85.1%，Faster R-CNN仅为59.75%。在Precision方面，该模型也优于YOLOv5（88.4%）、YOLOv8（89.6%）等，且Recall高于所有其他模型，显示出更强的目标检测能力和稳定性，mAP较原始YOLOv8n提升了4％。改进YOLOv8n算法能够满足水稻叶片虫害识别对及检测精度的需求,同时提高了对小目标和密集目标的检测能力, 从而减少了漏检和误检的情况。改进YOLOv8n算法与目前主流算法相比在精度上具有一定优势，水稻害虫检测提供了一种更优的方法，对于防治水稻害虫有重要意义。

摘要:针对无人机航拍图像中存在的复杂光照干扰，小目标分辨率低、容易漏检误检以及目标结构模糊等问题，提出了一种基于改进RT-DETR的无人机航拍图像目标检测方法IF-DETR。首先，在骨干网络中设计了跨阶段光照门控单元，通过在特征层面建模光照与反射分量，增强了模型在复杂光照环境下对目标的提取能力。其次，在颈部网络构建了小目标多尺度特征融合结构，有效提升了对小目标的特征提取与辨识能力。此外，提出了一种高斯特征增强模块，利用高斯先验与空间注意力机制增强与目标相关的结构信息，同时抑制背景噪声。最后，构建Focaler-Powerful-IoU损失函数，实现了更稳定、更精准的目标定位。实验结果表明，与RT-DETR模型相比，改进后的IF-DETR算法在Visdrone2019数据集上，平均精度均值(mAP)mAP50、mAP50:95、召回率和准确率分别提升了3.0%、2.3%、3.9%、2.0%，能够有效改善无人机航拍图像检测的漏检、误检问题并且提高了检测性能，具有广泛的应用前景。

摘要:针对工业表面缺陷检测中存在的缺陷形态多变、对比度低及小目标易漏检等挑战，提出了一种基于边缘引导与局部-全局Mamba(GLMamba)网络的语义分割模型，构建了一个由边缘引导的编码解码分割网络，实现了“边缘增强-全局局部编码-双路径解码”的协同。具体地，首先构建了(GLMamba)编码器，通过在浅层与深层分别部署局部与全局Mamba块，协同建模图像的局部细节与全局上下文。另外，设计了边缘特征提取模块（EGFM），通过融合Sobel梯度与多尺度特征，显式生成边缘特征图，并利用边缘注意力模块（EAM）对其进行增强。为进一步将边缘信息注入主干网络，引入了多尺度边界门控机制（MSBG），动态调制编码器与解码器特征。解码器则采用双路径注意力模块，并行融合空间细节与通道上下文，进一步优化了多尺度特征的融合效率与语义一致性。在NEU-Seg、MT-Defect、FSSD-12这3个数据集上的实验结果证明了该模型的有效性和泛化能力。

摘要:布匹织物缺陷的自动检测是保障纺织品质量的关键环节，针对布匹织物缺陷检测中因特征提取困难导致的漏检以及缺陷间差异不明显造成的误检问题，提出了一种改进的YOLOv11n检测算法。在主干网络C3k2中引入DRB，增强多尺度特征表达能力；构建C2TDME模块替代原C2PSA中PSABlock部分，提升模型小目标检测与全局上下文建模能力；在颈部网络中，设计GC-MANet模块替代C3k2，强化缺陷形态与纹理特征的捕捉，缓解背景与缺陷特征混淆问题；通过RepStem结构改进下采样过程，扩大了感受野并增加特征提取路径。实验结果表明,改进后算法的精度达到93.2%、召回率达90%、mAP50达94.1%，相较于原YOLOv11n模型分别提升1.30%、7.53%、4.21%，有效提高了织物缺陷检测的准确性，满足工业生产的实际需求。

摘要: