摘要:针对传统单无人机搭载核辐射探测器的检测系统检测精度不高、数据波动大以及鲁棒性不强等问题，文章构建了一种基于多无人机协同的核辐射检测系统。首先，设计了一种多无人机编队控制算法，实现了对多无人机协同控制；其次，改进了一种多传感器扩展卡尔曼数据融合机制，将多个传感器采集到的辐射数据融合成一个更加精确的辐射数据，提高了系统的检测精度；最后，将系统成功部署到了实物平台上，进行了系统的可行性验证。实验结果表明，该系统较单传感器系统可以将检测误差降低50%左右，同时提升了系统的鲁棒性，且改进的扩展卡尔曼数据融合算法较普通的扩展卡尔曼数据融合算法将融合误差降低了21%左右。

摘要:针对锁相环、电网阻抗与电流控制环之间的动态相互作用导致系统稳定性降低的问题，本文首先利用赫尔维兹判据进行分析，该分析方法能够揭示电网阻抗波动对锁相环同步过程稳定裕度的内在影响机制，并且分析结果表明电网阻抗是基于锁相环的同步系统中一个重要的不稳定因素。然后，提出了电网阻抗自适应协同锁相环控制结构。基于所提改进锁相环控制结构，对电流控制环串联补偿相位校正环节，重塑并网逆变器输出阻抗，从而显著增强并网系统在弱电网下的鲁棒性。最后仿真与实验结果证实了理论分析的准确性，表明了改进策略具有可行性。

摘要:烧结矿的性能指标可以充分反映烧结矿的质量情况，而烧结矿的质量情况又能提高高炉生产效率，降低能耗和燃料比，促进绿色冶炼与环保，在进行烧结矿质量预测的过程中传统深度神经网络会面临可解释性差，而具有较强解释性的模糊神经网络又容易面临规则膨胀、参数调优困难等的问题。本文构建了基于模糊神经网络和深度神经网络相结合的预测模型，首先通过改进CBAM通道注意力模块，对输入特征进行通道和空间两种注意力进行计算，进行有效特征的融合；提高了模型对复杂非线性关系的有效建模以及对特征重要性的动态分配能力，并通过改进灰狼优化算法对模型进行优化，提高了模型的预测准确度。最后在烧结矿转鼓指数、烧结矿碱度、RDI+3.15预测上进行实验研究，取得了较高的准确度，验证了所提出模型及算法的可行性。通过对GW-FNN、GW-DFNN、Attention-DFNN和GW-Attention-DFNN 4种模型进行了比较，结果表明GW-Attention-DFNN模型所预测的转鼓指数R2为0.968 2、烧结矿碱度（R）的R2为0.975 0、RDI+3.15的R2为0.964 2，结果表明该模型在预测烧结矿质量性能方面表现较好。

摘要:模仿学习为机械臂在非结构化场景中完成复杂任务提供了强大支持。然而，许多先进的方法仍受输入数据冗余的影响，导致训练效率低下，同时在复杂任务中面临轨迹预测精度受限的问题。为此，提出一种基于关键点提取的示教轨迹优化方法（KPT-O）。通过关键点筛选减少机械臂学习的范围，同时优化关键点分布以提升轨迹预测精度。为了验证其性能，将KPT-O在先进框架下进行训练，并在HelloWorld和RoboTasks数据集上与当前先进方法进行比较。实验结果表明，KPT-O在显著缩短训练时间的同时，也获得了更高的轨迹预测精度。此外，在真实机器人平台上评估了该方法的性能，证明其在涉及位置和方向变化的现实世界机械臂任务中的有效性。

摘要:为应对煤矿巡检机器人在复杂、动态的井下巷道环境中进行路径规划时面临的安全性不足和跟踪精度差的挑战，本文提出了一种融合改进A*全局规划与模糊PID运动控制的路径规划方法。通过在传统A*算法的代价函数中引入障碍物代价项和动态加权策略，提高了全局路径规划的效率和安全性。采用B样条曲线对初始路径进行平滑处理，使路径更符合机器人运动学约束，增强可执行性与轨迹平滑性。设计了基于机器人运动模型的模糊PID控制器，替代传统PID，通过模糊控制自适应整定PID参数，实现了对平滑后全局路径的高精度、高稳定性跟踪控制，有效耦合了线速度与角速度控制。MATLAB和ROS Gazebo仿真实验结果表明，改进A*算法减少了搜索节点约65%，B样条处理显著提升路径平滑度，模糊模型PID控制器相比传统PID在路径跟踪精度和稳定性方面表现更优。最大横向误差范围在±0.05米内，最大航向误差控制在±0.2弧度范围内。该方法显著提升了煤矿巡检机器人路径规划与跟踪性能。

摘要:针对海上平台管道油液滴漏检测中存在的尘雾干扰、目标尺度多变以及复杂背景等挑战，提出了一种基于改进YOLOv8模型的海上平台管道油液滴漏检测方法。首先，采用C2f_MP模块替换主干网络中的C2f模块，增强了细节特征提取能力。其次，通过在模型颈部引入高效多尺度注意力机制（EMA），提高了模型对复杂场景中多尺度目标的特征关注度，提升模型对于小目标的识别能力。最后，将原有检测头优化为4个轻量化小目标检测头，显著改善了小目标检测效果并采用WIoU损失函数增强训练效果，提升模型识别准确率。实验结果表明：改进YOLOv8模型在保持118 fps实时检测速度的同时，精确率较基线模型YOLOv8s提升2.3%，mAP@0.5提升2.4%。实际应用测试显示，改进模型在某海上平台管道油液滴漏检测中的平均准确率达到96.25%，满足工程应用需求，为复杂工业环境背景下的海上平台管道安全监测提供了有效的技术解决方案。

摘要:针对煤矿钢丝绳表面缺陷检测中存在的小目标尺度差异大、复杂背景干扰强等问题，提出一种基于改进YOLOv11的深度学习检测算法。首先，设计感受野注意力特征提取模块C3k2_RFAConv，通过动态调整卷积核权重增强复杂纹理下的特征提取能力；其次，在特征融合层引入可变形大核注意力机制D-LKA，结合大感受野与可变形卷积的优势，精准聚焦缺陷区域；此外，采用DySample上采样优化以抑制背景噪声干扰，减少小目标特征丢失；最后，提出Inner-WIoU损失函数优化边界框回归，提升不规则缺陷的定位精度。实验结果表明，改进算法在准确率、召回率和平均精度上分别达到83.2%、78.1%和82.1%，较基准模型YOLOv11提升3.1%、4.6%和2.6%，且优于Faster-RCNN、YOLOv8等对比模型，此外，通过可视化分析证明改进后的算法漏检率降低，可为矿用钢丝绳安全隐患的实时监测提供有效的技术方案。

摘要:针对无人机巡检集中式光伏板中检测出缺陷并确定其相对距离的问题，提出基于深度学习YOLOv11n的光伏板缺陷检测与定位系统。利用YOLOv11n结合切片辅助超推理对高分辨率光伏板图像进行缺陷检测。通过检测结果在集中式光伏板阵列中设立参考点与目标点，将检测结果信息与无人机设备信息、数据集可交换图像文件格式信息进行融合，计算参考点与目标点的经纬度，从而计算二者间的相对距离，实现光伏板缺陷定位。实验结果表明，YOLOv11n训练结果的mAP50与mAP50:95分别为67.1%与49.5%；结合切片辅助超推理进行目标检测的准确率为88.73%；在可见光与热成像相机下缺陷定位算法误差在0~4 m之间的准确率分别为96.73%与97.64%，基本满足运维需求。最后结合JavaScript等前端开发语言构建可交互式管理系统页面，利用数据库存储检测信息，系统通过对光伏板的故障检测、定位及信息储存实现了光伏板缺陷检测与定位的智能化，为集中式光伏板的检修提供了技术保障。

摘要:针对带钢缺陷检测过程中小目标难以识别以及目标检测算法参数量过大影响模型部署的问题，本文提出了一种基于YOLOv11框架的轻量化带钢缺陷检测算法。算法通过集成双向特征金字塔网络(BiFPN)和全局注意力机制(GAM)，优化模型对小目标的识别能力。同时，采用轻量化模型SlimNeck加入颈部网络，在保持精度的同时降低模型参数和复杂度。最后，在NEU-DET数据集上对模型进行实验验证，结果表明，改进后的BSG-LiteYOLO检测模型性能显著优于基线算法YOLOv11n，BSG-LiteYOLO在参数量上降低25.6%，模型权重大小降低22.6%，运算量降低7.94%，并且mAP@0.5提高4.19%。实验验证BSG-LiteYOLO在解决带钢表面缺陷检测问题上的可行性，并将BSG-LiteYOLO部署于Jetson Orin Nx 边缘计算设备，FPS达到34.3，符合实际生产要求。

摘要:为提升艾灸机器人机械臂轨迹规划的效率和性能，对关节空间轨迹规划方法进行研究。提出了一种改进的粒子群算法，通过引入动态调整的惯性权重与学习因子，并结合3-5-3多项式插值法进行轨迹规划。利用MATLAB中的六轴机器人建立机械臂模型进行仿真实验，在仿真实验中，将该算法与标准粒子群算法进行比较，结果表明：改进算法规划出的各关节角位移、角速度及角加速度曲线连续平滑，无突变，起止速度为零，且全程速度与加速度均严格满足约束条件，未超过最大工作限值。同时，轨迹规划时间由7 s减少至3.139 s，时间效率提升55.16%，验证了所提算法在机械臂轨迹规划中的有效性与优越性。

摘要:针对遥感图像在跨模态检索任务中存在图像冗余信息干扰、多尺度信息提取不足、全局与局部信息无法有效融合导致的检索精度较低等问题，提出一种适用于多尺度任务的遥感图文检索模型IGMR。首先，设计多维感知增强卷积模块MFE，提取局部信息的同时过滤冗余特征，并通过融合多注意力模块来关注图像高频信息，提升特征表达能力。其次，设计多尺度分块注意力网络RFPA，捕获不同尺度的上下文信息。随后，构建自适应特征融合模块AFFM，将提取到的全局与局部特征进行动态融合，增强对高质量信息的关注。在公开数据集RSICD和RSITMD上的实验结果表明，提出的IGMR方法在遥感跨模态检索任务中，平均召回率mR分别提高了1.83%、3.21%，检索精度达到了19.73%和31.83%，总体检索性能显著提升。

摘要:针对模块化多电平换流器(MMC)在电网电压不平衡条件下存在的交流侧输出电流和直流侧环流谐波畸变的问题，提出了一种基于红尾鹰算法(RTH)优化滑模的控制策略。首先，根据MMC的拓扑结构，分解不平衡电流并建立其在不平衡电网电压下的数学模型。然后，提出一种新型趋近律，分析了其性能并通过Lyapunov函数验证其稳定性。在此基础上，采用红尾鹰优化算法对新型趋近律的滑模控制进行动态优化。最后，通过MATLAB/Simulink平台的仿真实验，与积分滑模控制和无优化下的新型趋近律滑模控制进行了对比，结果表明该方法在动态响应和稳态精度方面均具有显著优势。

摘要:针对多径干扰以及非视距传播导致三维定位精度低的问题，本文提出一种基于自适应卡尔曼滤波的Chan-Taylor融合定位算法。该算法首先利用改进的KF算法对基于TDOA的测量值进行预处理以抑制噪声干扰；然后采用Chan算法和Taylor算法分别对预处理结果进行位置解算，得到初始位置估计；最后以Chan算法求解得到的初始位置估计与Taylor算法求解得到的初始位置估计之差作为迭代触发条件，若该差值超出设定阈值，则进入Taylor迭代；否则，直接输出初始位置估计。仿真实验表明，与Chan算法、KF-Chan算法、Chan-Taylor算法和加权ChanTaylor算法的定位精度相比，本文算法的定位精度分别提升了87.64%、75.95%、53.52%和40.30%。

摘要:针对配电网内部过电压类型识别方法中特征提取与模式识别困难的问题，本文提出一种基于多域融合特征提取和贝叶斯优化(BO)Transformer-BiGRU相结合的配电网内部过电压识别方法。首先通过多域融合特征提取，将10 kV母线中性点过电压信号进行时频、频域、及时频域特征提取，构建具有表征能力的十维特征向量，接着将不同类型过电压的多组10维向量输入贝叶斯优化Transformer-BiGRU的网络分类器，实现对5类典型内部过电压类型识别。为验证方法有效，利用PSCAD仿真数据及物理实验平台故障波形，将本文所提算法使用MATLAB进行训练和测试，并将测试结果与其他方法进行对比。结果表明，本文所提算法识别准确率高达99.11%，相较于其他算法具有更强的特征提取能力和更高的识别准确率。

摘要:针对现有基于深度学习的CAN总线入侵检测方法普遍存在结构复杂、资源开销大和延迟较高的问题，本文提出一种基于改进SqueezeNet的轻量化CAN总线入侵检测模型。首先，将CAN报文数据转换为彩色图像，以增强其空间和通道特征的表达能力；其次，引入高效通道注意力（ECA）机制，加强对异常通信特征的细粒度建模；然后，对网络结构进行优化，采用深度可分离卷积和Ghost模块替代标准卷积，裁剪冗余层次以降低计算开销和参数量；最后，统一采用Hardswish激活函数，提升模型非线性表达能力与推理效率。在Car-Hacking公开数据集上的实验结果表明，所提方法达到100%的检测准确率，模型大小仅为0.35 MB，平均响应时间为1.6 ms，具备高性能、低延迟及低资源占用的部署优势。

摘要:针对现有基于深度学习的DOA估计算法存在参数量大、依赖易受噪声干扰的协方差矩阵输入，难以部署于资源受限的边缘设备的问题。本文提出一种轻量化卷积分类回归神经网络DOA估计算法，采用原始信号作为模型输入，通过端到端学习直接从时域信号中提取DOA特征，避免了传统协方差矩阵方法在低信噪比环境下的性能退化问题。模型通过时空特征压缩和结合Ghost瓶颈结构减少参数量，并引入注意力机制自适应地重新标定特征通道权重，增强对关键特征的关注度。采用粗分类与细回归相结合的双分支输出策略，先确定角度区间再预测扇区内偏移量，从而在严苛条件下（如-5 dB信噪比）仍能保持高精度估计。实验结果表明，该模型在保持优异性能（准确率96.3%）的同时，实现了高度轻量化（模型实际部署大小118.83 kB，参数量24 783）。与传统算法和主流轻量模型相比，本模型在降低模型参数量的基础上，同时保证了准确率和计算效率，为边缘设备提供了高精度、低延迟、低资源消耗的DOA估计解决方案。

摘要:针对无人机巡检中路面破损形态差异显著、在复杂环境干扰下分割效果不佳的问题，本文提出一种改进模型MDPR-DeepLabV3+，用于无人机路面破损分割。首先，采用MobileNetV2网络替换原主干网络，提升运行效率；其次，在编码器构建DFSP模块，通过渐进式特征累积和跨尺度注意力交互，实现局部细节和全局上下文的高效整合；此外，添加PSA_M注意力模块强化破损边缘信息；最后，在解码器提出双路径特征解耦融合模块RCD，促进深浅层信息互补，增强特征多样性。实验结果表明，所提模型在自制无人机巡检航拍路面破损数据集上mIoU、mPA和mPrecision分别达到 78.47%、92.03% 和 83.93%。在公开数据集Crack500上进一步验证了本文模型的有效性，表明其在复杂环境中的路面破损识别精度和鲁棒性方面有较好的表现。

摘要:为了解决电力场景中高空作业人员安全防护装备检测中存在的检测目标相对单一、检测精度低、泛化能力差等问题，提出了一种改进的YOLO11n高空作业安全防护装备检测算法。首先，在颈部网络中引入DySample动态上采样方法，有效避免了特征信息在上采样过程中出现的过度放大或丢失问题，在提升图像特征保留能力的同时，保证了模型整体的检测性能；其次，利用深度可分离卷积优化RCM构建CFSCM模块，同时在空间和通道两个层面上表达关键特征，提升模型对前景安全装备的感知能力；最后，创新性的设计了一个LQEH检测头，将回归分支输出的定位质量估计分数与分类分支输出进行融合，解决了原检测头两分支相互独立，缺乏信息交互的问题，增强了分类与定位之间的关联性。实验结果表明，该改进算法的mAP@0.5、精确度和召回率达到了93.1%、96.1%和86.7%，相较于原模型分别提高了3.2%、0.7%和2.3%，并且检测速率达到131 fps。此外，在Roboflow网站上的高空作业安全防护装备检测数据集上进行泛化实验，改进算法的mAP@0.5、精确度和召回率相较于原模型分别提高了2.1%、5.2%和2.2%，实验结果充分验证了改进算法的提高检测精度和泛化能力。

摘要:目前，基于计算机视觉的猪攻击识别主要采用深度学习算法。然而，这些方法仅识别猪群/成对猪的攻击并不能确定哪些猪参与攻击。因此，识别猪个体身份有助于推动攻击识别从群体/成对级细化为个体级。针对群养猪攻击过程中身体变形和重叠等因素对猪身份识别精度的影响,本文提出一种改进YOLOv10s的猪身份识别模型IDBS-YOLOv10s。首先，在骨干网络中采用InceptionNeXtDCNv3替代c2f中的卷积以减小模型的参数和计算量，从而增强YOLOv10s网络提取特征的能力。然后，在颈部采用加权双向特征金字塔网络以增强模型融合不同特征层的能力。接着，在检测头前添加SEAM注意力机制以增强模型提取猪身份的关键特征信息的能力。最后，采用检测头v10detect识别个体猪身份。该模型的身份识别准确率为94.3%，召回率为93.7%，平均精度均值为95.8%，模型权重仅为15.2 MB。结果表明该方法能够识别攻击场景下猪身份。

摘要:针对镧钨杆扫描电子显微镜图像分割中面临的晶粒粘连区分困难及晶界遮挡等挑战，提出了一种基于Pix2PixGAN框架的改进方法，用于实现钨晶粒晶界的准确提取。首先，使用边缘引导注意力EGA模块替换标准跳跃连接，结合拉普拉斯特征图提取，以增强多尺度晶界特征表达能力；其次，采用高效上采样块进行特征上采样，有效减轻了棋盘伪影并促进了不同层级特征的融合；将原始L2损失函数代替为加权二元交叉熵损失与加权交并比损失的组合损失，聚焦边缘像素优化；最后，引入梯度惩罚，增强生成器稳定性与多样性。实验结果显示，改进模型的F1值(F1-score)为72.47%，召回率(Recall)为77.21%，准确率(Precision)为68.32%，相较于基础Pix2PixGAN模型分别提高了13.02%、6.49%、16.87%，且在F1值与精确率上高于RCF、RINDNet、UCTransNet和MEGANet模型，验证了该模型在晶界提取的有效性。

摘要:唯一性的身份认证对于奶牛养殖场农业保险的实施极为重要，但目前没有准确且可靠的奶牛识别方法，存在骗保事件，保险覆盖比较困难，针对此问题本文提出交叉注意力机制与自适应损失函数，并基于YOLOv7模型框架对养殖场复杂环境中的奶牛进行检测。通过交叉注意力机制提取图像不同方向上的关联信息，融合图像的深层和浅层特征，用于适应养殖场不良光照条件和拍摄角度带来的尺度变化。针对数据集中不同样本图像的质量不一的问题，通过自适应损失函数调节简单样本和困难样本的权重，使模型在训练过程中更加关注困难样本，增加了检测模型的鲁棒性和泛化性能。实验结果表明，提出的交叉注意力机制和自适应损失函数模型在奶牛检测和识别任务准确率达到了94.63%，相较于YOLOv7原模型提高了11.42%。

摘要:针对现有图像拼接算法在复杂场景下匹配精度不足与实时性受限的问题，提出一种基于改进ORB与MLESAC的图像拼接算法。传统拼接方法在光照突变、视角变换及复杂背景干扰下，存在特征检测鲁棒性弱、描述子区分能力不足等问题，易导致匹配错误进而引发拼接错位或重影。为此，本文在预处理阶段，将输入图像转换至CIE Lab空间，实现亮度与色彩通道解耦，结合信息熵与光照统计构建自适应图像金字塔；特征检测与描述阶段，设计光照自适应FAST角点阈值调节机制，引入局部几何约束筛选角点，并将BRIEF描述符扩展至L、a、b三通道，融合局部梯度方向信息；特征匹配阶段，采用双向汉明距离匹配，构建局部与全局相结合的约束优化框架，最小化重投影误差。然后，利用更高效的MLESAC算法剔除错误匹配。最终采用加权平均法对拼接区域进行平滑处理，实现无缝拼接效果。实验结果表明：改进后的算法在处理复杂场景下的图像拼接任务中，可以保证实时性与高精度的全景拼接质量。改进后的算法在APAP Dataset上的匹配精度达到97.63%。

摘要:针对高动态环境中目标遮挡导致视觉同时定位和地图构建系统存在定位精度下降甚至失效的问题，本文提出一种基于几何-运动误差联合模型及轨迹预测的动态VSLAM算法。不同于依赖语义分割或光流估计方法，本文通过融合相机与IMU信息，将对极约束几何误差与IMU预积分运动误差联合建模，并结合概率模型实现动态目标检测与遮挡状态判断，在遮挡场景下保持较高鲁棒性。为提升动态目标跟踪的连续性与精度，进一步引入基于扩展卡尔曼滤波的轨迹预测对目标位姿进行估计。同时，设计联合因子图模型优化相机、地图点与动态目标特征点，并设计动态平滑运动因子以抑制目标运动突变，从而减少累计误差。最后在KITTI跟踪数据集与真实场景的实验表明，相较于基于几何约束和目标跟踪的动态SLAM方法，本文算法在高动态环境中目标遮挡场景下具有良好的位姿估计精度与动态目标跟踪性能。

摘要:针对现有交通标志检测算法在边缘计算设备上部署时面临的计算开销大、对小目标和形变目标检测能力不足的问题，本文提出一种融合通道剪枝的轻量化YOLOv8交通标志检测算法LTS-YOLO。首先，在YOLOv8n的基础上，设计了一种结合噪声抑制与深层语义增强的特征融合模块（NSSE），以优化多尺度特征表达并抑制背景干扰。其次，在主干网络中引入多尺度通道注意力（MSCA），并在检测头前集成局部形变注意力（LDA），以分别增强模型对不同尺度目标的感知能力和对几何形变的鲁棒性，从而构建高精度模型TS-YOLO。最后，为实现模型轻量化，基于BatchNorm缩放因子设计通道剪枝策略对TS-YOLO进行压缩，得到最终的LTS-YOLO模型。在TT100K和CCTSDB两个公开数据集上的实验结果表明，相比基线模型YOLOv8n，TS-YOLO在mAP@50.95指标上分别提升了2.5%和1.8%，经过剪枝得到的LTS-YOLO模型，在保持精度优势的同时，参数量与计算量显著降低，验证了本方法的有效性和实用性。

摘要:为解决知识蒸馏异常检测模型中出现知识冗余的问题，本文提出一种渐进式知识融合蒸馏的工业检测方法。本文采用反向知识蒸馏作为检测模型的基础网络，虽然反向知识蒸馏能阻止异常表征传播至学生网络，但是该方法下学生网络获取的知识不仅复杂且冗余，难以保证学生网络能够重建出对应的浅层表征。为转化教师网络输出的高层次复杂且冗余的信息，提出了渐进式知识融合机制。为转化复杂表征，该机制将基础几何知识逐步迁移至深层语义知识，促进学生网络有效地学习特征表示；为剔除多级教师网络输出的信息中的冗余知识，该机制采用可学习的特征权重分配方式，促进了学生网络重建，实现了模型异常检测能力的提升。该方法在MVTec AD数据集上进行实验，实验结果显示，在数据集各个类别下的评价指标AUROC-image为99%，AUROC-pixel为97.9%，AUPRO为94.8%，超越了绝大部分目前主流的检测模型，验证了方法的有效性和优越性。