摘要:精准检测晶圆图像中的缺陷对于及时识别晶圆生产过程中的异常故障具有重要意义。在晶圆测试阶段，由于深度学习方法具备卓越的特征提取能力，其在晶圆缺陷检测中得到广泛应用。然而，传统深度学习模型通常依赖于大量标注充分且高质量的数据进行训练，而在实际应用中，均衡、充足的标注数据往往难以获得。针对这一问题,提出了一种融合改进多头注意力机制与残差结构的VGGNet深度学习模型，旨在从不平衡的数据集中提取更全面的特征，从而实现对晶圆表面缺陷的精准检测。具体而言,利用改进的多头注意力机制将输入的晶圆图像特征映射到多维子空间,显著提升了模型的表达能力和泛化性能；同时，在传统VGGNet的全连接层中引入残差连接(residual structure, RS)，有效缓解了深层网络训练中的梯度消失问题。为验证融合改进多头注意力机制与残差结构的VGGNet的有效性，在数据集WM811K上进行大量实验，其分类准确率达到94.3%，相较传统VGGNet准确率提高了3%，相较现有类似模型准确率平均提高了1%。实验结果表明，在真实数据集WM811K上，所提方法不仅提高了晶圆缺陷检测的鲁棒性，而且在非平衡数据集上的检测性能明显优于现有算法。

摘要:在半导体制造中，晶圆图缺陷检测至关重要，能够对缺陷进行快速定位，实现对缺陷的识别，对于提升晶圆产品质量和生产效率具有意义。然而，现有方法存在局限性，如模型过于庞大，网络模型深度过深，难以充分利用多层次特征进行精确分类。为了解决这些问题，结合了Stem-Dense特征提取模块和多尺度注意力特征融合结构，提出了一种新型网络结构——MSD-DFE。MSD-DFE通过Stem-Dense的密集连接结构和多尺度注意力特征融合技术，有效提取丰富的浅层特征信息，同时显著降低模型的参数量和计算复杂度。多尺度特征提取模块融合了不同尺度下的晶圆图信息，增强了模型对不同层次缺陷特征的提取能力。此外，引入的注意力机制使得模型能够更关注晶圆图存在缺陷区域，从而提升分类精度。实验结果表明，在减少参数量和计算量的前提下，MSD-DFE在WM-811K数据集上达到了97.4%的平均准确率，优于现有主流方法，表明其在实际生产环境中具有较高的应用潜力。

摘要:航空涡轮叶片的热障涂层可降低叶片表面温度、防止表面高温腐蚀，涂层缺陷严重影响叶片使用性能，复杂的叶片曲面形状及其基体结构导致涂层缺陷的无损检测困难。鉴于瑞利波对表面应力和表面微裂纹等损伤变化敏感的特性，提出了基于广义瑞利波传播的涡轮叶片热障涂层表面微裂纹缺陷无损检测方法。设计了专用超声阵列换能器并搭建了瑞利波检测系统，提取沿叶片宽度方向上叶背涂层中传播的瑞利波检测信号，分析叶片幅度的分布特征与叶片内部复杂结构的关联；最后，分析叶片中人工窄槽对瑞利波传播特征的影响，并提出涂层缺陷的广义瑞利波检测方法。结果表明，涡轮叶片复杂表面轮廓、内腔导流结构导致对瑞利波幅度具有显著影响；将完好叶片涂层的瑞利波幅度分布与带窄槽（500 μm×80 μm×20 μm）的叶片涂层瑞利波幅度分布特征相对比表明，含窄槽路径上传播的超声波幅度明显上升，平均增大了54.3 mV，该特征可用于涡轮叶片热障涂层表面微裂纹缺陷损伤的无损检测。

摘要:针对复杂道路场景中多尺度和形变道路缺陷检测的难题,提出一种改进的YOLOv8n道路缺陷检测模型DMS-YOLO（dynamic multi-scale YOLO）。首先,设计自适应上下文感知特征金字塔网络,实现多尺度特征的全局融合与动态加权,显著提升了模型对复杂缺陷的感知与表达能力，与现有主流特征金字塔网络相比，在精度和计算效率上表现出一定优势。其次,提出自适应多尺度动态检测头,采用可变形卷积（DCNv3）提升模型对复杂形状特征的捕捉能力,并设计协同注意力机制融合尺度和任务注意力,增强模型对多尺度信息的理解。最后,利用Focaler-IoU思想改进CIoU损失函数,提高对小目标的检测能力。实验结果表明,在减少计算量的基础上，DMS-YOLO模型在RDD2022数据集上mAP@0.5达到了87.9%,较原来的基准模型提高了3%,同时参数量为3.67×106,计算量为8 GFLOPs,模型体积仅有7.3 MB,具备轻量化特性和易部署性。同时，在SVRDD数据集上,DMS-YOLO在各项性能指标上均有提升,进一步验证了所提模型具有较好的泛化性和鲁棒性。与其他主流模型和最新检测算法相比,DMS-YOLO的综合指标均表现优异,对道路缺陷检测具有实际应用意义。

摘要:针对目前小外形封装(SOP)芯片引脚的三维缺陷检测任务，现有的点云深度学习方法难以有效检测常见的引脚缺陷。为解决这一问题， 定义了一种有缺陷的芯片引脚点云(DCPP)图像，并创建了相应的DCPP数据集。同时提出了一种面向DCPP图像的DCPP-PointNet缺陷检测算法。该算法新增加的 局部-空间特征提取（LSFE）网络，可有效提高模型的旋转鲁棒性，使得模型在面对旋转的芯片点云数据时仍能保持良好的检测性能；其次设计全新的 倒残差多尺度卷积网络（iRMSC-Net）替换PointNet++中的特征编码器，通过加强对点云边缘局部信息的学习能力，从而实现对SOP芯片引脚常见缺陷的精确分类和定位；最后采用Focal损失函数解决了正负样本不平衡的问题，使得模型能够更加关注难以区分的缺陷样本，提高检测精度。在自建的DCPP数据集上进行的实验结果表明，DCPP-PointNet网络在总体准确率（OA）和平均交并比（mIoU)等评估指标上均优于现有的PointNet、PointNet++、DGCNN等经典点云分割模型，展现了高达98.9%的OA和93.7%的mIoU。消融实验进一步验证了DCPP-PointNet中各个改进模块的有效性，LSFE网络、iRMSC-Net特征编码器和Focal损失函数三者共同作用，对提高模型的检测精度和鲁棒性具有重要意义。

摘要:建筑起重机械是现代工程的核心装备，其高空作业的高风险性易引发重大事故及经济损失，严重威胁安全。为了提升缺陷识别的效率和精度，降低操作人员登高巡查的风险，提出了一种基于无人机图像的表面缺陷智能检测方法FRE。建筑起重机械表面缺陷种类多样、尺度微小且背景复杂，传统YOLOv8网络因多尺度特征融合能力不足及环境适应性局限，难以实现高精度缺陷检测。利用无人机巡检施工设备，建立了钢丝绳缺陷、金属结构锈蚀两个典型的起重机械缺陷图像数据集。将YOLOv8骨干网络中的C2F模块替换为RepViT Block模块，提升模型在图像理解和处理中的性能和效率，显著降低了计算复杂度和延迟，训练速度分别提高了46.4%、2.6%；将FasterNet Block模块替换颈部网络的C2F模块，提高对缺陷的定位性能，提高了检测小目标的能力；将高效多尺度注意力（EMA）模块嵌入到骨干网络中，抑制背景信息的干扰，使模型更加关注缺陷特征。与现有的缺陷检测相比，该模型的检测精度分别达到了88.0%、94.1%。同时，模型参数量相较于YOLOv8模型下降了23.26%。结果表明，该方法可以快速、准确的检测出建筑起重机械表面缺陷，具有一定的社会应用价值。

摘要:针对工业印制电路板（PCB）缺陷面积小、背景干扰导致误检漏检率高、缺陷定位难等问题,提出一种改进YOLOv8n的电路板缺陷检测算法。首先,通过调整骨干网络（backbone）中特征金字塔网络(feature pyramid networks,FPN)的特征融合层级,引入160×160微小目标特征层及检测头（head）替代原20×20大目标特征层及检测头,增强网络对小目标的特征提取能力。其次,在Backbone与颈部网络（neck）间引入并行补丁感知注意模块(parallelized patch-aware,PPA),通过多分支特征提取部分捕获目标不同尺度、不同级别的特征,加强模型局部和全局信息提取及融合能力,避免复杂背景特征干扰的同时提升了目标特征信息的利用效率。再者,在Neck端引入高效的多尺度注意模块(efficient multi-scale attention,EMA),避免更多顺序处理及模型深度的同时,增强了网络的跨空间学习能力。最后,采用NWD-EIoU(normalized wasserstein distance-efficient intersection over union)作为边界框回归损失函数,通过归一化Wasserstein距离构建几何感知的相似性度量,缓解检测框微小偏移导致的定位误差累积,提升模型对PCB微小缺陷的定位精度,并加速收敛。在公开电路板缺陷数据集PKU-Market-PCB上的实验结果表明,改进方法的平均精度均值（mAP）mAP@0.5相较于原始算法提升了4.2%,精度和召回率指标分别提升了7.7%、4.3%。与同类型单阶段目标检测方法相比,改进方法满足高精度电路板缺陷检测需求。

摘要:城轨轨道线路状态监测是确保铁路运输系统安全的关键任务之一。城轨轨道线路包括钢轨、扣件、螺栓和垫板等关键部件。针对实时精细化检测的需求，在前期工作的基础上，进一步研究并提出了一种基于实例分割的创新智能方法，用于快速精细化识别城市轨道交通线路的多关键部件，并分析量化常见缺陷的检测结果。在已有的RTLSeg模型基础上，融合感受野增强和图像后处理技术，提出了一种改进的轨道线路图像分割评估模型（ABI-RTLSeg）。首先，为了增强模型对高级语义信息的学习，在深层骨干网络中引入了空洞空间金字塔池化模块（ASPP）；其次，在Coord-Protonet中引入了基于卷积的双线性插值结构，以获得更高质量的原型掩模和语义信息感知；最后，根据缺陷分割掩模的视觉特征，构建了分割结果分析模块，综合运用椭圆拟合和形态学分析方法，分析常见缺陷的安全状态。实验结果表明，该方法在快速精细化检测、分割以及分析铁路轨道线路的多目标关键部件和常见缺陷方面是可行的，并且其性能优于比较的基线模型。ABI-RTLSeg在所构建的数据集上能够达到90.91%的边界框平均精度（bbox mAP）和91.67%的掩码平均精度（mask mAP）。同时，平均推理速度达到25.62 fps，平均检测准确率和召回率分别为100%和99.85%。此外，通过多个实例研究，探讨了所提方法在评估扣件损坏严重程度和估算轨道波磨关键参数方面的可行性，为城市轨道交通线路的安全状态监测提供了一种有效方案，为城市轨道交通的智能化发展提供了重要技术支撑。

摘要:针对GANomaly模型潜在向量对正样本特征表征能力不足、解码器重构图像质量欠佳以及判别器判别能力不足的问题，提出一种基于D2GANomaly的轮胎X光图像缺陷检测方法。首先，在编码器中引入多尺度动态残差模块(MDRB)，通过可变核卷积(AKConv)与残差连接的组合，动态融合多尺度特征，提高细粒度特征提取能力；其次，在解码器部分引入通道残差子像素解码器(CRSD)，利用双解码器并行学习，优化复杂纹理和细节的重建质量；最后，判别网络采用二元并行判别网络(DDMN)，通过可切换空洞卷积(SAC)选取最优空洞扩张系数，增强模型对轮胎X光图像中不同大小的缺陷检测能力，进而提高判别能力。实验结果表明，在受试者工作特征曲线下面积(AUC)与平均精度(AP)两项核心性能指标上，所提方法均实现了显著提升，相较于原始模型GANomaly AUC值提升了13.7%，AP值提升了16.4%。由此可见，改进后的模型有效提升了轮胎缺陷的检测精度。

摘要:针对超声导波进行钢轨缺陷检测时回波信噪比低、高旁瓣及宽主瓣等问题，提出了一种基于非线性调频(NLFM)-Barker编码激励的超声导波检测方法。首先，用Barker码为基础编码，分别与正弦信号、线性调频（LFM）信号与NLFM信号相复合。其次，通过仿真对比分析上述3种复合编码信号的时域、频域与脉冲压缩特性。仿真结果表明，通过加权匹配滤波后，NLFM-Barker的脉冲压缩信号在-6 dB处主瓣宽度（main-lobe width，MLW）最窄且为9.23 μs。最后，为了进一步验证所提复合编码激励的有效性，在2 000 mm长CHN60型钢轨上通过粘贴不同大小质量块来模拟缺陷进行实验。实验结果表明，当钢轨完好时，NLFM-Barker信号主瓣宽度较传统的Sin-Barker缩短了5.9%且峰值旁瓣水平（peak-sidelobe level，PSL）降低了2.161 4 dB；当钢轨腰部存在缺陷且采用NLFM-Barker编码激励时，接收超声导波信号在不同缺陷之间能量变化更为明显。综上所述，该研究可为钢轨腰部缺陷检测与定量分析提供了一种可靠有效的解决方案。

摘要:为解决钢材表面缺陷检测中因缺陷类型繁多、尺寸差异显著造成检测精度低,以及现有模型复杂度高等问题,提出了一种改进YOLOv8n的轻量化检测算法YOLOv8n-CSG。首先,引入上下文引导模块(context guided block,CG block)设计C2f_CG模块增强对周围特征的捕捉能力,增强信息关联性;其次,加入星型网络模块(Star Block)设计出C2f_Star模块,将输入数据映射到高维的非线性特征空间,生成丰富的特征表示,使得模型在处理细微缺陷时更加有效；最后,设计了集成分组混洗卷积（grouped and shuffled convolution,GSConv）和高效多尺度注意力机制（efficient multi-Scale attention,EMA）的轻量化检测头GSE_Detect,保持了原检测头的高效的同时降低复杂度。在NEU-DET数据集上进行多组实验,结果表明,改进后的YOLOv8n-CSG网络模型平均精度均值（mAP）mAP@0.5达到了76.8%,相较于YOLOv8n,mAP@0.5提升了6.9%、精度提升了11.3%、计算量降低了37%、参数量降低了35.2%,展现出对钢材表面缺陷更佳的检测能力,且平衡了模型的性能和复杂度。

摘要:针对传统钢带表面缺陷检测方法特征提取能力不足、检测精度受限以及计算资源消耗大的问题，提出了一种基于YOLOv8的ESEYOLO模型，旨在有效检测钢带表面缺陷。首先，为增强模型对边缘特征的提取能力，引入EIEStem高效前端模块，该模块通过SobelConv分支提取图像的边缘信息，并结合池化分支捕获重要空间信息，从而提升模型对缺陷区域的感知能力。其次，在主干网络部分，将shift-wise convolution与C2f模块融合，构建C2f_SWC模块，通过位移操作扩展模型的视野，增强其对上下文信息的捕捉能力，进一步提高空间特征的提取精度。此外，为优化特征金字塔网络的结构，采用高效多分支与尺度特征金字塔网络（EMBSFPN）模块，根据不同尺度的特征层自适应选择多尺度卷积核，实现对多尺度感知信息的逐步获取，并通过加权融合不同尺度特征的重要性提升检测精度，同时显著降低模型的参数量和计算成本。实验结果表明，与原始YOLOv8n相比，ESE-YOLO在NEU-DET数据集上的平均精度均值（mAP）提高了4.1%，参数量下降26.8%，浮点运算量减少64%；在GC10-DET数据集上，mAP提高了9.9%。ESE-YOLO在显著提升检测精度的同时，大幅降低了计算资源需求，更好满足工业场景中资源受限设备的部署需求。

摘要:为了提高深度学习在X射线注塑工件缺陷检测中的准确性，实现更高精度的无损检测，提出了一种改进的YOLOv8-seg注塑件内部缺陷实例分割模型PIS-YOLO。首先为了减少参数量并提高特征融合能力，在主干网络中设计了一个多尺度特征融合与通道数减小的HG-Net模块，取代传统C2f模块；进一步引入倒置残差移动块融合高效多尺度注意力（iRMB_EMA）模块增强了深层传递，经由简化冗余连接的路径聚合网络-特征金字塔网络（PAN-FPN）完成特征融合。同时增加一个额外的输出分割检测头捕捉细小缺陷，提高了模型对小目标缺陷及缺陷边缘的精确识别。在注塑工业零件自制数据集上，主干网络部分提出的HG-Net模块对比C2f模块实现了同架构下计算量减小22.03％，在此基础上，结合iRMB_EMA注意力融合模块与额外输出检测头设计的模型整体的准确率相较于基准模型分别提升了2.9%和5.7%，且模型更轻量，计算复杂度更低。

摘要:针对当前风机桨叶缺陷检测算法存在的检测精度不足、复杂背景下误检漏检发生率高和模型不便部署等问题,提出一种改进YOLOv8n的风机桨叶缺陷检测算法。首先,引入MobilenetV2中的关键模块加以改进提出全新的额外残差（Extra-IB）模块和C2f-Extra-IB模块,用于减少模型参数量实现轻量化并为后续特征融合通过高质量特征图;其次提出自适应高效多尺度空间金字塔（AEMFP）模块替换快速空间池化金字塔（SPPF）模块,该模块创新地采用融合高效多尺度注意力机制（EMA）和并行子结构的设计,提高算法的多尺度特征融合和特征自适应提取能力;最后在颈部网络引入高效局部注意力机制（ELA）,削弱复杂环境对于检测效果的影响同时提高对小目标的检测精度。使用风机桨叶表面缺陷数据集进行消融实验和对比实验,所提算法平均精度均值（mAP）达到81.7%,相较于YOLOv8n提升5.1%,模型参数量和浮点计算数分别为2.09×106和5.4 GFLOPS,减少22.3%和21.7%,模型体积减少19.8%,检测帧速达到45.57 fps,说明所提改进措施可以在保证算法检测精度提高的同时实现轻量化,满足使用无人机等计算资源有限的检测设备进行高效、精确的风机桨叶缺陷检测的需求。

摘要:钢材是我国的支柱产业,其表面质量问题是影响钢材性能与价格的关键。针对带钢表面缺陷检测存在精度差、效率低、模型复杂度高等诸多问题, 提出并改进了一种轻量级的带钢表面缺陷检测模型(PGS-YOLO)。首先,引入更为灵活的PReLU激活函数,通过可学习参数自适应调整输入数据负区域斜率,从而提高模型定位缺陷的准确性; 其次,将Re-VGG融入C3,构建轻量高效的Re-C3模块,降低模型复杂度并提高计算效率,进一步地,基于GELAN网络联合设计了全新的G-GELAN特征提取-融合模块,通过融合多尺度、多层次的高级语义信息,增强模型对不同类型缺陷及复杂背景的适应能力;最后,采用轻量级的SCDown下采样操作,在减少冗余计算的同时提升特征融合的丰富度。在NEU-DET数据集上的实验结果表明,该模型相比基准模型平均精度均值（mAP）提高6.7%,达到79.9%; 参数量和计算量分别减少29.7%、27.2%,帧率提升2.7%,更好地平衡了检测精度、推理速度与轻量化之间的关系。此外,该模型在WF10-DET数据集和PCB_DATASET数据集上均表现出良好的泛化能力, 满足实际工程部署需求,预期在工程应用中具有重要推广应用价值。

摘要:针对钢材表面缺陷检测中的精度低、易受背景干扰的问题，提出一种融合共享参数的YOLOv10n目标检测算法。首先，骨干网络引入改进的FasterNet轻量网络和通道优先卷积注意力机制，以提升骨干网络对多维信息的表征能力；其次，针对C2f模块感受野差的问题，基于部分卷积（PConv）设计了PConv-C2f模块；再次，采用小波池化，解决原算法中因上下采样机制引起的图像高频信息混叠和易受背景干扰问题；最后，通过共享参数与动态分布技术融合，提出一种轻量级检测头，以减少模型的计算复杂度并提高边界框预测的准确性。改进算法在NEU-DET数据集上的平均精度均值（mAP）mAP@0.5达到86.3%，较原算法提升8.1%，精确率（precision）达到86.8%，较原算法提高了18.7%。通过消融、对比实验表明改进算法在钢材和金属材料表面缺陷检测中均具有较好的性能表现，不仅满足了实际应用中对钢材表面缺陷进行高效、准确检测的需求，还显著提升了检测的可靠性和实用性。

摘要:针对光伏板内部缺陷目标小且尺寸差异大的问题，提出了一种基于YOLOv8n的改进模型YOLO-RMFP。首先，将高效多尺度注意力机制与感受野注意力相结合，提出了一种感受野混合注意力机制，使模型聚焦不同尺度的特征，并解决高效多尺度注意力机制参数共享问题，提升光伏板微小缺陷检测精度。其次，将感受野混合注意力机制与空间金字塔池化模块结合，增强模型对多尺度特征的捕捉能力及对复杂特征区域的关注度，使模型在复杂背景下能够有效剔除噪声并增强鲁棒性，进一步增强光伏板缺陷小目标的检测精度。然后，将YOLOv8n主干网络中不同分辨率的特征映射与改进后的多尺度特征融合金字塔网络相结合，进一步增强了特征信息的交互性，以实现更全面的特征提取并增强目标检测的检测性能。最后，在PIoU的基础上，通过改变缺陷样本难易的权重，提升目标定位的精确度，有效缓解了光伏板缺陷样本不平衡问题。通过消融实验和对比实验的结果表明，YOLO-RMFP网络模型的检测精度mAP@0.5和 mAP@0.5:0.95值分别提高 3.1%和 6.5%，精准度和召回率分别提升了4.2%和3.5%。满足了光伏板缺陷检测的评估要求。

摘要:卫星温度遥测数据预测对于地面运维系统监测卫星状态及故障预警具有重要的研究与应用价值。但传统预测方法存在精度低、鲁棒性不足且无法提供概率区间表达的局限性。为此，提出了一种针对卫星温度遥测序列的多元时序概率性预测模型TFM-Diff。首先，构建了一种基于门控循环单元与离散余弦变换的混合架构，以更准确地识别遥测数据中的时频域动态模式。然后通过融合多粒度特征实现对温度遥测数据短期波动与长期趋势的复杂建模，以有效解析卫星温度数据的多尺度特性。最后，结合去噪扩散模型全面分析数据的潜在分布模式，实现预测结果的概率区间表达。基于4组真实卫星温度数据集的实验验证表明，针对概率性预测的连续排序概率评分总和指标，相对于其他主流方法，所提出模型的预测性能提升6.26%~27.77%，验证了其在空间应用场景下具有优越的预测性能、良好的适用性和通用性。

摘要:针对泡沫吸波材料的电磁参数难以准确测试的问题,基于吸波材料反射率计算理论模型,根据电磁参数与反射率的关系实现了泡沫吸波材料电磁参数（复介电常数）的准确表征。提出了利用弓形法测试系统分别测量不同入射角度下的垂直极化和水平极化反射率,通过牛顿-拉夫逊迭代算法求解反演问题。该方法仅需采用反射率幅度测试结果,可避免相位误差带来的影响。所提出的测试与表征方法仅需一块待测材料,无需对样品进行精密切割,不会破坏泡沫吸波吸波材料的微观结构,有效减少加工误差带来的影响。为验证提出的测试方案和算法,在8~12 GHz频段进行了实验验证,并与经典的波导法-NRW法进行对比。实验结果表明，发泡聚丙烯材料的不同厚度、角度的反射率理论计算值与测试值相吻合,除谐振点外,理论值与实测值的偏差在0.087~0.806 dB之间,符合弓形法测试要求（±1 dB）,验证了该电磁参数提取算法的可行性和有效性。

摘要:实例分割是计算机视觉领域的重要研究方向，但由于遮挡问题的存在，使得该任务仍然没有得到充分探索。针对目前算法对遮挡物体的分割检测效果不佳，容易出现误检漏检问题，在Mask R-CNN框架基础上，提出一种新型双向残差网络（DRNet）结合EIoU的遮挡目标分割模型。首先，提出一种DRNet代替原有ResNet网络，使用更少的BN层和ReLU层取代传统Conv-BN-ReLU结构，利用传统卷积和深度可分离卷积串行连接增强图像感受野特征，通过跳跃连接减轻网络随深度增加出现退化问题，提升网络表征能力；其次，使用CEIoU NMS算法代替原有NMS算法，通过聚类思想有效处理重叠边界框抑制问题，引入EIoU评估指标增加边界框几何信息，更加精准地描述边界框之间的相似程度，减少网络对遮挡物体边界框的错误抑制；最后，使用EIoU损失替换原有Smooth L1损失，加速网络收敛速度，提升边界框检测精度。在公共COCO 2017数据集上进行预训练，再在不同程度的遮挡数据集上进行实验。实验结果表明，相比较于原网络，所提分割算法在COCO 2017数据集上Box AP和Mask AP分别提升了1.7% 和1.3%；在遮挡数据集上对遮挡物体边界框检测精度和掩码分割精度均有明显提升，证实该方法对遮挡物体分割的有效性。

摘要:针对传统视觉方法在测量不同工件全尺寸时的局限性，提出了一种基于形状匹配的工件全尺寸在线检测方法。该方法通过将目标工件图像输入到改进的Superpoin关键点检测网络，得到所有关键点，并利用关键点实现工件轮廓的描述；然后将关键点模板与目标工件的关键点一起输入点渲染层，使用增强关键点位置信息的Superglue特征全匹配算法，提取与模板点匹配的关键点，以及关键点之间的距离，实现工件的全尺寸测量。为了验证方法的有效性，分别进行了量块尺寸检测实验，标定板尺寸检测实验和原电池尺寸检测实验，实验结果表明，对于25 mm零级量块（精度优于±0.14 μm）的尺寸检测实验，系统十次重复测量结果的最大偏差为±0.02 mm，标准差为0.01 mm，表明系统具有较高的重复性精度；对于棋盘格标定板，尺寸测量误差不超过±0.03 mm，验证了该方法的可行性；在原电池的尺寸测量实验中，七号电池尺寸检测的误差范围为±0.03 mm，平均耗时为0.08 s，五号电池的尺寸检测误差为±0.03 mm，平均耗时为0.09 s，均能够满足该企业原电池产线生产过程中，在线检测的±0.05 mm精度要求和0.1 s的实时性检测要求。相比于传统算法需要针对不同工件采用不同的检测算法，所提出的方法能够有效适应不同工件的尺寸检测需求，并可广泛应用于工业现场的零件在线全尺寸检测。

摘要:利用激光诱导击穿光谱（laserinduced breakdown spectroscopy, LIBS）技术对钻井岩屑元素进行分析不仅能够提供地下地层信息，优化钻井过程，还能提高钻井的安全性和经济性。受钻井复杂环境的影响，钻井岩屑LIBS普遍呈现较严重的基线漂移现象，而现有基线校正方法容易造成基线低估或过度估计等问题。为此，提出一种改进的自适应惩罚最小二乘法基线校正方法，在非对称惩罚最小二乘算法基础上，引入tanh函数根据光谱信号的峰高自动调整权重矩阵，并利用光谱数据和估计基线的差值和标准差设计了一种平滑参数自动调整策略，以平衡基线校正时光谱数据的平滑度与保真度之间的冲突。在模拟光谱和实际测量的钻井岩屑LIBS中进行了验证，结果表明，该方法在不同噪声程度的仿真光谱上具有更低的均方根误差值，在实测岩屑LIBS上提高了元素的分析精度，Si、Ca、Mg、Al、Fe 5种元素浓度预测的决定系数值分别达到了 0.992 6、0.993 0、0.968 4、0.969 1、0.977 4，均超过了0.96。该方法可有效促进激光诱导击穿光谱技术在复杂油气环境下的钻井岩屑元素分析。

摘要:液压系统压力传感器作为挖掘机自动控制系统的核心元件，其可靠性直接影响整机操控性能。针对复杂恶劣工况下压力传感器失效导致控制系统信号缺失的关键问题，提出一种基于深度学习的高精度压力数据实时预测方法。首先，基于37吨级挖掘机电液比例控制系统构建试验平台，采集实际挖装作业工况下多源传感器数据；其次，采用最大信息系数法进行特征相关性分析，将125维原始数据降维至10维有效特征，并通过卡尔曼滤波与标准化处理构建高质量数据集；进而设计基于注意力机制的特征权重分配模块，结合麻雀搜索算法（sparrow search algorithm，SSA）优化长短期记忆神经网络 （long short term memory，LSTM）的超参数配置，构建SSA-LSTM-Attention融合预测模型。通过对比卷积神经网络 （convolutional neural network，CNN）、循环神经网络（gate recurrent unit，GRU）、LSTM等典型预测模型的实验验证，该方法在关键压力数据预测中展现出显著优势。实验结果表明，相较于传统LSTM模型，SSA-LSTM-Attention模型的平均绝对误差和均方根误差分别降低54.45%和54.56%。研究证实所提方法能有效解决传感器失效工况下的数据补偿问题，为工程机械智能控制系统容错设计提供理论支撑。

摘要:在实际监控场景中行人重识别任务面临诸多挑战，如部分图像遮挡（树木、人、汽车、小物体等）导致识别过程中关键信息丢失和识别精度下降。在遮挡行人重识别任务中，通常采用局部联合全局特征或姿态估计器的方法来解决识别精度低等问题，虽然在部分遮挡情况下利用单流网络有较好的识别性能，但在处理过程中未能充分挖掘剩余关键特征信息。为此，提出了一种基于多细粒度双流网络的遮挡行人重识别方法，通过设计多细粒度局部特征提取策略、双流特征处理网络和特征权重融合模块来增强关键特征信息提取能力。该方法采用视觉Transformer（ViT）提取全局特征，并将其划分为多组局部特征。随后，各组局部特征分别经过双流特征处理网络，将通过双流网络的特征进行特征权重融合，从而更有效地挖掘关键特征信息。在Occluded-Duke、Market-1501、DukeMTMC-reID和MSMT17数据集上实验结果证明所提方法的有效性与合理性，平均精度均值（mAP）/Rank-1指标分别达到了61.3%/68.3、89.0%/95.2%、82.5%/91.1%和66.8%/84.5%。

摘要:针对输电线路山火监测与风险预警中火焰高度测量困难的技术难题，提出一种融合YOLOv9-SOEP算法和双目立体视觉的输电线路山火火焰高度测量方法。该方法在YOLOv9网络架构的基础上引入小目标检测增强金字塔（SOEP）模块，构建了适用于输电线路山火场景的YOLOv9-SOEP改进目标检测算法；针对火焰图像纹理特征弱的问题，采用相位一致性方法实现山火双目图像的高精度特征点提取与匹配；最后通过特征点三维坐标转换与像素比例计算，建立了完整的输电线路山火火焰高度测量模型。实验结果表明，改进后的YOLOv9-SOEP目标检测模型在平均精度和召回率上分别达到了85%和89%，相比于原模型分别提升4%和19%，有效解决了小目标火焰漏检的问题；基于相位一致性的立体匹配方法能够较好地保留深度图中火焰目标的细节特征，在保证特征点充足的前提下匹配准确率达到了92%；在模拟山火火焰高度测量实验中，火焰高度的测量误差控制在648%以内，所提方法为输电线路山火监测与风险预警提供了可靠的火焰高度测量解决方案。

摘要:高速气体流量计量如火炬气流量对于节能减排、提升企业经济效益具有重要意义。超声波流量计量程范围广，测量稳定，不受组分变化影响，是火炬气流量测量主流产品。目前该类产品基本为国外垄断，国产超声波流量计在高速气体测量时声波飞行时间波动较大，导致测量结果误差较大。为了寻找合适的声波飞行时间估计算法，在仪表厂家专业计量装置上采集了10~70 m/s的气体流速下的超声波信号，研究了包络拟合法、自相关法、互相关法、小波时频分析法4种信号处理方法。实验结果表明，小波时频分析法飞行时间估计效果较好，标准差小于9 μs，流速增加标准差增大，高速时还存在一定波动。通过采用求平均、最小二乘法、割线斜率算法等可以消除数据波动，提高测量精度和稳定性，为提升国产超声波流量计精度提供技术基础。