摘要:针对无人艇多目标点巡航路径规划问题，本文提出了一种基于同步双向A星算法与灰狼优化算法结合的路径规划方法。首先，对传统A星算法进行了改进，通过引入同步双向搜索策略和动态权重调整，减少了路径冗余点和算法计算时间。然后，将巡航路径规划问题转化为经典旅行商问题，并应用改进的灰狼优化算法进行求解，以获得最优巡航路径。实验结果表明，本文提出的方法在路径规划的总距离、转弯次数上，均优于传统方法，能够有效提升无人艇的巡航效率和安全性，为无人艇多目标点巡航任务提供了一种可靠的解决方案。

摘要:由于高质量的电机故障数据样本的采集和处理成本过高，新采集的数据样本存在无标注的情况，而域自适应可以借助现有数据对无标注的新数据进行处理识别，因而在故障诊断领域受到了广泛关注。在基于域自适应的电机故障诊断领域，存在两个问题：常用域自适应框架下会出现多任务梯度冲突。同时，现有方法极少研究复杂运行状态之间的迁移任务。因此本文提出了AMDA电机故障诊断方法以解决上述问题。AMDA方法利用多层一维卷积层、批量归一化层和池化层构成的特征提取器，提取源域和目标域的高阶特征；之后结合使用基于对抗的方法和基于分布差异度量的方法，减小源域和目标域数据特征的分布差异；最后引入基于梯度对齐的多任务学习方法，对故障分类器、域判别器和分布差异度量三个任务进行平衡和优化，减小多任务梯度之间的冲突，最终得到基于多任务学习的电机声信号的域自适应故障诊断模型。使用所提出的AMDA方法在多个试验设置下进行跨运行状态故障诊断试验，试验结果表明，AMDA方法在基于声信号的跨运行状态电机故障诊断试验中，完成了稳定运行状态（Stable）、启动运行状态（Start）和循环运行状态（NEDC）之间的迁移任务，最高诊断正确率可达91.47%。同时，AMDA方法在两个对比试验中，性能均显著高于其他方法，具有一定的研究价值和工程应用价值。

摘要:由于水体特性对光的吸收和散射作用，水下图像通常呈现细节模糊、分辨率低等问题，为提升水下图像的清晰度，提出一种基于CBAM-SRResNet的水下图像超分辨率重建方法。该方法将混合注意力机制引入到深度残差网络中，从而提高水下图像的清晰度。其次，引入结构相似性损失函数，从而能够更好地保护图像内容，提高图像质量，使得训练结果更加符合人类视觉感知。实验结果显示，基于CBAM-SRResNet的水下图像超分辨率重建方法能够有效地处理水下图像模糊、分辨率低等问题，在不同数据集上与其他多种水下图像重建方法相比，该方法在PSNR上提高了0.69~2.43 dB，在SSIM上提高了2.66%~7.17%，在各项性能指标上均表现优异。

摘要:针对目前城市道路复杂环境下障碍物检测精度不足、检测速度慢、模型参数量大和小目标障碍物检测效果不佳的问题，提出一种改进的YOLOv8n轻量级城市行车道路障碍物检测算法。首先，制作MRObstacle城市道路障碍物目标检测数据集，扩展了障碍物检测种类与数量；其次，设计全新的SPS_C2f改进主干网络，降低网络参数量与提升检测速度，添加M_ECA注意力模块至网络的Neck部分，提升网络检测速度与特征表达能力；再次，融合BiFPN特征金字塔和添加小目标检测头，更好地捕捉小尺寸障碍物的特征；最后，使用可优化边界框宽度与高度值的损失函数MPDIoU，提升网络边界框回归性能。相比于原YOLOv8n算法，该算法的mAP0.5指标提升2.04％，达到97.12％；FPS值提升12.08 fps，达到107.45 fps；网络参数量减少10％，降低至2.73 MB。该算法在减少参数量的同时提高了检测精度和速度，可更好应用于城市行车道路障碍物检测任务。

摘要:针对目前非接触生命体征测量中稳定性和精度有限且各解决方法复杂度较高的问题，设计了一种基于匹配滤波的非接触生命体征测量方法，以实现低计算复杂度的同时保持最优性估计。在办公室环境下对五个样本进行了测试，结果表明所提出方法的有效性，能降低实际环境中由于人员体动等所导致的生命体征测量误差。以样本4为例，在平稳性设计下心率方差由2 825下降至82，在精度跟踪校准设计下，心率均方根误差由16下降至4。临床实验则与现行医学参考标准进一步对比，结果表明呼吸率误差在1 bpm内，同时心率的测量结果也更好，具有潜在的实用性。

摘要:运动想象（MI）脑电信号由于包含较长、连续的特征值以及其本身较强的个体差异性和较低的信噪比，导致其识别较为困难。本研究提出一种结合卷积神经网络（CNN）与Transformer的模型，旨在有效解码和分类运动想象脑电信号。该方法以原始多通道运动想象脑电信号作为输入，首先在第1个时间卷积层对信号的时域进行卷积操作，随后在第2个空间卷积层对信号的空域进行卷积操作，从而学习整个一维时间和空间卷积层的局部特征。其次，通过沿时间维度的平均池化层平滑时间特征，并将每个时间点的所有特征通道传递到注意力机制中，以提取局部时间特征中的全局相关性。最后，采用基于全连接层的简单分类器模块对脑电信号进行分类预测。通过在公开的BCI竞赛数据集IV-2a和数据集IV-2b上的实验验证，结果显示该模型可以有效分类MI脑电信号，平均分类准确率可达80.95%和84.79%，相比于EEGNet网络，平均分类准确率分别提升了6.45%和4.31%，有效的提高了运动想象诱发电位信号的脑-机接口性能。

摘要:针对公共场合密集人群场景下由于人群遮挡导致的信息缺失及检测目标较小、分辨率低导致人脸佩戴口罩检测算法检测困难的问题，提出了一种改进YOLOv8的密集人群口罩检测算法。采用 GD机制代替YOLOv8中FPN结构解决跨层信息传输中信息丢失的问题，GD使用一个统一的模块收集和融合所有层级的信息，实现网络跨层信息的无损传输，增强了网络特征提取能力。在GD机制中插入ODconv模块对GD传输的信息沿4个维度进行学习，提高模型低分辨目标和小目标的检测精度。此外，引入了一种轻量化检测头SCSBD，对占比过高的YOLOv8检测头进行轻量化处理，平衡模型大小。实验结果表明，改进后的网络在精确率、召回率和平均精度上分别提升了13.6%、1.5%和6.9%,对人脸口罩的检测精度达到了81.1%，模型权重文件仅为25 MB，模型大小介于YOLOv8s和Gold-YOLO-S之间，达到了大小和精度的平衡。

摘要:针对矿井下输送机特殊运行环境下输送带撕裂的检测难题，提出一种线激光辅助下的改进YOLOv7轻量化检测算法。首先，针对输送带撕裂以小目标为主，不需要最大的检测层，从而简化网络模型，达到减小模型体积和减少参数量的目的。此外，采用动态非单调FM的Wise-IoU损失函数，使模型更加关注普通质量的样本，提高模型检测性能。然后，使用LAMP剪枝方法，提高模型的计算速度并降低计算复杂度，实现检测网络的轻量化，采用通道知识蒸馏无损提高模型精度，最后使用TensorRT加速模型，达到更快的检测速度。实验结果表明，与基准模型相比，改进后模型的参数量和计算量分别减少了86.8%、49.2%，mAP@0.5:0.95达到了62.4%，并且检测速度提升151.0 fps，模型大小从71.3 MB减少到12.8 MB。经过改进后的模型，提高了对输送带撕裂故障检测的准确性和实时性。

摘要:扰动信息未知时，永磁同步电机（PMSM）终端滑模控制中的抖振加剧。为了减弱未知不确定和扰动对控制性能的影响，本文提出了一种改进的基于干扰观测器的自适应快速终端滑模控制方法。首先，建立包含参数化不确定性及负载扰动的PMSM数学模型，采用非奇异快速终端滑模面设计滑模控制器，以提高系统的响应速度。接着，利用干扰观测器估计系统的不确定性和未知扰动，并在滑模控制器中引入新的自适应增益以补偿估计误差，实现了无需扰动上界条件的自适应鲁棒控制。改进的自适应控制策略能够实现动态补偿，增强了系统对未知扰动的适应性。仿真和实验结果表明，扰动信息未知时，所提出的方法有效抑制了滑模控制引起的抖振现象，增强了PMSM系统的鲁棒性，显著提升了控制精度和动态性能。

摘要:针对传统的灰狼算法在三维路径规划中容易陷入局部最优等问题，本文提出了一种改进的灰狼算法。首先，对三维威胁区域进行环境建模，对约束条件规定无人机飞行的总成本函数；其次，在灰狼种群初始化中加入了混沌序列和准反向学习策略，增加了群种多样性以及未知领域的搜索范围，通过对自适应权重因子的改进来更新个体位置，从而加快收敛速度；最后，为了避免陷入局部最优，引入了粒子群算法从而平衡全局开发与局部收敛。通过实验结果表明，相较于另外3种典型路径规划算法，改进灰狼算法可以寻找出一条安全可行的路径，并且有着较稳定的寻优能力。

摘要:针对光伏电池缺陷检测在复杂背景下存在的误检、漏检等问题，提出了一种基于改进YOLOv8的光伏电池缺陷检测算法。首先，采用双向特征金字塔网络作为特征融合机制，通过自顶向下和自底向上的路径，实现多尺度特征的有效融合；其次，在颈部网络引入上下文聚合模块，使用不同空洞卷积速率的空洞卷积获取不同感受野的上下文信息，帮助模型更精准地识别微小目标，进而提升模型的目标检测性能；最后，优化边界框损失函数，并不断调试其权重因子，提高模型的收敛速度与效率。实验结果表明，与YOLOv8算法检测网络相比，本文算法的召回率和平均精确度均值分别提高了10.4%、1.8%，检测帧率达到270 fps，保证了实时检测和后续部署的轻量化要求，改进后的算法能在复杂背景下对光伏电池的缺陷进行鲁棒检测。

摘要:为应对传统方法研究车辆轨迹存在精度和效率局限的问题，加快推进道路交通数字化治理模式，本文提出了一种基于多目标跟踪优化的路口车辆轨迹提取方法。首先，基于YOLOv8s算法框架，引入多分支卷积模块并设计了一种结合标准卷积与深度可分离卷积的图像处理方法，以提高模型对不同场景的鲁棒性并保持帧率稳定。然后，通过精确量化角度差异和距离损失，改进了DeepSORT算法的损失函数，以提高模型的收敛速度和处理不规则物体的准确度。最后，通过推导出像素坐标系与真实世界坐标系的转换关系，确保了车辆轨迹的准确提取。实验结果表明，改进模型较原模型mAP、召回率和MOTA分别提升了2.9%、5.6%和0.7%，编码变换次数下降64%，在检测的同时能够保持帧率稳定，能够准确提取车辆在监控录像中的轨迹信息。这对于深入研究车辆特性和道路交通风险提供了方法支撑，具有较高实战应用价值。

摘要:为了解决YOLOv8参数量过大影响检测速度等问题，本文以汽车座椅皮革为样本对汽车座椅表面进行缺陷检测，提出了一种轻量化的基于YOLOv8框架的皮革缺陷检测算法。首先，将YOLOv8原本的主干网络替换成轻量化网络StarNet，StarNet通过星型运算实现了高维和非线性特征空间的映射，从而在紧凑的网络结构和较低的能耗下展示了出色的性能和低延迟。其次，将原本的检测头替换成轻量级共享卷积检测头，通过使用共享卷积，可以大幅减少参数数量，使得模型更轻便，以便于在资源受限的设备上部署。最后，将颈部网络的C2f模块替换成C2f_Star模块，在网络更加轻量化的同时，将不同尺度的特征图进行融合，提高目标检测的准确性和鲁棒性。在自制的HSV-Leather数据集上对模型进行实验验证，结果表明，改进后的YOLOv8-Leather检测模型性能优于YOLOv8n模型。对比YOLOv8n模型，改进后的模型在参数量上降低了57%，检测速度提升了20%，模型权重降低了52%，运算量降低了53%。实验验证了改进后的模型在解决皮革表面缺陷检测问题上的可行性。

摘要:步态识别是下肢外骨骼机器人的关键技术，精准地步态识别对下肢外骨骼机器人的柔性控制具有重要作用。为解决不同个体以及同一个体步态特征（步速、步幅等）的随机性，本文提出了一种基于Densenet改进的SECBAM-Densenet网络模型的步态相位识别方法。首先，将两个惯性测量单元布置在胫骨前部和大腿前侧的股直肌，采集了200人次受试者前进、转弯、上楼梯、下楼梯4种步态任务的步态数据。然后，对数据进行滤波重采样预处理后作为所提模型的输入。最后，利用SECBAM-Densenet模型得到输出模型的分类结果。结果显示，改进后SECBAM-Densenet模型在同一个体中不同步态相位平均识别准确率达到了95.76%，相比其他模型有0.66%～21.22%的提升。在不同个体中，相位的识别准确率均高于94%。以上试验结果表明，本文提出的模型可以应用于步态相位识别领域，并为下肢外骨骼机器人的柔性控制提供了试验参考。

摘要:针对通信辐射源个体识别在信道噪声干扰下准确率低的问题，利用信号映射到不同时频域对信道噪声干扰抑制效果的差异性，提出了一种融合时频特征的通信辐射源个体识别方法。首先，从辐射源信号中提取I/Q、功率谱、小波谱信息，并通过横向和纵向的一维卷积来融合信号的时频信息；然后使用通道注意力模块和空间注意力模块融合时频特征；最后采用M-ResNeXt网络实现在信道噪声干扰下的辐射源个体识别。实验结果表明，受到信噪比为15 dB的高斯白噪声、瑞利、莱斯3种信道噪声干扰下，本文提出的融合时频特征方法识别准确率达到97.6%、97.7%、98.5%，同时面临未知的噪声干扰，在信噪比为15 dB时，依然能够取得超过97.7%的识别准确率。因此，融合时频特征方法能够显著提高通信辐射源个体识别的准确率和鲁棒性。

摘要:针对自动售货柜场景中存在的复杂背景和商品包装高度相似导致的识别难题，提出了一种融合多尺度注意力机制和度量学习的商品识别方法。首先，基于ResNet层级结构引入多头自注意力，充分挖掘卷积神经网络（CNN）多尺度特征提取优势和Transformer全局建模能力，并设计一种新的多尺度空洞注意力，使模型关注到相似包装中商标形状和局部纹理等局部特征，以及上下文全局特征；其次设计降采样多尺度特征融合策略，有效提高算法的多尺度特征表达能力；最后采用ArcFace损失函数以增强模型的识别能力。为了验证所提出方法的有效性，构建了一个真实场景下的商品数据集，由自动售货柜的顶视摄像头采集。实验结果表明，该方法在Commodity 553数据集上的MAP@1准确率达到87.4%，优于当前的主流识别方法，可实现更精确的商品识别。

摘要:为解决阿尔茨海默病（AD）患者大脑结构性核磁共振影像（sMRI）病变细微复杂和空间异质性分布引起的病症诊断准确率低的问题，提出了一种结合卷积神经网络（CNN）和Transformer优势的混合架构，用于AD病症诊断。首先，设计了多视图特征编码器，通过构造融合混合注意力机制的视图局部特征提取器分支，从sMRI的冠状面、矢状面和轴向面方向提取潜在互补信息，并通过多视图信息交互学习策略增强病灶区域的语义表征。其次，设计了级联式多尺度融合子网络，逐层融合多尺度特征图以生成更丰富判别信息。最后，利用Transformer编码器建模了全脑sMRI的全局特征表示。在阿尔茨海默病神经影像倡议（ADNI）数据集上的结果显示，本文方法在AD分类和轻度认知障碍（MCI）转化预测任务的准确率分别达到了94.05%和81.59%，优于多种现有方法。

摘要:针对现有的轻量级目标检测算法在应用于遥感图像军用飞机目标检测任务所面临的模型参数大、检测速度慢的情况，提出一种基于YOLOv8n的轻量级遥感图像军用飞机目标检测算法：LeYOLO-MARs。采用了优化后的倒置瓶颈模块替换原始主干网络中的经典瓶颈模块，更换高效的骨干网络特征提取模式，在保持特征提取能力的同时，有效降低了计算需求并提升了计算速度；颈部网络中引入了快速金字塔架构网络，减少了卷积层数并提高了语义信息共享的效率，减少了锁定和等待时间，同时考虑了有限的并行化机会和架构的复杂性；使用轻量级解耦网络头，通过逐点卷积简化检测头结构；使用Inner-SIoU作为新的定位回归损失函数，提升对小目标样本的学习能力并加快回归边界框的收敛；加入了轻量级金字塔压缩注意力机制模块，有效整合局部注意力和全局注意力，以建立long-range通道依赖关系。实验结果表明，改进的算法在保证检测速度的同时取得了95.7%的检测精度，比基线模型高0.4%,模型参数缩小43%，计算量减少63%，较主流算法在检测效果上有一定的提升，能够对军用飞机目标进行高质量实时检测。

摘要:水下距离选通成像技术具有不受环境光影响、作用距离远的优点，已成为众多学者关注的研究领域。然而，水下选通图像存在光照分布不均、噪点较多等问题，导致成像的清晰度受到影响。针对上述问题，在现有的低照度增强算法Zero-DCE++基础上，本文提出了一种Enhanced Zero-DCE++算法。首先，引入改进的核选择模块，使用深度可分离卷积和ReLU6激活函数替换标准卷积和ReLU激活函数，改善水下选通图像光圈部分过曝光的问题；其次，采用改进的HWAB半小波注意力模块，使用CBAM替代DAU双注意力单元，在小波域中区分噪声和真实特征，增强特征区分能力，提高成像清晰度；最后，加入ADNet噪声去除模块，有效抑制Zero-DCE++在低光照增强后的噪声。在自采的水下选通数据集上的实验结果表明，相比于Zero-DCE++模型，Enhanced Zero-DCE++模型处理结果的峰值信噪比提升约0.65 dB、图像信息熵提升约0.23，证明了模型的有效性和可行性。

摘要:针对自动驾驶车辆视觉感知系统在雾天、雨天等复杂天气下因环境噪声导致目标检测效果不佳的问题，提出基于自适应图像去噪与多重关注的联合优化目标检测算法(DMCYOLO)。构建一个图像去噪网络，融合暗通道先验算法和ACE图像增强技术模块，提升复杂天气下的图像质量；进一步地，将该网络与YOLOv8主干网络相连，并在YOLOv8网络中运用SCDonw卷积代替标准卷积，集成点卷积与深度卷积，降低网络计算成本，同时获得更丰富的下采样信息；采用SEAM注意力模块，整合网络局部信息和全局信息；引入SA检测头，广泛关注上下文特征以保留更多细节信息；在损失函数中引入线性区间映射重构IoU，以提升网络对于不同复杂环境的适应性。实验结果表明，相较于基线模型，改进算法在参数量降低15%的情况下，平均精度提升2.9%，有效增强了自动驾驶车辆在复杂环境下对目标的识别能力，在EC-R3588SPC和Nvidia Jetson NX边缘设备上部署效果良好，可以满足复杂天气下的实时检测需求。

摘要:针对壁画图像人物间纹理，轮廓相似，不同场景下壁画人物特征差异较大，背景噪声复杂，分类易混淆等问题，提出了一种针对ResNet卷积神经网络的改进策略。首先将模型输入层中较大的7×7卷积核分离为3个串联的3×3小卷积核堆积的主干，将2×2平均池化与最大池化进行add特征融合取代原最大池化操作，增强模型的表征能力。其次设计了一种多尺度高效的空间通道注意模块，以ECA通道注意力模块为基础，串联空间注意力模块，将空间模块中原3×3卷积核替换为SK注意力模块，融合多尺度信息捕捉全局长距离依赖关系，降低背景噪声的干扰。最后提出一种蜂窝式聚合结构，将相邻的block块中的输出信息进行add操作，作为后续层的输入，同时捕获低级和高级特征，增强上下文信息的流通性。实验结果表明：该模型在准确率、精度、召回率和F1值分别达到96.51%、96.65%、96.67%、96.63%。相对于原模型ResNet-18准确率提升9.76%，与主流的分类算法相比分类准确率、泛化能力、稳定性均有一定的提升，能够高效准确识别壁画所属类型，这对于文化遗产保护和艺术史方面研究具有显著价值。