摘要:针对现有人员搜救检测方法在复杂环境中检测效果不佳的问题，提出了一种改进算法——DAAS-RT-DETR。该方法以RT-DETR(real-timedetection transformer)为基础，首先使用双卷积核（DualConv）来增强多尺度特征提取的能力；然后在AIFI(attention-based intrascale feature interaction)模块中引入全局注意力机制（global attention mechanism, GAM），实现了空间与通道双域信息聚合；之后设计了自适应门控融合模块（adaptive gated fusion module,AGFM）来提升特征的交互效率；最后替换损失函数为尺度动态损失函数（scale-based dynamic loss,SBD Loss）来提高目标定位精度。实验结果表明，改进的算法在AiTV数据集上的mAP50和mAP50-95分别提升了4.6%和4.2%，在自制的数据集RES上分别提升了6.3%和6.2%，参数量更少，且具备良好的实际应用潜力，有希望被运用在实际搜救任务中。

摘要:针对超声透皮给药过程中负载变化、纯滞后和执行限幅共同作用下声压包络易超调、易振荡且抗扰恢复慢的问题，设计了一种考虑负载不确定性的区间二型模糊自整定增量式比例积分微分（proportional-integral-derivative，PID）控制方法。首先基于巴特沃斯-范戴克（Butterworth-Van Dyke，BVD）等效电路与包络基带建模，将对象等效为含纯时延的二阶系统；随后引入高斯型区间二型模糊集、Karnik-Mendel类型降阶及抗积分饱和机制，实现PID参数在线有界调度。仿真结果显示，与传统PID相比，均方根误差(root mean square error，RMSE)降低15.4%，峰值超调降低62.1%，整定时间缩短38.2%，扰动恢复时间缩短41.9%；与一型模糊PID相比，峰值超调降低58.6%，整定时间缩短26.8%，扰动恢复时间缩短24.7%。实验结果表明，区间二型模糊自整定增量式PID(intervaltype-2 fuzzy self-tuningincremental PID,IT2-FPID)的效果均优于对比方法，该方法可实现超声给药声压包络的快速、稳定和鲁棒控制。

摘要:电磁仿真在微波滤波器设计中至关重要，但传统数值方法计算成本高昂，且难以处理设计参数到电磁响应的多值映射问题。为了快速且精确地建立微波滤波器的参数化模型，提出了一种基于条件变分自编码器(conditional variational autoencoder, CVAE)与Transformer混合架构的数据驱动代理模型。首先利用电磁仿真软件构建四阶腔体滤波器的S参数响应数据库，随后基于该数据库构建CVAE-Transformer混合模型。该模型通过引入概率隐空间设计了一种创新的复合损失函数，该函数融合了分层分贝域自适应权重机制，实现了从结构参数到S11参数概率分布的高保真度映射。实验结果表明：相较于多种基准模型，该代理模型展现了最优性能，其预测结果与高精度仿真数据的均方误差（mean square error,MSE）低至0.002 324，相关系数高达0.996 6。相较于传统的电磁仿真方法，预测速度提升了3个数量级以上。因此，代理模型的快速精确预测能力对微波滤波器的稳健设计、良率分析和优化设计具有重要的理论指导意义和实际工程应用价值。

摘要:针对城市地下中短距离小口径埋地管道中心线定位难度大、精度不足的问题，提出一种改进的RTS(Rauch-Tung Striebel)滤波平滑算法，旨在提升定位精度。该方法基于惯性导航系统与里程计的组合导航方案，首先采用扩展卡尔曼滤波器进行前向数据融合，以抑制误差发散。进而，创新性地提出一种改进的RTS后向平滑算法，通过引入平滑“误差状态”的方式，直接对定位信息和传感器参数进行修正，经传感器参数补偿与二次滤波优化，实现定位精度的提升。为验证算法有效性，开展了模拟实验。结果表明，该方法对管道中心线测绘的精度可达到10-3量级，完全满足管道内检测定位的工程应用需求，为管道的安全运行与维护提供更可靠的数据支撑。

摘要:为精准解决细长管件内部喷丸残留这一影响高端装备服役安全的关键问题，满足航空航天、精密医疗器械等领域对核心零部件全周期质量保障的严苛需求，克服现有无损检测技术的局限，本研究首次在细长管件内部残留喷丸检测场景下提出将涡流检测技术与锁相放大器相结合，并设计了一种基于现场可编程门阵列（field programmable gate array，FPGA）与锁相放大器的集成化喷丸残留检测系统，以电涡流传感器为探测手段，伸入管件内部捕获喷丸残留产生的电磁响应；基于互相关理论，通过锁相放大器实现对微弱相位信号的精准提取，经FPGA控制的高精度数据采集模块完成信号量化，最终通过相位变化特征实现喷丸的残留识别与位置定位。该系统突破了传统超声波检测、射线检测及单一涡流检测的应用局限，可以通过多频段激励频率适配不同检测场景，检测精度从厘米级提升至毫米级，可有效检测不同尺寸的残留喷丸，无需依赖耦合剂，不受管件几何结构、喷丸附着状态影响。同时，系统具备检测速度快、效率高的优势，且体积小巧、成本较低，无辐射污染，对检测环境要求宽松，便于现场部署。通过搭建实际测试平台，在不同频段激励频率下对铝合金细长管件内不同尺寸钢质喷丸残留的情况进行检测验证，结果表明，检测系统可以在不同激励频率下有效识别管件内残留的不同尺寸的喷丸，对喷丸位置检测结果的平均误差仅为2.38 mm，标准差为1.35 mm，信噪比相较于传统涡流检测方法也有所提升。

摘要:航空发动机故障诊断对飞行安全与运行效率具有重要意义，但在实际应用中，大规模带标签的故障数据难以获取，导致小样本条件下传统模型易过拟合且泛化能力不足。针对这一挑战，引入先进的表格生成模型进行传感器数据合成，以实现小样本场景下的数据增强。所构建的表格生成模型由表格先验拟合网络扩展而来，能够在无需额外训练的情况下快速拟合数据分布，相较于现有表格生成方法具备更高的效率与适应性。通过智能数据建模软件UniXDE.DTM进行模型的训练和评估，实验结果表明，所提出方法能够有效扩充航空发动机故障样本，显著提升小样本条件下的诊断性能，并在与多种主流生成模型的对比中取得最优结果。该研究为小样本故障诊断提供了一种高效可行的解决方案，展现了表格大模型在工业关键装备智能运维中的应用潜力。

摘要:窃电行为严重威胁电力系统的安全与稳定运行。随着计量系统的不断升级，多源数据的可获取性显著提升，为窃电检测研究创造了有利条件。然而，现有方法仍存在数据维度单一和复杂时序依赖难以有效捕捉的挑战。为了应对这些挑战，提出了一种用于窃电检测的并行卷积神经网络自注意力网络（parallel convolutional neural networks self-attention network, PCSA-Net），旨在深度挖掘电力、燃气和水3类异构能源数据之间蕴含的复杂耦合关系。首先对多维异构时序数据进行了严格的规范化预处理，确保模型输入的质量和一致性。随后，PCSA-Net 创新性地集成了三大关键模块：多通道并行卷积神经网络负责针对各能源序列独立高效地提取局部时序特征；卷积层用于实现提取特征的跨通道信息融合与对齐；自注意力机制被引入对融合特征进行全局时序依赖建模和动态加权，显著增强了关键信息的判别性。为解决窃电检测任务中固有的类别不平衡问题，模型采用了加权二元交叉熵损失函数进行优化。最终，在多组不同异常比例数据集上进行对比实验，结果表明PCSA-Net在曲线下面积(area under curve, AUC)、加权F1得分(weighted F1-score,WF1)等核心评估指标上均显著超越了传统方法与深度学习基准模型，充分验证了PCSA-Net在复杂多源环境下的高效检测性能。

摘要:针对高速串行链路软件时钟恢复在强抖动条件下易出现跳变沿间符号数误判，导致同步时钟相位累积失真的问题，提出一种基于相位误差校正的抗失真软件时钟恢复方法。该方法在软件时钟恢复过程中实时监测参考时钟与同步时钟的相位差，从而对跳变沿间符号数判决结果进行识别与校正。与商用示波器的对比实验结果为：在高随机抖动和强占空比失真条件下，商用示波器的符号速率估计误差可达0.3%，而本文方法的相对误差不超过0.005%，测量精度提高约60倍。结果表明，该方法可有效抑制同步时钟相位失真，提高强抖动条件下符号速率估计的稳定性与鲁棒性。

摘要:针对弹载装备在试验回收过程中存在的回收区域不确定、终端无法人工干预启动、信息回传链路不稳定以及功耗受限等问题，提出并实现一种基于北斗三号卫星无线电导航业务 (radio navigation satellite service, RNSS)/卫星无线电测定业务（radio determination satellite service, RDSS）协同的自启动弹载定位回收系统。系统采用集中式控制架构，以RNSS为常态定位手段，并在回收阶段特定条件下触发启用RDSS短报文通信，构建面向“待机-唤醒-飞行-回收-落地保持”的5种状态协同调度机制，实现位置信息与关键参数的可靠回传；同时针对长期储存与发射高动态冲击场景，设计“倾角开关物理触发+微控制器自保持”的自启动保持电路，并结合运动特征判定实现运输扰动与发射过程的区分。样机测试结果表明：系统可稳定完成自启动、状态切换、RNSS定位与RDSS回传功能；在静态定位测试中平均水平误差约0.45 m，最大误差不超过0.85 m；短报文通信在开阔与遮挡场景下总体接收成功率不低于86.7%。

摘要:针对无人机小目标检测中存在的弱边缘表示、复杂多尺度背景、模型结构低效等问题，在YOLOv8n的基础上，提出了一种轻量级但功能强大的检测器YOLO-GML。该模型融合了3个关键创新：LearnableDoGFilter和GaussianFilter模块，用于增强目标轮廓并抑制背景干扰；多尺度可变核卷积（multi-scale variable kernel convolution, MKConv）模块用于局部和全局上下文的分层感受野融合；通过修剪深度下采样阶段和优化Head部分来实现轻量型架构。在VisDrone2019数据集上的实验表明，YOLO-GML不仅显著地将参数量从3.008×106减少到2.044×106，而且取得了优越的检测精度，其中mAP50从33.633%上升到42.818%，mAP50.95从19.628%上升到25.830%。该工作在轻量化设计和高精度之间建立了一种新的领先平衡，为实时无人机视觉应用提供了一种高效实用的解决方案。

摘要:在通信测试中，信号源通常需要生成宽带且形式多样的测试信号，但有效输出带宽往往受到时钟频率限制。为扩展多种测试信号的有效输出带宽，设计并实现了一种基于现场可编程门阵列（field-programmable gate array，FPGA）的多模式基带信号并行生成系统，该系统采用面向信号特性的并行化生成架构，支持加性高斯白噪声（additive white Gaussian noise，AWGN）、幅移键控（amplitude shift keying，ASK）、相移键控（phase shift keying，PSK）、频移键控（frequency shift keying，FSK）、单音/多音、扫频及梳状等多种基带矢量信号的超采样实时生成，并支持部分信号的组合输出与多种参数的灵活配置。实验结果表明，在250 MHz的运行时钟条件下，系统实现了优于670 MHz的有效输出带宽，调制信号相位连续、波形质量良好，误差矢量幅度（error vector magnitude，EVM）低于2%，为宽带、多模式基带测试信号的灵活生成提供了一种可行的FPGA硬件实现方案。

摘要:针对非相干大规模单输入多输出（single-input multiple-output, SIMO）系统中错误率性能分析与优化困难问题，提出了一种基于进化计算的差分幅度相位键控（differential amplitude phase shift keying，DAPSK）星座设计方案。首先根据用户调制阶数和DAPSK调制特性初始化星座结构，随后引入进化计算框架进行迭代优化。在进化过程中，通过最大化联合星座点间的最小欧氏距离调整初始星座分布，从而降低后续搜索的计算复杂度，并将用户符号的幅度和相位作为染色体编码参数。在总功率与用户子星座集约束下，以蒙特卡罗仿真得到的误码率（bit error rate,BER）最小化为适应度函数，通过选择、交叉与变异操作生成候选方案，并动态调整种群规模与进化代数以提升收敛效率，最终获得最优星座设计方案。仿真结果表明，在中高信噪比及大规模天线数量配置条件下，所提方案的BER性能相较对比方案可降低约1~2个数量级。研究结果证明所提方案在提高系统性能的同时有效降低了检测复杂度，为超可靠低延迟的工业物联网通信提供了一种可行的解决方案。

摘要:针对球式关断阀螺栓状态检测中传统人工检测效率低、易漏检误检以及标准目标检测算法对细微缺陷辨识能力不足等问题，提出一种基于改进YOLOv5s的螺栓状态检测模型。该模型通过引入卷积块注意力模块（convolutional block attention module, CBAM）注意力机制增强对关键区域的特征聚焦能力，利用容感知特征重组（content-aware ReAssembly of features, CARAFE）上采样算子优化多尺度特征融合过程中的细节保留，并采用深度可分离卷积（depthwise separable convolution, DWConv）深度可分离卷积实现网络轻量化设计，从而有效提升对正常、松动、脱落及偏移4种螺栓状态的辨识精度。实验结果表明，在基于水电站现场采集的球阀螺栓数据集上，本文模型的平均精度均值mAP@0.5达到了93.54%，较原始YOLOv5s模型提升2.91%，且综合性能优于更快的区域卷积神经网络（faster regions with convolutional neural networks, Faster R-CNN）、单次多框检测器（single shot MultiBox detector, SSD）等主流检测算法，能够精准高效地完成异常状态检测任务。

摘要:针对传统滑模观测器在永磁同步电机无传感控制中存在的抖振、低通滤波器相位补偿不精确的问题，提出一种指幂切换趋近律高阶滑模观测器。首先，使用分段复合函数代替符号函数，以有效抑制系统固有的高频抖振；其次，融合指数趋近律和幂次趋近律，设计出指幂切换趋近律，进一步提升系统动态性能与收敛效率；进一步，引入饱和函数替代原指数项增益，以削弱滑模面附近因指数项引起的抖振；最后，通过仿真实验对所提方法进行验证。结果表明，所提方案相较于其他3种典型控制策略，转速误差与转矩误差大大减少，跟踪转子位置迅速准确。该算法在有效抑制系统抖振的同时保留快速响应特性，能够精确得到转子位置与转速。

摘要:针对传统积分变换在电缆缺陷定位中易产生“涟漪波”干扰、导致误判和漏检的问题，提出一种基于反射系数谱频域加权的电缆定位补偿方法。首先建立电缆分布参数模型，推导基于反射系数谱的定位原理；其次通过谐振点提取衰减常数并进行函数拟合，构建频域加权修补偿函数，实现对低频段指数增益补偿与高频段Blackman窗抑制，有效平滑定位曲线、抑制边界振荡。仿真与实验结果表明,所提方法在单缺陷及多缺陷场景下均能降低波形复杂度，显著消除“涟漪波”，使微弱缺陷的“突变峰”清晰可辨，定位精度高、抗噪性能强，可为电缆状态检修提供可靠依据。

摘要:针对深孔管材直线度测量精度的问题，提出了一种基于几何近似搜索（geometric approximation searching,GAS）算法优化的测量方法。首先，利用测量装置逐截面获取各步距的截面圆心位置；其次，使用最小二乘（least square，LS）算法对所测得的各截面圆心进行拟合，定位其基准轴线；最后，以LS算法获得的拟合轴线和直线度作为初始参数，利用GAS算法开展优化迭代计算，得到更精确的直线度误差，同时结合实验室虚拟仪器工程平台（laboratory virtual instrument engineering workbench，LabVIEW）软件开发的测量软件可以实时监测数据。实验结果表明，相较于单一使用LS算法，优化迭代组合算法（LS+GAS）的测量精度提升了5.24%~19.27%，测量结果的不确定度平均降低了24.82%。优化迭代组合算法在拟合轴线方面表现出较高的精确度和良好的鲁棒性，结合自主爬行装置能够显著提升直线度测量的效能。

摘要:提高风电功率预测精度对保障风电大规模并网安全及能源系统高效运行意义重大，然而，风电功率序列固有的非平稳性与强随机性给预测带来了巨大挑战，且现有模型在特征提取的深度与广度上仍有不足。为此，提出利用改进自适应噪声集合经验模态分解（improved complete ensemble empirical mode decomposition with adaptive noise，ICEEMDAN）结合经验小波变换（empirical wavelet transform，EWT）分解数据，双向时序卷积网络（bidirectional time series convolution network，BiTCN）与双向门控循环单元（bidirectional gated recurrent unit，BiGRU）预测为基础的组合预测模型。使用混合探索选择策略与螺旋上升因子提高梦境优化算法（dream optimization algorithm,DOA）的全局与局部搜索性能，搜索ICEEMDAN与组合模型的最优超参数。针对ICEEMDAN中高频分量的噪声残余问题，利用EWT对噪声最重的高频分量进行二次分解去噪。随后，将处理后的各分量输入BiTCN-BiGRU构成的组合预测网络，以协同捕获序列的多尺度局部特征与长期双向依赖关系。最后，将各分量的预测结果聚合得到最终预测值。经本文数据集验证，基于改进梦境优化算法（improved dream optimization algorithm,IDOA）优化的ICEEMDAN-EWT与BiTCN-BiGRU模型的平均绝对百分比误差降低至0.73，平均绝对误差和均方根误差分别降低至2.5、1.46，具有较高的预测精度。

摘要:针对低轨(lowearthorbit,LEO)卫星跳波束系统中功率、带宽与时隙资源强耦合导致的分配效率低，进而制约用户满意度提升的问题，提出一种基于Rainbow深度Q网络(quality of service,DQN)深度强化学习的LEO卫星跳波束功率-带宽联合分配方案。首先综合考虑信道状态信息、队列状态信息和业务需求等特征构建多维状态空间，以最大化用户满意度为目标建立了时隙、功率和带宽资源联合优化模型。其次，考虑LEO卫星环境下多变的用户需求以及用户状态等信息，采用DQN进行时隙分配的学习以及采用依赖域内点法输出功率分配从而满足用户需求。最后，为实现并加速算法在任务的收敛过程，引入Rainbow DQN算法，通过融合多技术的优化特性，快速生成LEO卫星系统的时隙-功率-带宽联合分配策略。仿真结果表明，所提出的资源分配方案能够优化LEO卫星跳波束系统的功率与带宽联合配置，提升用户满意度与算法训练稳定性，并有效验证多技术融合强化学习在离散动作空间中的应用优势。

摘要:针对伪点云存在的空间分布不均问题，特别是近距离点密度过高而远距离仍相对稀疏，容易导致候选框特征不同距离表征不一致，从而影响整体检测性能。为了解决该问题，提出几何信息增强模块（geometric enhancement module，GEM）与自适应区域注意力融合（adaptive region-of-interest attention fusion，ARAF）模块。GEM在重采样阶段采用分区差异化处理，对近距离区域进行体素级下采样以压缩冗余点并降低噪声，同时在远距离区域保留稀疏点分布以维持关键几何结构。ARAF在感兴趣区域（ region of interest，RoI）层面建模区域重要性，预测权重并对真实点云与伪点云特征进行自适应加权融合，使网络可随目标距离动态调整关注远距离点云，从而缓解远距离特征表达能力不足导致的性能下降。KITTI（Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago）实验表明，该方法在3项指标上分别提升3.19%、1.90%和1.75%。

摘要:疲劳驾驶检测对实时性与可靠性要求高，但现有目标检测模型参数量与计算复杂度较大，难以在车载边缘设备上部署。为此，提出面向车载环境的超轻量级检测模型Flat-YOLO，通过渐进式扁平化通道标度降低参数冗余，并设计边界框感知通道自注意力（bounding box-aware channel self-attention，BBoxCSA）与IoU感知多尺度融合（IoU-aware multi-scale fusion，IoUMSF）两类配套补偿模块以增强边缘表征与多尺度融合。在自建驾驶员疲劳检测（driver drowsiness detection，DDD）数据集（9 751张，7类）上，Flat-YOLO相较YOLOv8n参数量减少69.4%，mAP@0.5:0.95持平，精确率和召回率分别提升0.3%和1.0%；相较YOLOv8s参数量减少91.7%，计算量减少76.8%。分类别结果进一步表明，在安全关键类别上，Flat-YOLO对head_low的召回率提升4.9%（0.951 vs 0.902），对open_eyes召回率提升2.2%（0.913 vs 0.891）；在细粒度疲劳线索上，mouth的mAP@0.5:0.95提升0.9%（0.479 vs 0.470），yawn的精确率提升3.3%（0.947 vs 0.914）。此外，在公开公开的哈欠检测数据集（yawning detection dataset，YawDD）数据集上，Flat-YOLO的mAP@0.5:0.95达到0.901（YOLOv8n为0.862），验证了所提方法的跨数据源泛化能力。

摘要:透明物体的折射与反射会严重干扰基于深度相机的三维测量，导致深度图出现空洞、伪影及噪声，造成物体点云残缺与6D抓取姿态估计偏差。现有深度补全方法往往难以在精度与效率间取得平衡。为此，提出一种面向机器人抓取的轻量级深度补全网络SEDNet(spectral and edge-aware depth completion network)。该网络首先通过RGB-D自适应门控融合编码得到鲁棒的联合特征。利用边缘感知置信度模块生成深度置信度图，在多尺度融合过程中抑制低可信区域的噪声干扰。在网络下采样阶段引入窗口移位机制以增强跨窗口交互并保持结构连续性。在解码器端，结合跳跃连接与多尺度频谱注意力模块，通过可微的小波变换与动态空间注意力机制实现细节与边缘的增强重构。在公开数据集TransCG上的实验表明，相较于主流基线模型DFNet(depth filler net)，本方法在均方根误差(root mean square error,RMSE)、相对误差(relative error,REL)和平均绝对误差(mean absolute error,MAE)指标上分别降低了50.00%、25.93%和50.00%，同时单帧推理时间仅为0.020 s，在显著提升深度补全精度的同时满足了机器人抓取对实时性的要求，验证了所提方法的有效性与实用性。

摘要:针对当前基于深度展开网络的图像压缩感知重建方法存在低采样率下细节恢复困难、历史特征信息利用不足以及块效应的问题，提出了一种基于扩散模型与双注意力交替优化的图像压缩感知重建网络(diffusion and dual-attention alternating optimization network，DDANet)。该网络将扩散模型与深度展开框架相结合，通过设计扩散去噪与双注意力交替迭代机制，实现数据分布先验与跨阶段特征融合的协同增强，改善低采样率下的恢复质量。双注意力机制包括跨阶段通道注意力(cross-stage channel attention，CSCA)模块和窗口稀疏注意力(window sparse attention，WSA)模块，通过融合跨阶段特征与挖掘局部自相似性提升图像重建细节。针对块效应提出了坐标空间自校正(coordinate spatial self-correction，CSSC)模块，通过空间、坐标和自校准三分支协同作用，抑制块边界不连续伪影，保证重建图像的全局一致性。实验结果表明，在Set11测试集上，当采样率为1%时，所提方法在峰值信噪比(peak signal-to-noise ratio，PSNR)指标上相比同为扩散模型的扩散消息传递深度展开网络（diffusion message passing deep unfolding networks，DMP-DUN）提升了0.61 dB，相比基于优化思想的交叉注意力 Transformer 展开框架（optimization-inspired cross-attention Transformer unfolding framework，OTCUF）提升了1.31 dB；当采样率为10%时，PSNR相比OTCUF和不动点延拓展开网络（unrolling fixed-point continuous network，UFC-Net）分别提升了1.22和1.77 dB，表明该方法在低采样率条件下具有显著优势。

摘要:针对水下声呐图像中因噪声干扰导致的中华鲟检测精度低、小目标识别能力弱的问题，提出一种基于改进YOLOv8n的中华鲟声呐检测模型。研究设计层次注意力融合块模块，通过层次化注意力机制实现局部与全局特征的自适应融合；引入位置偏移卷积模块，采用多向分支卷积融合策略，利用高斯分布式感受野增强对小目标特征的差异化提取能力；设计轻量级共享卷积与独立BN(batch normalization)层检测头，有效平衡检测精度与推理效率。在自建的中华鲟声呐数据集上进行实验，将数据集按8∶1∶1比例划分为训练集、验证集和测试集。实验结果表明，与基准模型YOLOv8n相比，本模型的mAP@0.5提升1.0%，精准度提高2.6%，召回率提高0.3%；参数量和浮点运算次数分别下降0.58×106和0.7 GFLOPs。消融实验证明，3个改进模块的组合使用能显著提升模型性能。对比实验表明，本模型在参数量稳定的前提下，检测精度优于其他主流目标检测模型。本研究提出的改进模型在复杂水下噪声环境中对中华鲟的检测精度和效率有显著提升，为中华鲟水下行为监测提供了有效的技术方案，对中华鲟保护和人工养殖的野化训练具有重要应用价值。

摘要:针对复杂工况下煤与矸石外观相似，且光照波动、运动模糊及遮挡易导致检测精度低、误检漏检率高的问题，提出一种基于ECA-DEIM的煤矸石目标检测方法。该方法在主干网络中引入轻量级多尺度注意力模块以提升多尺度目标捕获能力，构建煤矸石空间细化与选择性校正模块以提高相似目标的空间表征能力，设计自适应动态归一化模块以增强模型泛化能力。实验结果表明，在自建数据集上mAP@［0.5:0.95］和mAP@0.5分别达52.3%与82.5%，较DEIM提高2.2%和2.4%，参数量降低19.9%。漏检率降至3.95%，误检率降低4.3%，分选准确率达93.1%。结果表明，该方法在复杂工况下具有较好的检测精度、鲁棒性和工程适用性。

摘要:针对无人机目标检测场景下特征提取能力有限、小目标密集、目标尺度变化大导致的检测精度低等问题，提出一种基于改进实时检测变换器（real-time detection transformer,RT-DETR）的无人机目标检测算法。首先，在主干网络部分，设计 C2f-EncoderBlock 特征强化模块重构网络架构，通过引入频域-空域协同感知机制，利用快速傅里叶变换（fast fourier transform，FFT）在频域捕获全局照度与纹理信息，有效解决了低分辨率模糊图像特征难提取的问题，同时显著降低了模型参数量；在检测头部分，设计多尺度小目标特征强化金字塔结构，通过无损下采样与多维特征交互，有效解决原模型对小目标的漏检及特征融合粗糙问题。最后，设计融合难易样本聚焦机制的聚焦式最小点距离交并比（focaler minimum point distance intersection over union,Focaler-MPDIoU）损失函数替代原模型的广义交并比（generalized intersection over union,GIoU），不仅通过最小化角点距离提升了密集目标的几何定位精度，还通过动态重权策略增强了模型对微小及被遮挡等困难样本的挖掘能力，从而进一步提升检测精度。实验结果表明，在VisDrone2019数据集上，改进后算法的mAP50相较于基准模型提高了3.9%，同时参数量减少了24.75%，有效提升了无人机目标检测能力。