予眼

本项目面向天文观测中实时预处理需求，针对宇宙线、条纹噪声等典型退化问题，设计了基于物理先验的图像修复流程。系统支持对原始科研图像进行去条纹、宇宙线检测与修复、星点保真保护等处理，适用于边缘设备或低算力环境下的快速预处理。整体目标是在保证天体测光与定位精度的前提下，提高图像清洁度和下游科学分析效率。

无人机/机器人、安防监控/消防 1、立项背景和目标 在无人机安防巡检、火灾监测等热成像应用中，传感器由于物理限制常产生随机的脉冲状亮斑或条纹（impulse-like artifacts）。传统中值滤波或深度学习去噪方法要么会破坏真实的高温边沿，要么需要GPU算力，无法在边缘设备上实时运行。本项目的目标是开发一个无需训练、仅依赖CPU的轻量级图像预处理算法，能够在不模糊目标轮廓的前提下，自适应地抑制脉冲噪声，特别保留火灾、车辆发动机等高温区域的结构完整性，提升下游视觉任务的可靠性。 2、软件功能、核心功能模块的介绍 局部不确定性估计：基于局部均值与方差计算每个像素的归一化偏差，区分噪声与真实热信号。 连续置信度映射：使用Sigmoid函数将偏差转换为0~1之间的抑制权重，避免硬阈值导致的不稳定。 结构张量保护模块：通过计算像素邻域的结构相干性（coherence），自动识别边缘/角点等需要保护的区域，大幅减少边界模糊。 全局安全限幅：根据图像整体的98%分位数动态限制最大抑制强度，防止在高温区域过度平滑。 软混合输出：将原始像素与中值滤波结果按风险权重融合，输出噪声抑制后且边缘锐利的热红外图像。 3、业务流程、功能路径描述 用户输入一张热红外图像（单通道，uint16或float32） → 算法自动计算局部均值/方差 → 生成偏差图与置信度 → 并行计算结构张量获得相干性图 → 结合全局安全因子得到最终抑制强度 → 将原图与中值图按像素级权重融合 → 输出处理后图像。整个过程单帧耗时约70~200ms（640×480~1280×1024），可直接集成到无人机飞控或热像仪嵌入式系统中。

1、立项背景和目标 在金属表面缺陷检测（如裂纹、划痕、麻点）的实际生产线上，受光照变化、纹理背景干扰等因素影响，预训练的目标检测器即使架构先进，推理时的置信度阈值若不匹配现场环境，也容易产生大量漏检或误报。传统方法往往需要重新训练模型或增加后处理模块，导致计算开销上升。本项目的目标是：在不改变YOLOv8n网络权重、不增加任何浮点运算量（零FLOPs）的前提下，仅通过推理时阈值的系统化校准，显著提升检测器的稳定性和F1-score，为工业部署提供一种“零成本”的性能优化方案。 2、软件功能、核心功能模块的介绍 数据集统一与清洗：融合NEU-DET与GC10-DET两个公开金属表面缺陷数据集，统一为17类缺陷（剔除单例标签），划分训练/验证/测试集。 基线YOLOv8n检测器：采用Ultralytics YOLOv8n作为基础模型，在合并数据集上进行微调，支持实时缺陷定位与分类。 固定阈值校准模块：在验证集上对置信度阈值（0.1~0.9步长0.01）进行网格搜索，以最大化F1-score为目标，选出最优阈值。该模块不修改模型结构，推理时仅替换阈值参数，实现零FLOPs提升。 质量感知自适应阈值（可选控制）：基于图像亮度、对比度、清晰度、噪声估计计算单张图像质量分Q，动态调整阈值适用于光照变化剧烈的场景。 类别依赖的双风险阈值（可选控制）：根据每个类别的经验假阳性率与假阴性率，进行类别级别的阈值微调，可在误报敏感的生产线上进一步降低虚警。 消融对比模块：实现P2特征增强分支的YOLOv8n-P2变体，以及CLAHE预处理变体，用于验证“增加复杂度是否一定带来性能提升”。 3、业务流程、功能路径描述 用户输入金属表面灰度/彩色图像 → 调用已微调的YOLOv8n模型进行推理 → 系统读取校准后的最优阈值（或自适应阈值）对检测框进行过滤 → 输出缺陷类别、置信度、边界框坐标 → 可视化叠加于原图上。整个流程相比原始YOLOv8n仅改变一个阈值参数，推理速度完全不变，内存占用不变，无缝集成到现有产线质检系统中。

针对超声医学影像中的斑点噪声问题，开发了一套具备结构保持能力和自动调参功能的智能去噪系统。系统核心功能包括： - 斑点噪声抑制 ：采用深度学习方法有效去除超声图像中的斑点噪声，提升图像质量 - 结构信息保持 ：在去噪的同时保护图像中的组织结构和边缘细节，避免过度平滑 - 自动参数优化 ：基于贝叶斯优化算法自动搜索最优网络参数和超参数配置 - 多模态支持 ：支持多种超声成像模式（B超、彩色多普勒等）的去噪处理 该系统可应用于临床超声诊断、医学研究等场景，帮助医生更清晰地观察病变区域，提高诊断准确性。