摘要:针对现有方法因忽略历史交通信息导致时空特征感知不足的问题,提出一种融合深度强化学习与时空特征建模的交叉口信号控制方法。该方法使用D3QN-LSTM混合网络架构,通过离散交通状态编码将多时段交通信息表征为高维矩阵,采用卷积神经网络提取空间特征,结合长短时记忆网络捕捉时序依赖关系,并设计基于奖励反馈的动态探索机制优化策略训练过程。基于SUMO仿真平台进行实验,结果表明：相较于固定时长控制及传统强化学习方法,所提方法在早高峰流量情况下平均排队长度指标上分别降低49.95%、35.04%和16.72%,累积等待时间减少63.03%、35.55%和20.15%,有效验证了时空特征建模与动态探索策略的优越性。为评估算法鲁棒性,进一步开展平峰期交通流实验,结果表明：所提算法在平均排队长度与累积等待时间指标上依然保持显著优势,证明该方法对不同交通场景具有强适应性和良好的泛化能力。

摘要:太阳辐射引起的气温测量误差，即太阳辐射误差，最高可达1 K。为提高测温精度，同时针对强制通风测温装置功耗较大的问题，设计了一种无刷直流 (BLDC) 风机通风的温度传感器装置，兼具自然通风与强制通风功能，有效降低功耗。采用计算流体动力学方法 (CFD) 对传感器进行多物理场流固耦合仿真，量化不同条件下的辐射误差，以最小化辐射误差为目标建立风速与太阳辐射强度对风机吸压的函数映射关系，制定风机调控策略。对比选择遗传算法优化的 BP 神经网络算法 (GA-BP) 对仿真数据集进行训练与拟合，从而构建辐射误差修正方程。以076B温度传感器为基准进行外场实验，测得设计的温度传感器经算法修正后的辐射误差控制在0.05 K以内，平均绝对误差为0.039 K，均方根误差为0.045 K。

摘要:针对进口行波管放大器故障率高和维修困难的问题，研制了一款室内型Ku频段350 W功率放大器。基于新型波导魔T、波导E-T结、共面魔T和半高波导-微带探针过渡结构，提出了一种新型16路功率分配/合成网络，采用16片氮化镓35 W功放芯片合成，研制出一种Ku频段450 W功率合成模块。基于该模块，成功研制了室内型Ku频段350 W功率放大器。测试结果表明在13.75~14.5 GHz频率范围内，该功率放大器增益大于73 dB，输出功率大于400 W。经计算，额定功率输出时，整机效率为23.65%，与国际知名公司水平相当。该功率放大器指标优良，可完全替代进口行波管放大器产品。

摘要:在可再生能源系统中，采用高增益三端口变换器将光伏组件与储能系统集成至高压直流母线是能够有效提升功率密度和效率，受到广泛的关注。针对传统三端口变换器电压增益有限、难以实现软开关、半导体器件电压应力高等问题，本文提出一种基于三绕组耦合电感的新型超高电压增益三端口变换器拓扑。该拓扑仅采用单一磁芯结构，可有效提升变换器的功率密度。变换器中半导体器件具有远低于直流母线的电压应力，能够选用导通损耗更低的器件规格，且能够实现软开关运行，从而降低系统损耗并提升效率。进一步设计一种变换器的端口功率流控制方法，基于端口功率关系，所提变换器可实现不同工作模式间的平滑切换。本文详细分析了该拓扑结构及工作原理，进而对端口电压关系、电压/电流应力及控制方法进行深入分析以指导参数设计。最后，构建了光伏输入电压20~40 V、储能电池电压48 V、输出电压400 V、额定功率400 W的仿真模型和实验样机，验证了所提高增益三端口变换器及其控制方法的有效性。

摘要:温度特性对磁流变阻尼器的动态性能影响显著，研究磁流变阻尼器温升理论模型，为分析和改进其温度特性具有重要意义。基于磁流变阻尼器能量平衡关系，揭示了不同运动幅值激励下的磁流变阻尼器的温升理论和传热机理，建立了小幅值和大幅值正弦谐波运动下温升理论模型。利用有限元仿真分析阻尼器的温升规律，结果表明，在小幅值正弦谐波运动时，阻尼器腔体内磁流变液温度升高了到3.2℃，阻尼器腔体内不同位置处磁流变液的温度相差较大，在大幅值运动时，磁流变液的温度升高了20.8℃，腔体内不同位置磁流变液温度几乎相等，验证了磁流变阻尼器温升理论模型的正确性。通过温升特性试验进行验证，温升试验曲线与仿真和理论计算结果变化趋势一致，小幅值运动下的理论模型对磁流变液温升值预测误差较大，大幅值运动下预测值准确性较高，温升理论模型不仅有效预测了阻尼器内部的温度，也为磁流变阻尼器的结构设计和工程应用提供了理论依据。

摘要:针对合成孔径雷达图像中相干斑噪声干扰、低信噪比及目标多尺度散射特性导致的目标检测精度衰减与小目标漏检问题，提出一种兼顾特征表征能力与实时性的轻量化检测模型XMNet。XMNet在主干网络部分引入改进型单头视觉Transformer，通过全局注意力机制强化上下文语义关联；设计跨层级多路径聚合网络作为颈部结构，融合动态上采样与并行多尺度卷积模块，优化多尺度特征表征；新增高分辨率检测层，利用浅层高分辨率特征增强小目标细节捕捉能力。在MSAR-1.0数据集上的实验表明：全类别平均检测精度达90.4%，较基准模型提升8.7%；飞机类小目标检测精度显著提高20.1%，参数量仅增加2 M，推理检测速度达到185 FPS；与FCOS、CenterNet等9个先进方法对比，XMNet在检测精度与计算效率综合指标上排名首位。XMNet通过跨层级注意力机制与多尺度特征融合的协同设计，有效解决了SAR图像中多尺度目标特征丢失与实时性难以兼顾的难题。其轻量化特性与高检测精度为各类SAR平台的实时遥感监测提供了可行的工程化解决方案，尤其在小目标密集的复杂场景中展现出显著优势。

摘要:为解决当前数据驱动航空发动机RUL预测方法因未能充分挖掘数据特征信息，导致数据利用率低、预测精度受限的问题，提出一种新型发动机RUL多尺度预测模型，称为DSCN。所提出方法首先通过计算皮尔逊相关系数和最大信息系数捕捉发动机数据的线性及非线性关系，得到平稳与非平稳时序的趋势特征；其次，利用MRFM丰富数据特征，并在TCN基础上构建Res-CAM和MHAM增强模型对关键信息的捕捉能力，动态调整数据的动态权重。所提出方法在C-MAPSS数据集中FD001和FD003上进行试验验证，预测结果中RMSE和Score分别为11.30、218.08；12.04、227.65。结果表明，该方法比目前最优方法在Score上分别降低了4.67%和11.5%。

摘要:针对现有基于CNN的生成式隐写术存在生成图像质量差、抗隐写分析能力弱的问题，本文提出一种基于选择性状态空间模型的改进U-Net隐写架构——SSEU-Net，旨在实现高质量图像生成与高安全性隐写。方法核心包括：首先，设计了Res-SS2D模块，对输入图像进行四方向的全局空间建模，在保证线性计算复杂度的同时提升含密图像的视觉质量；其次，基于图像高频区域的微小扰动对整体统计特征影响更小的特性，提出高频特征强化策略，通过提取载体图像的边缘并融合至编码器，引导秘密图像优先嵌入高频区域，从而降低被隐写分析方法检测出的可能性；最后，设计多目标损失函数，结合PSNR与MS-SSIM优化生成质量，同时通过引入低频分量的L1范数损失，约束载体图像与含密图像的低频区域一致性，迫使秘密信息优先隐藏于高频分量。实验表明，SSEU-Net在COCO与ImageNet数据集上均优于现有方法：在ImageNet上，生成的含密图像PSNR平均达40.588 dB，恢复出的秘密图像的PSNR平均达41.863 dB，且对常见的隐写分析方法表现出较高的抵抗能力。

摘要:维卡软化温度测定仪长期使用后，常出现温度示值偏差与升温速率不准的问题。为此，研究开发了一套基于动态测试原理的高精度校准装置。这套装置配备自动触发式图像采集温度记录装置，当试样发生1 mm变形或被压针刺入的瞬间，能实时捕捉形变临界点，精准记录温度。其工作流程包含试样放置、参数设定等环节，各环节衔接顺畅。实际测试中，该装置表现出明显优势：12℃/6 min升温速率下，实际升温速率在(11.9~12.1)℃/6 min之间，温度示值误差为(-0.1~0.2)℃；5℃/6 min升温速率下，实际升温速率处于(4.9~5.1)℃/6 min 范围，温度示值误差(-0.1~0.2)℃，均符合技术要求。经分析，温度示值误差标准不确定度为0.067℃，升温速率误差标准不确定度为0.091℃/h。研究的创新点体现在提出动态升温校准方法，优化动态采集策略，将智能校准算法与自动化流程集成，可支持多温度点、多样品站同步校准。该装置有效解决了现有校准方法存在的问题，实现了温度与升温速率的同步动态精准测量，为材料热性能测试提供了可靠保障，在材料研发、质量控制等领域发挥着重要作用。

摘要:针对超声换能器在激励脉冲下产生拖尾，以及声波在罐壁多次反射、散射形成混响干扰，导致超声测距产生较大盲区的问题，提出使用具有抗混响能力的LFM波作为发射信号，并针对传统接收机直接采集实信号会产生镜像频谱，导致目标检测混淆以及运算量大的问题，提出在接收端采用正交解调技术，既可以得到抗干扰能力强的复信号，又能使系统的成本降低。本文通过分析超声波液位计的混响模型，仿真对比CW波和LFM波的模糊函数、Q函数，得出LFM波具有更强的目标分辨能力，且其在目标静止时的抗混响能力更好。实验采用LFM波做为发射信号，在接收端通过正交解调得到复信号，然后对复信号匹配滤波。实验结果表明：该方法测量精度最大绝对误差小于4 mm，盲区可减小到8 cm，具有较高的实用价值和工程意义。

摘要:现有的BCI神经反馈技术往往很难在时间和空间分辨率之间存在权衡。目前主流的神经反馈技术中，EEG具备毫秒级时间分辨率，但缺乏精确的空间定位能力；fMRI具有高空间分辨率，却受到秒级的时间延迟限制。这种时空分辨率的矛盾限制了神经反馈在临床调控中的应用。为此，本研究提出了一种混合小波神经网络，用于建模EEG信号与fMRI脑区活动之间复杂的非线性映射关系。模型采用并行的小波卷积层与一维卷积层，分别提取EEG的多分辨率频域特征与局部时域特征；通过通道交叉注意力机制建模特征间的非线性交互；并结合LSTM捕捉长程时序依赖。实验结果表明，该方法在两个独立数据集上均实现了对fMRI脑区动态变化的高精度预测，显著优于传统线性模型。该框架不仅扩展了当前神经反馈“EFP”技术的建模能力，还为发展兼具高时空分辨率的神经反馈与脑机接口提供了一条新的技术路线。

摘要:准确的病灶分割结果对于皮肤病早期诊断和后续治疗具有重要意义。现有神经网络倾向于设计更深更复杂的结构达到高分割精度的目的，然而较高的模型参数和计算成本限制了实际应用，针对该问题，提出一种轻量级多尺度信道交互分割网络LMSCI-Net，对于输入图像，设计基于信道分离和卷积分解的轻量级多尺度编码模块，结合局部-全局通道注意力机制，在保证特征提取能力的同时，实现轻量化网络编码器的设计；其次，设计多尺度信道交互增强模块，集成网络多阶段输出信息优化跳跃连接的信息处理过程，为解码器提供丰富且精确的细节信息；最后，在解码器部分设计自适应融合解码模块实现更高效的细节恢复，最终输出精确的分割结果。该网络训练过程采用深度监督机制，在ISIC2017、ISIC2018、ISIC2016这三个公开皮肤病灶分割数据集上进行对比实验并在PH2数据集上进行泛化实验，实验表明该网络在实现轻量化的同时保持较高的分割精度与泛化能力，与基线网络U-Net相比在参数量和计算复杂度上分别降低了99.38%和98.78%，充分验证该网络的有效性与轻量化。

摘要:无人机航拍是目前主流的物体检测技术之一，该任务中面临目标物体小、尺度变化大、复杂背景干扰等问题。如何在有限的计算资源下提升检测精度是一个重要的挑战。针对以上问题，提出了一种轻量级无人机航拍目标检测方法。首先设计了一种层次依赖感知剪枝算法减少模型的冗余计算。此外，将检测头分辨率提升至160×160以增强小目标检测能力，利用GhostConv替换网络的标准卷积块以减少计算冗余，并引入紧凑型架构StarNet重新设计Neck网络中的C3模块以减少特征融合过程的复杂度，增强特征表达能力。最后在Backbone层引入注意力机制来提高模型的特征提取能力。实验结果表明：在VisDrone2019数据集中，模型的mAP_0.5提升了1.8%。同时相比于原模型，参数量下降了50.4%，计算量降低了35.44%。综上所述，模型满足无人机平台在小目标检测任务中对精度和轻量化的需求。

摘要:针对电磁干扰测试多点路径规划问题，提出了一种基于改进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，通过改进启发函数和引入冗余点删除策略，减少了路径长度和算法时间。然后，将测试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，以获得最优测试路径。实验结果表明，与传统方法相比，改进方法的路径规划总距离平均减少了4.73%，转弯次数平均减少了30.42%，总转弯角度平均减少了34.74%，计算时间平均减少了39.47%，有效提升了测试的效率和安全性，为电磁干扰多目标点测试任务提供了一种可靠的解决方案。

摘要:针对现有目标检测模型在复杂环境下检测条形码时易受干扰导致精度不足，以及模型复杂度高难以部署于移动端低算力设备的问题，本研究提出了一种基于YOLOv8的轻量级高精度检测算法DOLN-YOLO。首先，引入以DWCOnv重构的DW-HGNetV2作为主干网络，在增强多尺度特征提取能力的同时显著降低计算复杂度；其次，构建OD-C3Ghost模块替换C2f模块，增强了对条码复杂形变的动态感知能力，并进一步消除计算冗余；然后，设计了轻量级共享细节增强检测头LSDEDH，利用DEConv的梯度-强度双路协同机制提升模型的特征泛化能力，并采用异构卷积共享策略降低资源损耗；最后，提出了复合损失函数NWD-PIoUV2，联合归一化Wasserstein距离与动态聚焦PIoUV2损失，缓解微小定位偏差的优化难题并加快收敛速度。实验结果表明，相比于基准模型，DOLN-YOLO的mAP@0.5提升了0.92%，mAP@0.5:0.95提升了4.57%，同时参数量和计算量分别降低了58.8%和48.6%，证明了算法在检测复杂环境下的条码的优越性。DOLN-YOLO 为物流、医疗、零售等场景提供了兼具高鲁棒检测能力与高效移动部署的解决方案。

摘要:针对遥感图像中目标尺度差异大、类别多样且分布不均导致的检测不精准、漏检和误检问题，提出一种基于YOLOv8n改进的遥感图像目标检测算法MGD-YOLO。首先，提出了多尺度边缘高斯注意力模块MEGA，其结合高斯平滑、Scharr 边缘算子与通道注意力机制，有效抑制遥感图像噪声干扰，强化目标轮廓特征表达。其次，设计出MDPConv结构，通过动态加权融合机制和深度可分离卷积相互结合，改善传统卷积感受野固定问题，增强模型对多尺度目标的感知能力。最后，检测头部分引入DLGA结构，动态分配注意力分支权重，并采用MLP融合策略，提升局部细节与全局语义信息的融合效果，从而提高检测性能。实验表明，MGD-YOLO在DIOR、DOTA和NWPU VHR-10 数据集上与YOLOv8n相比，mAP@0.5分别提升了1.6%、2.7%、1%，验证了其在遥感图像目标检测中的有效性和良好的鲁棒性。

摘要:为应对股票价格预测中普遍存在的不稳定性与波动性，以及变分模态分解算法在预测过程中存在参数寻优的困难，本文提出了CRIME-SE-VMD-VIT2M二阶段组合预测框架。第1阶段，在原始霜冰优化算法的基础上引入Chebyshev混沌映射与透镜成像种群选择策略，并以SE作为适应度函数，构建改进的CRIME-SE-VMD寻优模型，从而提升参数寻优的全局搜索能力与分解质量。第2阶段，通过PCC筛选关键技术指标，将其与VMD分解所得的IMFs融合，形成多维度特征集，在此基础上结合第1阶段的寻优结果，设计并实现VIT2M并行双通道预测模型，对多尺度股票特征信息进行深度提取与建模。实验结果表明，CRIME-SE-VMD在4个股票数据集上的适应度值较对比算法降低0.000 318 9~0.000 703，显示出更优的分解性能；同时，VIT2M模型在相同数据集的预测性能优于对比模型，验证了其在提升股票价格预测精度方面的有效性。

摘要:针对现有意图识别方法未考虑编队空间特性所导致的单元间动态交互缺失的问题，本文引入时空耦合机制，提出了一种结合动态图注意力机制与时空建模的编队意图识别方法。首先，依据编队中目标类型属性确定全局交互骨干网，并结合Top-K近邻策略动态生成邻接矩阵，从而将动态演化的编队态势转化为结构化的时序图；其次，通过在图注意力网络（GAT）中引入协同演化注意力池机制，自适应地学习不同目标间交互的差异化权重，以快速捕捉动态编队时序图中空间协同特征；最后，通过多尺度注意力机制增强的双向门控循环单元（BiGRU），对经GAT提取的包含空间协同信息的节点状态序列进行时序分析，建立了一种时空特征深度融合的意图识别模型（STGAT-BiGRU）。仿真实验结果表明，所提方法与现有主流方法相比，在准确率和F1 分数上平均提升了8.78%和8.9%，证明了所提方法的有效性，并为掌控态势演变、获取决策先机提供了技术支撑。

摘要:针对精密光学狭缝与针孔镜片检测中人工效率低、接触式测量易损伤表面的问题，本文提出一种插值-Zernike协同亚像素检测方法。通过双三次插值增强边缘分辨率，重构正交基模板降低离散采样误差，并引入非对称高斯模型修正亚像素偏移，结合动态阈值与小连通域去噪提升抗干扰性。仿真与实验结果表明：改进算法对狭缝宽度的最大检测误差为0.098 7 pixel（1.401 5 μm），针孔直径误差≤0.113 6 pixel（1.613 1 μm），较传统Zernike矩方法精度提升62.3%；在像素对齐条件下实现了0.000 2 pixel（2.84 nm）的纳米级分辨率，突破了传统微米级限制。算法精度与相机分辨率呈线性正相关，且在本文实验条件下满足工业3 μm以内的检测标准，并具备纳米级拓展潜力，为光学元件高效无损检测提供了创新方案。

摘要:稀疏角CT是临床CT成像中减少X射线辐射剂量的有效方法。然而，由于稀疏采样造成的投影不完备，图像重建中含有明显的条纹伪影。为解决这一问题，本文提出一种基于迭代优化展开的稀疏角CT图像重建网络IADR-Net，该网络采用独特的双路并行架构设计，包含迭代重建子网络和局部-全局注意力网络(GLONA)细节恢复子网络两个核心组件。其中，迭代重建子网络基于快速迭代软阈值算法框架，通过可学习非线性变换和自适应阈值实现投影到图像重建；GLONA子网络则采用局部与全局特征并行的双分支结构，并通过自调节融合模块有效保持图像细节。两个子网络协同工作，分别专注于基于迭代展开的伪影消除和基于注意力机制的细节增强，最终通过特征融合输出高质量CT图像。在Mayo数据集的实验结果表明，该方法在伪影抑制和结构保持方面相较若干代表算法展现出更有性能，为临床稀疏角CT成像提供了有效的解决方案。

摘要:针对遥感图像目标检测中目标分布密集、背景复杂和小目标众多等问题导致检测效果不佳。本文提出一种基于RT-DETR的RSD-DETR遥感图像目标检测算法。首先，设计了轻量级多尺度特征提取Faster-CGLU模块，将门控机制和部分卷积融合，优化局部和全局特征信息的聚合，同时减少计算冗余。其次，结合级联分组注意力(CGA)构建CGA-AIFI模块，以在抑制非相关背景信息的同时关注关键特征区域，增强模型与目标特征的交互能力。最后，设计跨尺度动态特征融合(CS-DFFM)结构，通过动态尺度序列特征融合(DySSFF)模块和三重特征编码器(TFE)模块，对多尺度特征图进行尺寸对齐和动态融合，防止上下采样导致的小目标特征信息丢失，增强了网络多尺度特征融合能力。实验结果表明，在SIMD和DOTA-v1.0数据集上，所提算法在参数量较基线模型降低22.11%的情况下，平均精度均值(mAP0.5)分别达到了79.9%和86.8%，较基线模型分别提高了2.5%和1.7%，模型实时性也得到了提高。检测效果优于其他经典模型，具有卓越的性能。

摘要:针对遥感图像配准中复杂环境带来的特征提取困难、多尺度几何变形造成的配准精度受限等挑战，本文提出一种融合双域特征与跨维门控注意力的遥感图像配准模型。首先，在特征提取阶段设计多尺度傅里叶模块改进StarNet网络结构通过融合多尺度的空间特征与频域特征进行特征提取，增强模型的特征提取能力；接着，设计跨维门控注意力，使得模型能够在不牺牲全局感受野的情况下，高效地捕捉图像中的上下文信息；其次，在特征匹配阶段，采用基于部分分配矩阵的双向匹配方法获取双向参数，最终通过仿射变换实现图像配准。在使用Aerial Image数据集进行实验时，研究结果表明，当正确估计的关键点比例系数分别设置为0.01、0.03和0.05时，配准精度分别达到了42.8%、85.7%和96.9%，且平均配准时间为0.87 s，有效提升了遥感图像配准的精度和速度。

摘要:准确监测活性污泥微生物对于保持污水处理系统的稳定运行至关重要。然而，微生物因其半透明形态和与周围环境的高度相似性而具有伪装特性，使得传统的检测方法表现不佳。针对活性污泥微生物伪装性、目标尺度多样性和复杂背景下边界模糊的问题，提出了一种基于多尺度感知和边缘增强的伪装目标检测方法。该方法通过多尺度特征感知模块的并行处理和逐步扩大感受野来提取丰富的上下文信息，以增强多尺度特征表示；利用边缘感知增强模块融合低层边缘细节与高层语义信息，获取边缘特征；再通过注意力引导模块融合边缘特征与多尺度特征，引导网络关注边缘的位置信息；使用上下文聚合模块自顶向下逐级聚合多层次特征，以进一步细化预测结果并生成预测图像。在伪装目标检测公共数据集和自建活性污泥微生物伪装数据集上，本方法在评价指标S值、加权F值和E值上分别提升了2.2%、4.1%、2.1%和1.2%、2.2%、0.6%。实验结果表明，本方法在各数据集上均取得了优于其他模型的性能。

摘要:由于水体散射的原因，水下图像普遍存在质量退化问题。针对该问题，本文提出了一种基于改进LU2Net的浑浊水偏振图像增强模型，并在自建数据集上验证。首先，将采集的彩色偏振图像灰度化处理，通过将0°、45°、90°这3个偏振分量融合来获取完整的线偏振信息，再采用改进的LU2Net网络模型对退化的水下偏振图像进行增强，最后获取具有更多细节特征的增强图像。实验结果证明，本文方法在主客观评价以及特征点检测和Canny边缘检测结果上都优于用于对比的FUnIE-GAN、MLLE等水下图像增强方法，尤其是在特征点检测过程中，本文使用了ORB，AKAZE等四种不同的特征点检测方法，本文方法都能提取到更多的特征点。本文方法的LPIPS相比现有对比的最优方法降低了3.35%，UCIQE相比改进前的算法增加了1.16%，NIQE相比改进前的算法降低了7.59%。本文提出的方法，在自然光状态下的浑浊水环境中，能够提取到更清晰的图像边缘和纹理等细节特征，提升了浑浊水环境中的成像质量。

摘要:针对复杂战场环境和有限机载资源，导致无人机作战时前端目标辨识定位难以兼顾准确性与实时性的问题，构建了一种针对无人机作战复杂战场环境下前端目标辨识定位方法：以“backbone-neck-head”为基本网络架构，引入非局部注意力扩展模块、全局多尺度解耦网络以及轻量化瓶颈模块，并以Focal Loss和DIoU Loss为综合损失函数，实现特征建模和多尺度检测增强，以提升对特征的捕捉能力，从而提升准确性；基于依赖图结构化剪枝与通道智能蒸馏，提出一种协同的轻量化策略，从而有效降低了模型复杂度并提升嵌入式可部署性。相关实验表明，本文方法在mAP@0.5、mAP@0.75和mAP@0.5:0.95分别提升了6.0%、7.2%和5.9%，模型参数量与GFLOPs分别降至17.1%与12.0%，精度损失控制在4.1%以内。最后在嵌入式硬件平台上的部署验证显示，推理帧率达到了34 fps，能够较好地满足无人机作战时前端目标辨识与定位的准确度与实时性的需求。