关键词： 内部污染茧   YOLOv7   轻量化   注意力机制   目标检测  

摘要： 针对内部污染茧检测模型体积大、运算量大、识别速度慢等问题，提出了一种基于YOLOv7改进的内部污染茧检测模型LEF（Lightweight and Enhanced Features）-YOLOv7，该模型遵循传统的光照法选茧原理，根据内部污染茧和上车茧透光性不同产生的图像差异进行目标检测。首先，在YOLOv7中引入Ghost模块，以较低的计算成本增加特征图的数量，从而减少运算量和内存数据搬运；其次，减少特征融合网络中的卷积数和分支，采用步长为2的3×3卷积进行下采样，进一步减少模型运算量和内存访问；再次，引入卷积注意力机制增强模型的特征提取能力，削弱背景干扰；最后，采用DIoU（Distance-IoU）损失函数以降低预测框损失计算对模型性能的影响。实验结果表明，LEF-YOLOv7模型的对数平均漏检率为0.01，较原模型降低了0.05，检测精度为99.58%，同时，运算量与参数量分别降低了91.84%和83.13%，模型体积压缩了约117.7MB，检测速度达36.69FPS，约为原模型的3.3倍，符合轻量化的要求。该方法能够在保持较好性能的同时降低模型的复杂度，可为生产型企业进行内部污染茧检测提供技术支持。

关键词： RGB-D显著性检测   多尺度特征融合   边界增强   加权大核卷积  

摘要： 针对显著性目标检测中前景与背景分离效果不佳及背景噪声抑制不足的问题，提出了一种加权大核边界增强多尺度RGB-D显著性目标检测网络(LKMNet)。该方法通过引入边界增强加权大核融合模块(BWLKF)，结合边界信息与加权大核卷积结构，提升前景聚焦能力并增强边界检测精度。同时，设计了动态门控多尺度融合模块(DGMF)，通过自适应门控机制平衡局部与全局信息，从而突出空间相关特征并有效抑制背景干扰。实验结果表明，该网络在四个RGB-D数据集上检测精度优于现有方法，验证了其在显著性目标检测任务中的优越性能。

关键词： 电铲斗齿   目标检测   轻量化   FasterNet   DualConv   PConv  

摘要： 电铲作为露天矿开采的核心装备，其斗齿在高强度作业过程中极易发生齿套脱落、断裂等故障。故障部件一旦混入矿石流，将引发破碎设备卡堵、损毁及皮带撕裂等严重事故。针对上述问题，以YOLOv9-s(You Only Look Once v9-s）模型为基础，提出了轻量化高精度检测FDP-YOLO模型，以实现动态采矿环境中各种斗齿故障状态的自动实时识别。通过引入FasterNet主干网络，对颈部网络中的AConv模块进行改进，引入DualConv(Dual Convolution）构建ADualConv，并且采用PConv(Partial Convolution）重新轻量化P-RepNCSPELAN4，保证模型特征提取能力的同时，减少了参数数量和浮点运算量。结果表明，FDP-YOLO模型权重减少36.2%，参数量降低36.2%，浮点运算数减少48.1%，其平均精度均值mAP@50达到99%。该模型能够在保证检测精度的前提下，大幅提升检测速度，有效满足露天矿电铲斗齿状态的实时精准检测需求，为露天矿智能化开采提供了可靠的技术支持，具有显著的工程应用价值和推广潜力。

关键词： 铁路行车安全   计算机视觉   轨道线检测   CLRNet   特征金字塔  

摘要： 在铁路智能化发展的进程中，可靠的障碍物检测系统是列车安全运行的重要保证。其中，轨道区域的检测直接影响到系统识别危险目标的准确性。针对铁路场景障碍物检测研究中，轨道区域难以准确划分的问题，提出一种改进的轨道线检测方法。由于车道线与轨道线具有相似的几何特征，将在公路场景车道线检测任务中表现出色的跨层细化网络CLRNet(cross layer refinement network)迁移到铁路场景。但由于铁路场景复杂性远超公路环境，本研究通过使用对数采样策略，优化数据采样分布，解决铁路场景中远距离弯轨的采样稀疏问题；引入多尺度卷积注意力模块进行特征增强同时抑制复杂背景干扰；使用改进的通道增强型特征金字塔网络替换传统特征金字塔网络优化特征融合过程，减少特征融合过程中的信息丢失；设计RailIoULoss损失函数提升倾斜、弯曲轨道的检测精度，构建出适用于铁路复杂场景的轨道线检测模型CLRNet-RTD (CLRNet-railway track detection)。实验结果显示，CLRNet-RTD在铁路场景轨道检测数据集上准确率达94.97%,F1分数达95.23%，相较于原始CLRNet，改进模型CLRNet-RTD在检测精度上提升3.07%，且较其他主流算法均有显著提升，同时保持199FPS的检测速度，满足实时性的需求，实现了检测精度和速度之间的更优平衡。在雨雪、低光照等复杂场景下也表现出优异的鲁棒性，为铁路智能化安全防护尤其是异物侵限检测提供了可靠的技术基础。

关键词： 虫害检测   玉米螟   精准农业   深度学习   目标检测  

摘要： [目的/意义]玉米螟虫害检测对提高玉米的产量和质量至关重要，然而现有的检测方法存在一定的局限性，难以满足大规模应用的要求。针对该问题本研究实践了一种基于无人机低空近景图像和YOLO-ESN (You Only Look Once Enhanced Small object Network)模型检测玉米螟虫害的方法，以虫洞检测替代虫体检测，从而提高田间应用的适应性。[方法]本研究以YOLOv11 (You Only Look Once version 11)模型为基础，在Backbone部分加入ELA (Enhanced Lightweight Attention)注意力机制，增强模型特征提取能力，在Neck部分采用轻量级C3k2-SCConv (C3k2-Spatial and Channel Reconstruction Convolution)模块，在仅增加较少参数量的情况下提升特征融合效率，在Head部分新增微小目标检测模块，直接利用浅层高分辨率特征提升模型性能，同时加入NWD+EIoU (Normalized Wasserstein Distance+Efficient Intersection over Union)损失函数优化边界框回归精度。最后，结合决策树算法确定虫害严重程度并生成虫害分布热力图。[结果和讨论]在自建玉米螟虫害数据集上进行的实验表明，改进后的YOLO-ESN在mAP@50 (mean Average Precision at IoU threshold of 0.50)和mAP@50:95 (mean Average Precision Averaged over IoU Thresholds from 0.50 to 0.95 with Step Size 0.05)上分别达到88.6%和40.5%，较基准模型提升7.6个百分点和4.9个百分点，精准度与召回率分别达到80.2%和82.1%，较基准模型提升6.3个百分点和2.3个百分点，同时参数量减少11.52%。[结论]实验结果证明，本研究为玉米螟虫害大范围精准检测提供了一种高效解决方案，推动精准农业进一步发展。

关键词： 无人矿卡   遮挡目标检测   低光图像   多感受野边缘感知   边缘引导特征增强  

摘要： 无人矿卡常需在低光环境下进行自主作业，而准确可靠的目标检测性能是保证其安全作业的前提。然而，露天矿区环境极为复杂，常出现目标被大面积遮挡，且无人矿卡与其它待检目标如工作人员等存在多尺度特征互扰，这给低光环境下无人矿卡的遮挡目标检测带来了极大挑战。为此，提出了一种低光环境下无人矿卡遮挡目标检测网络LECODNet。首先，该网络设计了一个多感受野边缘感知模块，提取出富含局部细节信息与全局语义位置信息的边缘特征，强化目标边界信息；其次，构建了一个边缘引导特征增强模块，将提取的边缘特征作为结构先验，引导模型更聚焦目标区域；然后，在此基础上嵌入了通道感知映射注意力机制，增强了目标特征的表达能力；最后，在网络颈部部分设计了一个双向空间感知C2f，从水平方向与垂直方向同时捕捉了目标空间上下文信息，增加模型对目标空间结构位置信息的感知能力。大量的实验结果表明，在自制低光环境下无人矿卡遮挡目标检测数据集LAOMD上，LECODNet的检测精度mAP@0.5与mAP@0.5:0.95达到了83.5%与71.2%。相较于基线模型YOLOv8，分别提高了3.3%与2.3%；相较于目前主流的低光照遮挡目标检测模型FeatEnhancer，其mAP@0.5与mAP@0.5:0.95分别提高了1.9%与1.5%。实验结果表明，所提方法可以有效增加目标区域的感知与特征表达，同时增强对空间结构关系的建模能力，有效提高低光遮挡环境下无人矿卡的目标检测性能。

关键词： 机车圆弹簧   裂损缺陷   YOLO11s   目标检测   边缘部署  

摘要： 机车运行过程中，一、二系圆弹簧由于表面缺陷或受力不稳等因素易产生裂损，危及行车安全，在检修环节需对其进行裂损检测。为解决当前机车圆弹簧探伤工艺的主观性强、自动化水平低等问题，提出一种改进的YOLO11s机车圆弹簧表面裂损检测算法。借助浅层细节融合模块思想提出一种改进的PA-FPN结构，优化特征融合效果；新增P2检测层，提升模型对细小裂纹的识别效果；引入无参注意力机制进一步提升模型性能。试验表明，改进模型的查准率、查全率、F1分数、平均精度均值分别为99.0%、94.9%、96.9%、97.7%，相比原模型均有提升；利用嵌入式设备对所提算法进行部署，并搭建视觉检测系统。经过现场测试，该系统对机车圆弹簧表面裂损具有良好的识别能力。

关键词： 小样本   度量学习   AKConv   Spatial-shift   Split-Attention   Feature Fusion  

摘要： 电力线路巡检是预防停电、保障电网安全稳定运行以及促进经济发展的一项核心任务。在实际应用中，会遇到缺陷样本数量有限、设备形状多样、目标遮挡/粘连以及样本不平衡等挑战。为解决这些问题，我们提出了一种融入空间交互和分割注意力改进的新型两阶段目标检测网络AKS2-Net。该网络引入了多路分割注意力机制进行特征提取与融合，并通过度量学习对候选目标进行二次筛选，增强了对不规则、远小/模糊目标和被遮挡目标特征信息的提取与融合能力，并降低了少样本、样本不均衡对网络性能的影响。具体而言，我们的贡献在于：（1）设计了一种基于可变卷积和空间位移的分组卷积特征提取网络AKS2block（AKConv， Spatial-shift and Split-attention block），使图像特征之间的空间信息交互以及特征通道之间的关系学习成为可能，从而增强了网络挖掘不规则和多尺度特征信息的能力。（2）提出了一种新颖的多分支注意力多尺度特征融合（Multi-branch Attention Feature Fusion，MAFF）模块，通过空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）和混合跳跃连接（Mixed Skip Connections，MSC）融合多通道和多层次的图像细节特征以及空间信息，从而在复杂场景中提高了分割精度和边界定位能力。（3）提出一种基于度量学习的特征相似度计算方法，通过对区域候选网络筛选出的负样本特征与所有支持类别特征进行相似度计算，结合阈值实现对候选负样本的重新筛选，纠正出被误判为负样本的正样本，减少对网络训练的干扰，降低网络对小、模糊目标的漏检率。（4）在分类损失计算中引入了FocalLoss函数，以减轻样本不平衡对检测结果的影响。（5）以AKS2-Net为骨干，构建了一种适用于小样本、不均衡样本条件的基于两阶段微调的目标检测网络，通过微调机制为小样本目标检测提供了新的选择。大量实验结果表明，我们提出的方法在电力线路目标检测数据集上表现出色，尤其是增强了网络对远小/模糊、被遮挡目标的检测能力，具有显著的实用价值。此外，在使用包括小样本数据集在内的各种数据集的类似实验条件下，与现有的目标检测网络（如ResNet 50、ResNet 101、Inception ResNet、ResNeXt 101、ResNeSt 101）相比，我们提出的模型显示出更强的竞争力。

关键词： 图像处理   精品课程   教学设计   人才培养  

摘要： 随着教育教学改革的深入和互联网技术的发展,精品在线开放课程的在教学中的优势和重要性愈加明显。本文针对图像处理课程,从建设的目标、思路、方法、特色和模块任务的设置等方面作了研究,并详细阐述了知识点、技能点及其相关要求,给出了典型的教学活动设计。

关键词： 无人机   目标检测   SPDs-Conv   C2f＿SKAttention模块   动态检测头  

摘要： 针对无人机视角下，检测目标尺寸小、尺度跨度大、复杂场景导致的互相遮挡等检测难点，提出一种基于YOLOv8n的改进目标检测网络。首先，引入空间深度卷积SPD-Conv并对其进行轻量化改进，得到SPDs-Conv，在提升小目标检测性能的同时有效降低模型的参数量；其次，设计C2f＿SKAttention模块进行多尺度信息的动态调整，实现更好的信息融合；最后，采用一种全新的动态检测头策略，将各类目标的检测头进行了有机统一，降低由复杂场景产生的遮挡等情况对检测的影响。在Visdrone2019数据集上实验得出，改进后的模型在6.9M参数下实现了49.7%的平均精度，较基准算法提高了15.1%；并具有41fps的推理速度，能够实现实时检测，同时相较于其他算法，文章算法能够达到更高的检测精度。改进后的模型在Jetson AGX Orin设备上也达到了49.3%的平均精度，推理速度达到28.7 fps，验证了其效率和对实时嵌入式边缘平台目标检测任务的适用性。