关键词： 摇床   目标检测   矿带检测   深度学习   YOLOv8  

摘要： 摇床是矿物加工领域常用的重选设备。在摇床选矿过程中，由于床面矿带位置和颜色特征会实时变化，因此接矿板的位置需要随之实时调整。传统的方法依赖工人凭借生产经验手动调整，这会导致人工成本升高且接矿结果不稳定。深度学习技术的发展为摇床的智能化应用提供了可能。YOLOv8目标检测模型自发布以来，以其高检测精度和鲁棒性在目标检测领域获得了广泛认可。然而，YOLOv8在处理复杂场景时存在局限性，如浅层特征提取不足和高阶特征图的通道表达能力不足。为了解决上述问题，本文提出了浅层特征注意力模块（LLA）和深层特征注意力模块（HLA），分别增强了低阶和高阶特征图的表达能力并通过引入C2f-faster模块降低模型参数量，实现轻量化。通过实验表明，本研究与五个流行的目标检测算法相比取得了最好的性能，与原始YOLOv8模型相比，改进后的模型mAP达到89.02%，mAP50:90增加了4.08%，能够高效准确地识别矿带分界点。展现了该模型在矿带分界点检测领域中的巨大潜力。

关键词： 红外小目标检测   先验知识   边缘检测   三重注意力   结构重参数化   模型轻量化  

摘要： 先验知识可以改善基于深度学习技术的红外小目标检测方法的性能。边缘信息是一种重要的先验知识，然而现有方法通常使用构造分支网络的方法将边缘信息加入网络模型中，在提升性能的同时造成了参数量和运算量的提升。针对此问题，提出了一种边缘信息增强的轻量化网络（Edge Information Enhanced Lightweight Network， EIEL-Net），构造边缘信息增强（Edge Information Enhancing， EIE）模块实现了边缘信息的高效嵌入。同时，构建了高效三向注意力（Efficient Triple-Direction Attention， ETDA）模块，从三个维度聚合红外小目标的全局信息，实现多维语义信息的有效融合。此外，为进一步提升骨干网对多样化特征的提取能力，提出了结构重参数化的非对称下采样（Structural Re-Parameterized Asymmetric Downsampling， SRPAD）模块和高效通道注意力残差块（ECA-ResNeSt block）。EIEL-Net在参数量和浮点运算量分别为0.343M和1.126G的情况下，其检测速度可超过100FPS，且在SIRST、NUDT-SIRST和IRSTD-1k三个公开数据集上的实验结果显示了该方法相比其他主流检测方法的优越性能，展示了该方法在低算力设备上部署的巨大潜力。

关键词： 织物缺陷   目标检测   YOLOv8   颈部网络   边界框损失  

摘要： 对于纺织行业，织物缺陷检测是保证织物产品质量的重要环节。为了解决织物缺陷检测中尺度变化大、面积占比小导致识别难的问题，提出一种改进YOLOv8的织物缺陷目标检测算法。首先，引入SimAM无参注意力优化YOLOv8的C2f模块，提升对织物缺陷的特征提取能力。其次，参考Rep-BiFPN结构，引入BiC模块重构骨干网络与颈部网络的连接(Concat)模块，同时参照了Bi-FPN金字塔跨层连接的思想，对原颈部网络的FPN-PAN进行改进，提升颈部网络的特征融合能力。最后，使用了Wise-IoUv3来替换YOLOv8的CIoU来计算模型边界框损失，通过降低模型对纵横比较大缺陷的惩罚力度来提高检测精度。实验结果表明，改进YOLOv8的平均精确度的均值mAP达到了94.1%，相较于YOLOv8的mAP提高了8.6%，并且对于各类织物缺陷，算法的检测精度都保持在90%以上，满足工业对织物缺陷检测的实际需求。

关键词： 目标检测   深度学习   点云   自注意力   神经网络  

摘要： 目标检测算法在提案细化阶段存在上下文信息捕获不足和特征关联性建模不充分的问题，限制了检测精度的提升。为此，提出一种基于自注意力机制的区域提案优化3D目标检测网络（Proposal Refinement Optimization-RCNN，PRO-RCNN），在PV-RCNN模型的基础上，利用Transformer模型动态学习特征权重，捕捉丰富的上下文信息和目标间的关联性，从而优化提案生成结果。在KITTI数据集上的实验结果表明，PRO-RCNN在测试难度类别中的精度均有提升，行人类别检测的平均精度提升了2%～3%。

关键词： 人脸痤疮   YOLOv8s   小目标检测   Transformer   多尺度特征融合  

摘要： 人脸痤疮的自动检测是实现痤疮精准诊疗的关键，而现有方法仍然存在严重的痤疮小目标漏检和误检问题。为实现更准确的痤疮检测，本研究提出一种改进的YOLOv8s算法。首先，将YOLOv8s的主干网络其改进为一种与Transformer融合的混合主干网络，有效兼顾卷积神经网络捕获局部细节信息和Transformer维持全局特征信息的优点，显著提高小痤疮目标的特征提取和表征能力。其次，改进YOLOv8s颈部网络的特征融合方式，通过增加多尺度通道注意力模块聚合多尺度的上下文信息，以调整各尺度特征权重，缓解特征内容的语义与尺度不一致问题。在公开和自建的人脸痤疮数据集上的实验表明，相比当前最优的痤疮检测算法DSDH，本文方法在检测精度mAP上分别提高1.2和5.24个百分点，检测速度分别提高46.3和47.6 frame/s。

关键词： Transformer模型   注意力机制   目标跟踪   无人机  

摘要： 目标跟踪在无人机(Unmanned Aerial Vehicle， UAV)视角下面临着目标尺寸较小、环境复杂，从而引发特征提取不足、目标遮挡等问题，已有的目标跟踪方法在无人机场景下适用效果不佳。为此，提出一种融合多分辨率特征结合CNN和Transformer架构的无人机跟踪器（MFTPT）。该模型结合CBAM注意力机制和特征金字塔网络构建了一个新的骨干网络，以增强模型对上下文关系的捕捉能力。并将提取到的不同分辨率多层次特征映射馈送到池化Transformer中，以学习高低分辨率特征之间的相互依赖性。此外，设计了一个针对小目标且能够丰富编码细节信息的特征优化层（FOI）。最后，在三个常用的无人机数据集UAV20L、UAV123和DTB70中开展的实验结果表明，MFTPT能有效提升跟踪精度和成功率。

关键词： 矿山安全   目标检测   知识图谱   智慧矿山   事故隐患推理  

摘要： 矿山事故隐患智能判别是制约矿山安全智能化转型的关键工程瓶颈，传统矿山事故隐患识别方法面临应用范围受限、语义推理能力不足的双重挑战，难以满足矿山安全领域智能化管理需求。分析了目标检测与知识图谱在矿山安全领域独立应用的局限性，结合两者的技术优势，提出一种基于信息融合的联合应用框架，将视觉感知结果结构化映射为知识图谱的语义节点，建立"矿山图像-知识图谱-隐患推理"的闭环认知链条，实现矿山事故隐患智能识别推理。首先，根据行业标准建立矿山实体三级分类体系，构建矿山实体知识图谱并将安全规程转换为Cypher规则库，为事故隐患推理提供依据；其次，改进YOLOv8n模型并引入SE注意力机制，增强矿山实体识别精度，结合矿山事故推理规则库实现矿山事故隐患识别推理；最后，设计实现了基于B/S架构的矿山事故隐患识别推理原型系统，将识别推理结果可视化展示并以典型场景应用。研究表明：该框架中的目标检测方法针对矿山复杂场景中的15类关键实体平均类别精度达到71.8%，其中皮带输送机识别精度达到90%，原型系统中的矿山事故隐患识别推理模块可自动推理当前场景是否存在事故隐患，验证了该框架针对复杂场景中的矿山事故隐患识别推理的可行性，为矿山事故隐患智能判别提供了新思路。

关键词： 合成孔径雷达   舰船   目标检测   旋转框   YOLOv5模型  

摘要： SAR图像舰船检测方法面临舰船多尺度、任意方向、密集排列等难题，旋转框检测方法能实现任意方向舰船的精确检测，但是现有旋转框检测方法难以兼顾高精度与实时性。为解决上述问题，提出了一个结合中点偏移量表示法和YOLOv5的旋转框检测网络模型，直接继承水平框的回归机制，并设计适应于旋转检测的多任务联合网络损失函数，解决了常用旋转框检测表示方法引入角度参数而产生的网络难以训练和网络预测层参数冗余的问题。此外，还提出了基于注意力机制的主干网络，结合图像全局和邻域信息，增强了感兴趣区域的重要性和模型的特征提取能力，提高了轻量化旋转框检测网络的性能。最后，在RSDD-SAR数据集上进行实验，实现了SAR图像任意方向舰船目标检测，并获得舰船相应的角度信息，相比当前其他旋转框检测方法，取得了较好的检测效果，平均精度为90.02%。尤其在复杂近岸场景下所提方法达到了最优的舰船目标检测性能，平均精度为70.5%，并且模型的参数量最少，仅为7.2M。其他相关实验也进一步验证了所提方法的有效性。

关键词： 有色金属镍   YOLOv8   相位编码器   旋转图像   目标检测   回归分析  

摘要： 镍板贴标定位时，关键是对镍板边缘位置以及卡扣等目标识别，而镍板等目标的位置动态变化，且存在一定旋转角度。因此，针对旋转图像目标需要准确识别的问题，提出了一种基于改进的YOLOv8旋转图像目标检测与定位方法。首先，对传统旋转目标包围盒进行回归分析确定主要问题；其次，改进YOLOv8目标检测算法，引入一种相位编码器形式的角度包围盒定义，解决边界不连续性及类正方形等问题；最后，通过镍板上的实验，验证改进YOLOv8旋转框目标检测方案的有效性。研究结果表明：精准率和召回率稳定在95%以上，且主要关注区域大部分都位于镍板上的卡扣位置附近。由此可见，该算法在提高旋转图像目标检测与定位方面具有一定优势。

关键词： 自动驾驶   环境感知   深度学习   目标检测   检测器  

摘要： 随着深度学习技术的引入，自动驾驶汽车目标检测算法取得了重要进展。从目标检测技术发展的角度，对传统目标检测算法与当前应用于自动驾驶车辆的深度学习目标检测算法进行了梳理，分析了具有里程碑意义的检测器、网络结构以及最新的检测方法，并针对目标检测技术的发展方向进行了探讨。