关键词： 番茄枝条分杈点   机器视觉   Shi-Tomasi角点检测算法   图像处理  

摘要： 针对番茄枝条分杈点的识别问题，本文提出了一种基于机器视觉的识别方法，该方法适用于低算力平台，大大地降低了设备成本。本文通过对番茄植株进行紫光染色并拍摄图像，将融合图像中的红色、蓝色及灰度通道，利用阈值分割技术将融合后的灰度图转换为黑白二值图，以凸显植株特征；采用中值滤波处理以减少背景干扰，使枝条边缘更加平滑；运用形态学腐蚀法进行骨架细化，并通过Shi-Tomasi角点检测算法精准定位分杈点。试验结果表明，该机器视觉算法在识别番茄枝条分杈点上表现出色。其单个目标识别时间仅需0.107 s，识别准确率高达84.7%，识别精度达到77.4%，F1得分为0.808。证明了方法在低算力平台上的高效运行能力和高识别性能，通过此方法，可以准确、快速地识别番茄枝条分杈点。

关键词： 双向特征金字塔网络   YOLOv8   Dynamic Head   密集型小目标检测   Soft-NMS  

摘要： 为了解决无人机视角下场景复杂多变、目标尺度变化大且大多数为小目标等问题，提出了一种改进的YOLOv8算法。首先，将传统的FPN替换为BiFPN，通过其双向信息流和加权特征融合机制，能够更有效地整合来自网络不同层级的信息；其次，将检测头替换为Dynamic Head，通过动态融合机制适应不同尺度的特征，从而提升对各种尺寸目标的检测能力；最后，引入Soft-NMS，通过降低重叠框的置信度，更有效地区分和保留紧密排列的目标，进而提升模型对密集型小目标的检测性能。结果表明，YOLOv8-BDS算法在VisDrone2019数据集上的平均精度值（mAP@IoU=0.5）达到了54.2%，相比原基准网络提升了6.8个百分点。该算法能够更好地满足密集型小目标的检测需求。

关键词： LSKA-Transposed   ECA   YOLOv5   目标检测   C2F   GSConv  

摘要： 针对果园采摘环境中的苹果检测问题，包括目标小、密集及严重遮挡，提出了一种基于LSKA-Transposed且融合高效通道注意力机制（Efficient Channel Attention， ECA）的YOLOv5目标检测算法。该算法利用大型可分离内核注意力模块（Large Separable Kernel Attention， LSKA）提升网络对多尺度目标的适应性和准确度；将YOLOv5中的C3模块与ECA融合，形成新的C3ECA结构，以增强模型对有效特征的提取能力；引入转置卷积（Transposed Convolution， TC），通过逐步上采样低维表征来重建高维状态，从而减少上采样过程中的特征丢失；同时，采用C2F模块实现深浅层特征的有效融合。为了减轻模型计算负担，在不影响检测精度的前提下，使用轻量级卷积GSConv来减少模型参数量。实验结果表明，改进后的模型在未引入GSConv时的检测精度为87.3%，引入GSConv后精度为87.2%，仅降低0.1%，而参数量减少了440960个。此外，改进模型的检测精度相比于原始模型提升了8.4%。

关键词： 交通运输系统工程   小目标检测   长尾分布   小目标条件扩散模型   自适应渐近特征金字塔   多尺度通道注意力  

摘要： 为解决交通标志检测中的数据长尾分布和小目标特征信息丢失问题，提出了一种交通标志小目标检测网络STF-YOLO。首先，提出了小目标条件扩散模型对TT100K数据集进行数据增强，得到类别均匀的TT100K-P数据集，有效缓解了原数据集长尾分布严重的问题。然后，提出了自适应渐近金字塔网络(AAFPNet)，其自适应多尺度通道注意力模块（MC-ACA）在通道层面自适应地融合多层级特征，解决了小目标细节特征丢失问题。最后，设计了K-NCIoU回归损失，结合CIoU与NWD两者优势进一步提升模型检测性能。在三个交通标志检测数据集的测试结果表明，相较于基准模型YOLOv8，STF-YOLO在TT100K-P、TT100K和CCTSDB数据集上mAP@0.5:0.95分别提升了2.5%、3.3%、2.8%。经实车验证，证明其具备优秀的交通标志实时检测能力。

关键词： 桥梁结构健康监测   无人机   小目标裂缝检测   YOLOv8   图像处理  

摘要： 随着中国桥梁大规模进入运维阶段，传统的桥梁检测方法通常依赖人工巡检和目视检查，无人机的桥梁表观图像数据采集能力较强，因此被逐步应用于桥梁表观病害检测。针对交通管控下无人机拍摄桥梁图像尺寸较大和小目标裂缝较多，目前检测算法提取小目标裂缝特征信息困难且存在识别漏检、误检等问题，该文提出了一种基于改进YOLOv8的桥梁小目标裂缝检测算法。首先，用高效视觉变换器(efficient vision transformer, EfficientViT)替换YOLOv8的主干网络，以减少大量冗余参数，增强图像的局部特征提取能力；其次，引入大型选择性核网络(large selective kernel network, LSKNet),融合C2f模块注意力机制，选择性调整卷积核尺寸，降低运行参数，减少计算复杂度；最后，增加双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),融合P2小目标检测头，增加不同尺度特征图之间的信息耦合和小目标裂缝检测框，实现小目标裂缝精准识别与提取。依托无人机采集的某桥梁裂缝数据集进行小目标裂缝检测验证，与YOLOv8模型相比，该算法模型的图像识别准确率提高了3.7%,召回率提高了3.5%, F1分数提高了3.5%,平均精度均值50(mAP50)提高了3.9%,平均精度均值50到95(mAP50-95)提高了7.4%。该文所提的基于改进YOLOv8的桥梁小目标裂缝检测算法提高了桥梁结构小目标裂缝的识别准确率，为广泛应用于桥梁结构的表观健康监测提供了可行的解决方案。

关键词： CSRT   边缘特征   定位目标   YOLOv8   虚拟目标数据集  

摘要： 针对无人机在仿真实验中自动跟踪移动目标的需求，提出基于改进CSRT(channel and spatial reliability-aware tracker)算法的无人机长时自动跟踪方法。通过导向滤波加拉普拉斯算子LOGF(laplacian of guided filter)检测获取目标边缘特征，再与HOG(histogram of oriented gradient)和CN(color names)特征融合，增强算法对目标的判别能力；使用平均峰值相关能量和感知哈希汉明距离来综合判定目标状态，若目标状态不理想，则停止更新模型，避免跟踪漂移；当判定目标被遮挡时，采用YOLOv8(you only look once v8)定位目标，再将定位结果传输至跟踪算法继续跟踪目标。基于Unity仿真平台实现跟踪算法，为达到实时仿真的效果，在平台中设计沙漠和城市场景，用来仿真无人机的飞行环境，同时，通过环境随机生成方法生成一个虚拟目标数据集VTD(virtual target datasets)，如不同位置、角度、高度和不同的光照强度等，将其用来算法训练和测试。实验结果显示，在搭建的仿真环境中算法能够在目标被遮挡时仍能长时稳定的跟踪目标，为无人机目标跟踪算法研究提供了良好的仿真实验环境。

关键词： 深度学习   目标检测   车载毫米波雷达   特征增强  

摘要： 车载毫米波雷达有全天候工作的优点，但由于缺乏语义信息，难以从雷达回波信号识别目标类别，针对以上问题设计了一种基于相机辅助的特征增强目标检测网络（Feature-enhanced Target Detection，F-TDNet）。首先针对复杂环境下目标特征较弱，提出一种卷积归一池化(Conv3d BatchNorm ReLU， CBR)特征增强模块，增强模型的特征提取能力。其次，采用卷积自编码器保证雷达语义信息获取的全面性。然后，在卷积自编码器中添加参数量和计算量较小的压缩和激励网络(Squeeze-and-Excitation Networks， SE)注意力机制，提高特征提取的细化能力。实验结果表明，在环境光照不稳定以及目标速度不定条件下平均精度达到了92.50%，召回率为95.86%，与其他方法相比，所提的方法和改进网络具有优异的检测效果。本文所提方法减小了自动驾驶系统对相机的依赖性，同时具备全天候检测的特点，且性能稳定，有助于提高辅助驾驶系统的安全性。

关键词： 车辆目标跟踪   双目视觉   AD-Census   DETR  

摘要： 针对交通场景中纯视觉车辆目标跟踪因缺乏深度信息而导致的目标车辆轨迹标签频繁切换问题，基于Deep SORT框架，引入双目深度信息重建模块，利用AD-Census双目立体匹配技术精确重建目标车辆的三维信息。结合高效的DETR目标检测网络，构建一个集目标检测、双目深度估计与目标跟踪技术于一体的端到端车辆目标跟踪系统。实验结果表明，该系统在车辆轨迹跟踪时的标签切换次数（IDSW）减少至最多切换15次，跟踪精度（MOTP）可达88.687%，跟踪准确度（MOTA）可达83.391%，有效减少了行车轨迹标签的变更，提升了跟踪的稳定性。

关键词： 无人船   联合标定   目标检测   决策级融合   贝叶斯理论  

摘要： 无人船环境感知是无人船智能航行的关键技术之一，目前主要依赖于可获取目标空间位置的激光雷达和提供目标类别信息的光学设备。为获得复杂海上环境下目标多维感知信息，提出一种无人船载激光雷达-相机的融合感知方法，融合PR-YOLOv8视觉检测结果和激光雷达三维点云，实现了海上目标高精度识别和空间定位。首先，利用标定板进行激光雷达和相机联合标定，构建了两传感器间的投影关系。随后，对于雷达分支，对目标点云聚类拟合，提取目标的特征信息并投影至图像；对于相机分支，基于YOLOv8提出PR-YOLOv8目标检测模型，获得高识别精度的目标检测边界框。最后，结合两分支检测结果，提出一种新的代价构建因子DSIoU(Distance-Scale Intersection over Union)关联目标，并结合贝叶斯理论，实现了多源感知信息的融合。采用青岛近海和内湖船只感知实验，验证了所提出方法的可行性和有效性。

关键词： 复杂场景   运动轻型   弱小目标   深度学习   目标检测  

摘要： 轻型弱小目标因其尺寸小巧,在图像中占据的像素数量有限,导致特征信息不足,易与背景混淆或被其他物体遮挡,从而构成了检测的重大挑战。针对这一问题,提出了一种新颖的深度学习检测算法,专为复杂场景中的运动轻型弱小目标设计。该算法首先利用稠密光流密集轨迹技术,有效捕捉目标在图像序列中的运动轨迹。通过对比分析背景点与目标轨迹的差异,能够精确剔除背景特征点,进而筛选出潜在的目标点。随后,对这些候选目标点进行周围区域填充和形态学处理,以进一步精炼目标区域。在此基础上,采用并改进了深度学习中的U-Net网络模型,构建了一个专门针对复杂场景中运动轻型弱小目标的深度学习检测模型。实验结果表明,该算法在检测这类目标方面有一定的改进,为实际应用中的精准识别有参考意义。