关键词： 目标检测   YOLO   FPGA   量化   硬件加速  

摘要： 依据YOLO系列网络在目标检测领域的出色表现，提出了一种基于FPGA的高能效YOLO目标检测系统，通过对YOLOv5n网络进行层融合优化模型，并采用量化感知训练对网络模型进行再训练和量化，将特征图和权重数据量化为8位，降低了硬件资源的消耗；设计了一种混合流可配置的硬件加速器架构，通过配置模型参数实现网络层的前向推理，在硬件模块中对网络层进行优化设计，并采用乒乓双缓存与层间流水线协同设计；整个硬件加速系统通过软硬件协同设计实现，合理调度硬件模块，实现了软核处理器与硬件加速器高效并行工作；经实际测试在Xilinx VC707 FPGA开发板上，系统以100 MHz的工作频率实现了27.15 GOPS的吞吐量，功耗仅为2.88 W，实现了9.43 GOPS/W的高能效，兼顾了检测速度和功耗，满足目标检测的需求。

关键词： 输电线路   改进的目标检测网络   旋转目标检测   舞动检测  

摘要： 为有效检测输电线路舞动情况，保障输电网络运行稳定性与可靠性，提出一种基于改进目标检测网络的输电线路舞动检测方法，对输电线路的舞动进行检测。首先，使用目标检测网络YOLO11的旋转检测框对监控视频中的输电线路进行检测，使得检测框能够更好地包围目标位置；其次，利用融合了BiFormer注意力机制的C3模块替换一部分C3k2模块，利用简化的快速空间金字塔池化模块替换快速空间金字塔池化模块以及引入PIoU损失函数，对网络进行改进，提高网络对图像的特征提取能力以及检测精度；最后对检测框所检测到的输电线路进行位置提取并绘制舞动轨迹。实验结果表明，与未改进的网络相比，精确率及均值平均精度分别提高了2.4%、1.3%，证明本方法具有更好的舞动检测效果及检测精度。

关键词： YOLOv8   水下目标检测   GSConv   轻量化   HGNetV2   AKConv  

摘要： 为解决现有的水下生物目标检测模型参数过多，难以部署到资源有限的移动端的问题，提出了一种基于GS-YOLOv8的轻量化水下生物目标检测模型；该模型基于YOLOv8s模型进行改进，设计一种轻量化的RepHGNetV2网络作为YOLOv8s的主干网络，以降低模型的计算复杂度和参数量；使用轻量化卷积GSConv替换颈部网络中所有的标准卷积，进一步减少模型参数，提高检测性能；引入设计的C2fAK模块，使模型能够更好地适应不同形状和大小的水下生物目标， 从而提高检测精度；实验结果显示，在URPC2020数据集上，与原模型YOLOv8s相比，改进后的GS-YOLOv8网络模型的参数量降低了37.7%，计算量降低了27.8%，mAP@0.5提高了0.9%；此外，与目前较为先进的YOLOv10模型相比，改进后的GS-YOLOv8模型在检测精度和轻量化方面更有优势。

关键词： 航空发动机   裂纹测量   YOLOv8n-seg   注意力机制   图像处理  

摘要： 针对传统图像阈值分割方法在提取发动机内部裂纹时预处理过程复杂、易受图像光照不均匀及裂纹形状不规则等因素影响的问题进行了研究，提出一种基于改进YOLOv8n-seg与数字图像处理级联的发动机裂纹测量算法。首先，构建发动机裂纹图像数据集，通过采用Ghost卷积、嵌入AW-CBAM注意力机制、优化损失函数以及引入迁移学习改进YOLOv8n-seg，提高网络的分割精度与鲁棒性，在发动机裂纹数据集上实验表明，改进后的网络分割性能更好，分割结果中精确度、平均精度均值分别提高5.8%、0.8%；然后，运用图像二值化、孤立点消除以及Zhang-Suen算法等方法提取裂纹形态信息并计算裂纹长度；最后，基于PyQt5开发人机交互程序，以某型发动机内部裂纹为例，将计算结果与实际长度对比分析，结果表明，两者误差小于5%，验证了该算法的有效性，为发动机内部裂纹智能化测量提供了参考价值。

关键词： 电力巡检   目标检测   注意力机制   YOLO  

摘要： 针对无人机进行电力巡检时对于输电线路缺陷的检测精度较低的问题，提出了一种基于YOLOv10n的改进缺陷检测算法。其具体结构为在Backbone中添加轻量级卷积神经网络注意力模块CBAM，使得改进后的网络模型在通道和空间两个方面更加关注输电线路导线缺陷的特征，降低漏检、错检率。将YOLOv10n中原来的特征融合框架替换为双向特征金字塔网络BiFPN，该网络在原始的FPN模块中添加了上下文信息的边，并对每个边乘以一个相应的权重，通过不同的权重映射不同的学习特征，因此增加对贡献较大的特征映射。在空间金字塔池化模块通过结合ELAN，使模型能更有效地识别小目标特征。经过一系列的实验证明，改进后的模型准确率达到85.8%，召回率达到80.8%，mAP达到87%，各种指标在一定程度上都得到了提升。由此可见改进的算法提高了检测精度，在输电线路巡检中具有较广泛的应用前景。

关键词： 野生菌   目标检测   YOLOv8   多头自注意力机制   CIoU   C2f  

摘要： 针对野生菌种类繁多，传统的人工识别准确率低、效率低下的难题，提出了一种基于YOLOv8的野生菌分类新方法；引入C2f-MSBlock卷积，更好地获取野生菌的多尺度特征，减少了计算成本；引入多头自注意力机制模块，避免模型陷入局部最优从而提升分类模型的精度；针对传统检测头难以有效捕捉野生菌在菌伞和斑点等细节上差异的问题，提出了一种不对称双检测头的方案；针对边界框回归中出现的损失问题，引入了Inner-CIoU损失函数，使得模型可以灵活调整边界框的尺度大小，减少了边界框损失。实验结果表明，在野生菌分类任务中，相较于野生菌领域最优的3DRe-YOLO算法，改进后方法使mAP@0.5提升了0.3%，精确率提升了1.2%，召回率提升了0.3%，验证了改进的有效性。

关键词： 视觉SLAM   动态环境   目标检测   深度约束   四叉树分配   光流跟踪  

摘要： 同步定位与建图（SLAM）是机器人自主导航的关键，然而传统的SLAM系统通常是针对静态环境设计的，当存在动态物体时，动态特征点会造成错误的数据关联从而导致精度和可靠性降低。并且当前的解决方案中依旧存在潜在动态对象无法检测，且动态对象占据主体时所保留的有用特征点不足等问题。为了克服这些限制，提出了一种基于ORB-SLAM2的视觉SLAM系统。首先利用yolov8目标检测提供语义信息，结合深度信息进行深度约束生成动态掩码；然后，基于动态概率进行特征点的四叉树均匀分配，剔除动态特征点的同时保留更多有用特征；最后，利用光流跟踪检测与剔除潜在动态对象上的特征点。其中动态掩码与关键帧结合实现运动分割，构建干净的密集点云地图。在TUM和Bonn数据集下的实验结果表明，相比于ORB-SLAM2，在高度动态场景中平均定位精度提高超过90%，并且在相对静止的场景中表现依旧可靠。此外，在保持实时运行的同时其性能对于当前同类别的先进方法也能有所提升。

关键词： 计算机视觉   多针迹刺绣生成   生成对抗网络   颜色分割  

摘要： 针对当前刺绣图像生成领域，传统方法普遍面临针迹多样性欠缺、纹理细节还原不佳以及区域适应性较弱等问题，本文提出了一种基于区域感知的多针迹刺绣图像生成算法（RA-MSEGAN,region-aware multi-stitch embroidery image generation algorithm）。首先，为了有效建模图像区域的形状与针迹之间的关系，从而生成各针迹的区域掩码，提出了一种区域感知算法，即首先通过图像分割子网络提取彩色区域，再结合图像识别子网络提取各颜色区域的形状特征，从而将彩色区域划入对应的针迹掩码集合。其次，为了更好地结合区域掩码指导各针迹生成，设计了一种针迹生成算法，即采用多分支解码器分别对不同针迹区域进行独立生成。最后，对并行生成的各针迹子图进行融合，最终生成具有多种针迹风格的刺绣图像。为了验证算法的有效性，本文构建了一个包含超过16,000个高质量数据对的多针迹刺绣数据集。通过在所构建数据集上的定性与定量实验对比，RA-MSEGAN模型在针迹纹理细节生成及区域适应性方面展现出显著优势，LPIPS和FID指标分别达到0.269/0.013和133.08，优于同类别对比算法。

关键词： 协同显著性目标检测   弱监督   自我校正学习策略   类别标签   两阶段方法  

摘要： 像素级标签的获取耗时耗力，而图像级标签的获取要容易得多。目前，使用图像级标签解决协同显著性目标检测任务尚未得到深入探索。运用一种两阶段方法解决弱监督协同显著分割任务，仅依赖图像级标签(即类别标签) 进行模型训练。通过利用类别标签的语义信息，实现对协同显著目标的定位和分割。在第一阶段，提出了伪标签生成网络，利用类别标签做监督信号，生成输入图像的显著图;在第二阶段，提出了协同显著分割网络，用上一阶段得到的显著图作为伪标签进行监督训练。此外，在训练过程中还引入了自我校正学习策略，以提升模型的性能。首次提出使用图像级标签来解决协同显著性目标检测问题，并在三个具有代表性的数据集上进行了实验验证，得到的结果证实了所提方法的有效性和可行性。

关键词： 空间分组内卷积   双向路径聚合网络   分步训练   YOLOv8n   轻量化   目标检测  

摘要： 针对现有轻量级目标检测算法存在检测精度不足、特征融合能力较弱及检测速度较慢等问题,本文在YOLOv8n基础上提出基于空间分组内卷积的轻量级目标检测算法.首先,在内卷积基础上提出一种新型空间分组内卷积(Spatial Group-Wise Involution, SGWInvo),克服内卷积空间信息建模方面的不足.基于SGWInvo进一步设计一种轻量化主干网络SCNet替换YOLOv8n主干网络.其次,提出一种双向路径聚合网络,提高多尺度目标的特征融合能力.最后,采用深度可分离卷积对检测头进行轻量化,结合YOLO2YOLO分步训练策略,消除NMS带来的推理时延.本文包括两种检测方法:一对多匹配的SGWInvo-YOLO和一对一匹配的SGWInvoYOYO.在COCO数据集上的实验表明,与YOLOv8n相比,两种算法参数量均降低23.3%, SGWInvo-YOLO与之推理速度相当,mAP0.5精度提升3.0%. SGWInvo-YOYO推理时延减少10.5%, mAP0.5精度提升2.3%.