关键词： 自动驾驶   YOLOv7-tiny   道路目标检测   轻量化   Jetson TX2  

摘要： 针对目标检测算法对算力和存储空间的高要求，限制其在边缘设备中检测功能的实时性，提出了一种基于YOLOv7-tiny改进的轻量化道路目标检测算法。首先，通过K-means++聚类算法生成适合道路目标检测的先验锚框；其次，改进ELAN结构轻量化主干网络，同时提出轻量型多尺度特征（LMS）模块优化颈部网络；最后，使用西格玛线性单元（SiLU）激活函数加速模型收敛，采用MPDIoU损失函数进一步提高检测精度。试验结果表明：改进后的模型参数量减少18.3%，计算量降低15.0%，且所有类别平均检测精度上升1.1%。在Jetson TX2中，使用TensorRT加速后的检测速度达到48帧/s，基本满足道路目标检测的实时性要求。

关键词： YOLOv8   AFPN   尺度变化   数据增强   芒果计数  

摘要： 随着目标检测算法在计算机视觉领域的快速发展，其在农业自动化中的应用越来越广泛。针对传统算法在处理多尺度目标时准确率不足的问题，本文提出了一种基于YOLOv8网络的改进算法。通过引入渐进空间金字塔结构（AFPN），增强了模型对多尺度特征的提取能力，使其在识别不同尺寸目标时具备更高的适应性和鲁棒性。同时，结合数据增强技术与优化的训练策略，进一步提升了模型的泛化能力。本文在多个公开数据集上进行了实验，结果显示本方法在目标检测精度方面显著优于Faster R-CNN、RetinaNet以及YOLOv8原始网络结构，平均精度提升了3.02%。此外，在自制的芒果数据集上的实验表明，本方法在多尺度目标识别方面表现较为突出。该方法不仅为目标检测算法的优化提供了新思路，也为农业及其他领域中的多尺度目标检测任务提供了有效参考。

关键词： 目标检测   多尺度卷积核   坐标注意力   EIOU损失函数  

摘要： 目标检测和识别技术正在迅速发展。在公共场所，犯罪活动日益多样化，给社会治理带来了重大风险和挑战。本文设计YOLOv10-EN检测网络，满足公安实战应用需要。在模型的主干和颈部网络部分，设计多尺度卷积模块MSConv，在不同感受野下捕获多个尺度的空间特征，增强模型对目标适应能力；在主干网络输出PSA模块，引入坐标注意力机制，通过一维全局池化分别聚合水平和垂直方向特征信息，捕获长距离依赖关系，强化全局语义信息，形成方向感知的全局表征。并将池化操作结果在表征方向向量上保留位置信息，进行特征编码，实现精准目标建模，提升定位精度，降低模型尺寸与计算开销；在C2f模块Bottleneck部分引入残差连接与多尺度卷积机制，依托残差连接跳跃结构优化信息流传递，缓解梯度消失与爆炸，实现高效特征融合，并采用多尺度卷积捕获不同感受野特征信息，进一步增强网络多尺度适应与特征表达；在模型训练期间，引入EIOU损失函数，提升边界框回归的精度和收敛速度。实验结果表明，YOLOv10-EN检测网络在模型F1得分、mAP@0.5、模型参数、计算开销四项关键指标上均有增强。对比YOLOv10n基线模型，模型F1得分、mAP@0.5分别增长6.25%、6.46%，模型参数规模与计算复杂度分别下降25.7%、22.97%。实验结果表明，YOLOv10-EN网络在模型轻量化同时实现更为精准的检测效果，满足边缘移动设备便携式部署需要。

关键词： 深度学习   图像处理   遮挡检测   可变形卷积v2   Soft-NMS   Alpha-CIOU损失函数  

摘要： 为了解决生产环境中烟丝检测因粘连、遮挡现象而引发的检测精度不足等问题，提出一种基于改进YOLOv5s的遮挡烟丝检测方法。利用DCN v2C3模块替换YOLOv5s网络颈部的C3模块，提取烟丝深层次的特征信息，提升网络模型的空间变换能力及其泛化到不同形状目标的能力；引入Soft-NMS算法，平滑抑制冗余的边界框，增强对遮挡烟丝的识别能力；采用Alpha-CIOU损失函数，以优化模型的边界框定位精度。实验结果表明，与原始方法相比，改进方法的检测精度提高了2.7%。该方法在提高了检测精度的同时减少了计算量。

关键词： 光伏组件   红外图像   目标检测   YOLOv8   深度学习  

摘要： 通过无人机拍摄光伏组件红外图像进行检测时，图像背景较为复杂，且其中含有的小目标热斑故障在检测过程中容易丢失信息，出现误检或漏检等状况。针对上述问题，将HCF-Net与YOLOv8n网络结合，提出一种融合网络（HCF-YOLO）用于光伏组件红外图像热斑故障检测。加入并行化注意力机制（PPA），通过分层特征融合和注意力机制来增强小目标的表达，确保在多个降采样步骤后保留热斑关键信息。采用维度感知选择性集成模块（DASI），注重对高维和低维特征的自适应选择和精细融合，增强小目标的显著性。使用PIOU（Powerful IoU）作为HCF-YOLO的损失函数，在回归的早期阶段，引导预测框沿着有效路径回归，提升检测速度。HCF-YOLO算法相较于原有的YOLOv8n算法检测精度(average precision 50，AP50)由89.27%提升至97.28%，并且检测速度达到217.33帧/s，实验结果可证明模型的有效性。

关键词： 无人机   目标跟踪   孪生网络   多尺度特征融合  

摘要： 针对传统目标跟踪算法计算量大、跟踪精度低等问题，提出了一种结合孪生网络和Transformer的轻量级目标跟踪算法，能够有效应对无人机跟踪场景的各种挑战。首先，基于轻量级特征提取网络GhostNet设计模型的主干网络，提取目标的多尺度特征。随后，利用改进的Transformer结构搭建模型的多尺度特征融合层，充分融合目标的多尺度特征。最后，将改进的Transformer结构与孪生网络的互相关操作相结合，整合特征的全局与局部信息，实现对跟踪目标的精确定位。在UAV123、GOT-10k和LaSOT数据集上的实验结果表明，所提算法跟踪性能优秀，跟踪速度达到了87帧/s，在GPU和CPU平台上均实现了实时目标跟踪。

关键词： 高速公路   无人机   YOLOv8   目标检测   多目标   小目标  

摘要： 正常运行的高速公路上，存在干扰驾驶员判断、造成交通隐患的危险目标，使用无人机进行检测时可能面临遮挡、重叠、分散、异构等难点。为解决这些问题，提出一种基于YOLOv8n的高精度检测算法--CT-YOLO。首先，在YOLOv8骨干网络C2f模块中重构空洞卷积（Dilated Convolution），在卷积前后分别融合1×1卷积，解决应用场景目标分散的问题；其次，改进经典特征金字塔网络，额外增加两个检测层，提高了对遮挡、小目标的检测精度；最后，将改进的三重注意力机制融合到Head部分的C2f模块中，增强模型对异构目标信息的捕捉能力。通过视频采集、分帧、人工标注和数据增强，构建了一个包含11种异常目标的图像数据集，包括裂缝、修补、果皮、树叶、塑料、坑槽、箭头、车道线、纸箱、泛油和易拉罐。实验结果表明，CT-YOLO算法在异常目标图像数据集上mAP@0.5提升了13.2%，mAP@0.5:0.95提升了11%，检测精度明显提高，具有较好的实际应用效果。

关键词： 无人机航拍   小目标检测   YOLOv11n   LAMP剪枝   Focal-DIoU  

摘要： 【目的】针对无人机航拍图像中小目标检测面临的背景复杂、尺度变化大导致的检测精度较低和推理速度较慢等问题，文章提出了一种基于YOLOv11n模型的改进算法YOLOv11n-DPD，旨在提升无人机航拍图像中小目标的检测精度，并实现模型轻量化和推理加速，便于资源受限的嵌入式设备上部署运行。【方法】首先，在C3k2模块中引入可变形卷积（DCN），增强模型在复杂背景下对多尺度目标的特征提取能力，特别是对于形变显著的小目标。其次，针对无人机航拍图像中小目标占比较多等情形，新增P2（Prediction Layer 2）小目标检测层并去除了P5（Prediction Layer 5）大目标层，有效提高了小目标特征的捕获精度，同时减少了大目标检测层的冗余计算。然后，提出了一种结合Focal Loss与DIoU Loss的Focal-DIoU（Focal Loss and Distance-IoU Loss）损失函数，解决了小目标检测中的各目标类别不平衡问题，并优化了边界框的定位精度。最后，采用LAMP剪枝方法对模型进行轻量化处理，主要通过适当调整剪枝加速比，自适应地按层评估并删除冗余连接，减少模型整体计算量并加速推理过程。【结果】在VisDrone2019数据集上的实验结果表明，YOLOv11n-DPD相较于原YOLOv11n模型，在mAP50指标上提升了6.5%，达到了40.7%，增强了对无人机航拍小目标的检测精度。同时，YOLOv11n-DPD在推理速度方面，在Ubuntu和JETSON平台上分别提高了32FPS和6FPS，显著加快了推理过程。模型的大小和参数量分别减少了3.87和2.02 MB，证明了算法在轻量化方面的优势。此外，与现有主流的小目标检测方法相比，YOLOv11n-DPD在检测精度、推理速度和计算资源上综合表现更好，具有显著优势。【结论】文章所提YOLOv11n-DPD算法通过引入可变形卷积、优化小目标检测层结构、改进损失函数和进行模型剪枝，提高了检测精度、加速了推理过程并优化了模型大小，与现有的小目标检测方法相比表现更优，尤其适用于无人机航拍小目标检测任务和嵌入式平台的部署推理。

关键词： 自动驾驶   目标检测   注意力机制   多尺度特征融合   尘雾环境  

摘要： 针对扬尘、雾霾等恶劣环境下，车辆目标检测中漏检、误检及远小目标检测精度低等问题，提出了EPMYOLOv8的目标检测算法。将高效通道注意力（ECA）模块集成到YOLOv8n算法的C2f模块，使骨干网络更加关注浅层较小的目标特征信息；通过增加目标检测层，并设计多尺度特征融合架构，提高模型目标特征提取能力与检测精度；使用基于最小点距离交并比（MPDIoU）损失作为损失函数，提高检测框回归精度。试验结果表明：EPM-YOLOv8模型检测框查准率达到83.6%，检测精度达到76.8%，对尘雾恶劣环境的检测性能具有一定优越性。

关键词： 弯曲   大豆植株   主茎骨架   目标检测   株高测量  

摘要： 准确测量大豆生理株高是大豆考种的重要任务之一，传统基于计算机视觉的株高测量方法通常采用植株端点的直线长度或对植株进行像素分割等方法，存在茎秆自然弯曲的生理株高测量误差大、数据标注成本高等问题。本研究提出了一种利用改进的YOLOv8n模型重构弯曲大豆主茎骨架实现生理株高的准确测量的方法。在原有YOLOv8n模型的基础上引入CA注意力机制（Coordinate Attention）、融合小目标检测层实现对主茎节点的检测获取其位置信息，再使用YOLOv8n-seg模型实现根部分割获取根茎交界点的位置信息从而排除根部长度影响，最后根据植株的生长方向结合主茎节点和根茎交界点的位置信息构建大豆植株主茎骨架，利用其能够准确反映生理株高的形态信息提高测量的精度。试验结果表明，改进的YOLOv8n模型的平均精度值为91.52%，较原始网络提升了2.09%，YOLOv8n-seg模型的平均精度值为95.54%，可实现大豆植株主茎骨架的高精度重构，重构大豆主茎骨架实现生理株高测量的平均绝对误差为1.67 cm，均方根误差为1.91 cm，平均绝对百分比误差为3.25%，与测量检测框长度推算弯曲大豆生理株高相比平均绝对百分比误差下降了8.46%，更适合于大豆生理株高测量。研究结果表明该方法能获得准确的大豆生理株高测量结果，可为大豆智能考种提供方法与技术支撑。