关键词： 育肥猪群体   体重估测   图像处理   实例分割   机器学习   特征提取  

摘要： 针对规模化育肥猪生产养殖，传统的猪只称重方法存在自动化水平低、效率低、费时费力、易造成猪只应激等问题，提出一种基于实例分割与机器学习相结合的非接触式育肥猪群体体重估测方法。使用Mask R-CNN和Mask2forme两种不同的实例分割算法获取群猪的掩膜轮廓，并进行效果对比。Mask R-CNN和Mask2forme的分割精度分别为93.86%与98.98%，最终选择Mask2forme实例分割模型。结合群猪分割掩膜的图像信息，提取掩膜图像的相关特征参数作为模型的数据输入，采用不同的算法构建多种体重估测模型相比较。结果表明，随机森林估测模型的效果最好，其决定系数R2为0.94，平均绝对误差为7.92 kg，平均相对误差为2.58%。基于实例分割与机器学习的非接触式育肥猪群体体重估测研究方法可以较好地预测体重，为实现群猪自动称重提供技术与理论支持。

关键词： 目标检测   深层网络   路径聚合   特征信息   特征强化  

摘要： 在深度网络的前馈过程中，输入数据的特征信息会被抽象和压缩，导致部分对于目标检测关键的特征信息被弱化。基于YOLOv11n，提出了深度特征强化与路径聚合优化的目标检测方法。首先，设计全局-局部特征增强模块GLFEM(Global-Local Feature Enhancement Module)，结合特征图局部特征与全局特征，强化深层网络特征的表达能力。然后，设计自适应特征增强模块AFEM(Adaptive Feature Enhancem-ent Module)，根据特征的可靠性动态增强深层网络的特征提取能力。最后，对路径聚合特征金字塔网络进行了优化，融合不同层次之间的特征信息，减少层次之间的语义信息差。在VisDrone、NWPU VHR-10和TinyPerson这三个公共数据集上的实验结果表明，该方法的平均检测精度相较于当前先进的目标检测器均有所提升。在自建数据集AirportTiny上进行实验，同样取得了不错的效果，具有良好的泛化能力。

关键词： 实践能力   图形图像处理技术   课程创新  

摘要： 学生的实践能力是衡量高校教学质量的重要指标.因此,各高校须在教学过程中创新课程内容、课程教学模式等,以培养学生实践能力为宗旨,制定一系列课程创新策略.文章以图形图像处理技术课程为例,结合实际分析课程建设的实施要点,然后有针对性地提出基于学生实践能力培养的图形图像处理技术课程创新对策,旨在为相关课程改革提供些许新的理论参考和启发,使学生更好、更快地适应行业环境,助力其核心竞争力提升.

关键词： 目标检测   对抗样本   黑盒攻击   GridMask   注意力抑制  

摘要： 对抗样本的研究能够促进防御方法的创新，查漏补缺，进而提高模型的鲁棒性。现有的目标检测对抗攻击方法的研究大多存在着黑盒迁移能力不强，生成的对抗样本泛化能力不足的问题。为解决上述问题，提出了一种提升对抗样本的迁移性和抑制目标检测器正确分类的方法GM-DEC。首先，将GridMask这一数据增强的方法引入基于梯度迭代的对抗样本生成过程中，从而获得更加泛化的梯度信息，有助于增强攻击的鲁棒性，避免陷入局部最优和生成的对抗样本过度拟合白盒模型的情况；其次，为进一步增强对抗样本的迁移性，设计一种基于注意力的关注区域抑制损失函数，通过抑制注意力热图的大小，使得模型关注其他非目标区域，从而做出错误的预测；最后在迭代更新的过程中引入MI-FGSM中的动量项，累积速度矢量，从而稳定更新方向，实现更快收敛。在Pascal VOC2007数据集上进行实验，结果表明该文所提出的方法能够有效攻击Faster-RCNN、YOLO、SSD等目标检测器，与目前针对目标检测的攻击算法相比黑盒攻击成功率约提升10%～30%，拥有较好的迁移性。

关键词： 海洋涡旋   合成孔径雷达   深度学习   YOLO   目标检测  

摘要： 传统基于SAR数据的涡旋检测方法需手动设定阈值和特征参数，操作复杂且难以自动化，现有深度学习模型在检测过程中也存在较高的漏检和误检情况，难以满足涡旋检测对精度和效率的要求。为解决这些问题，本文提出一种基于YOLOv8的改进模型，即EddyDetNet，以克服上述局限性，提升检测的准确性和效率。该模型在Backbone和Neck中引入自适应特征融合模块（adaptive feature compression module,AFCM）和多尺度特征空间金字塔模块（multi-scale feature spatial pyramid module, MFSP）并优化Neck结构和在Head部分新增小目标检测头，提升了不同尺度涡旋的检测精度。实验结果表明，EddyDetNet在精确率（precision,P）、召回率（recall,R）和平均精确率均值(mean Average Precision,m AP)指标上较YOLOv8分别提升了2.4%、3.2%和5.5%，参数量和运算量减少了38.1%和15.8%。与YOLOv8相比，EddyDetNet在降低计算复杂度和参数量的同时，保持了较高检测精度，适用于多目标和复杂背景下的涡旋检测任务。

关键词： 红外图像目标检测   小目标检测   YOLOv8   可变形卷积   注意力机制  

摘要： 红外小目标检测在军事侦察、航空航天监测及安防等领域具有重要意义，特别是在低照度及复杂气候环境下，利用红外热成像技术可以精准捕捉并识别远方微小且信号弱的目标。针对红外场景下小目标特征微弱、检测精度低等问题，提出了一种改进的CTCA-YOLOv8算法。首先增加了小目标层并删除针对大目标的检测层，使得在显著降低参数量的情况下增加小目标的检测效果，然后分别添加BoT模块、跨层特征交互融合模块DFF以及交叉注意力机制CTCA，通过获取全局特征信息和融合不同层级的特征，CTCA-YOLOv8针对红外小目标具有更好检测效果。实验结果表明在FLIRv2数据集上，相比YOLOv8n模型，CTCA-YOLOv8的mAP50指标提升了5.3%，计算量增加了3.5GFLOPs，参数量相比YOLOv8n下降了37%,CTCA-YOLOv8在仍能保持轻量化的前提下，目标检测精确度得到了有效提升。

关键词： 6D位姿估计   RGB-D   图像处理   YOLOv8  

摘要： 在计算机视觉与机器人技术领域，6D位姿估计是一项重要任务。针对现有的基于RGB-D图像的6D位姿估计方法难以全面利用特征信息的问题，提出一种改进的6D位姿估计算法。该算法结合了YOLOv8n-seg与ResNet-UNet框架的优势，以有效提取并利用RGB图像和点云数据中的多模态信息。在PVN3D网络的基础上，通过YOLOv8n-seg模块实现RGB图像的语义分割，以捕获更加细致的场景特征；引入ResNet-UNet，通过特征级联与多尺度信息融合，增强模型的检测精度，并通过对损失函数进行定制化优化，进一步提升整体性能。在LineMOD数据集上的实验结果表明，其平均精度提升了2%，所提算法是有效的。

关键词： 无人机航拍图像   小目标检测   特征提取   多尺度变化   YOLOv8   上下文信息   感受野   损失函数  

摘要： 针对无人机航拍图像中存在小目标、目标遮挡、背景复杂的问题，提出一种基于高效特征提取和大感受野的目标检测网络（EFLF-Net）。首先，通过优化检测层架构降低小目标漏检率；然后，在主干网络融合新的CNN构建模块以提升特征提取效率；接着，引入轻量级通用上采样算子和大型选择性核网络，增强颈部网络对遮挡目标的上下文感知能力；最后，采用WIoU损失函数优化边界框回归稳定性。在VisDrone2019数据集上的实验，EFLF-Net对比其他主流算法都有更好的效果，较原YOLOv8n算法在平均精度上提高了5.2%，实验结果表明该方法有效提高模型对无人机航拍图像的检测能力。

关键词： 目标检测   深度学习   计算机视觉  

摘要： 目标检测已成为计算机视觉研究的核心议题,这主要归功于深度学习技术的持续进步,使得深度学习为基础的目标检测算法得到了广泛采纳,并且其性能持续提升。本文通过归纳目标检测过程中面临的典型挑战及相应的优化策略,系统梳理了深度学习框架下目标检测技术的最新研究成果,尤其聚焦于两大主流类型的深度学习目标检测算法进行了综述。在文末,针对目标检测领域现存的挑战,展望了其未来发展趋势,并提出了切实可行的对策,以期对后续研究工作提供宝贵的借鉴与指引。

关键词： 微创手术   手术器械   目标检测   YOLOv8   深度学习  

摘要： 在机器人辅助微创外科手术领域,实时检测手术器械图像对于确保手术安全至关重要,这些技术以其创伤小、恢复快等优势逐渐成为主流医疗手段。在这一领域,手术器械的精确检测是关键,基于深度学习的检测技术尤为重要。本研究针对现有方法的不足,提出了基于YOLOv8的新型实时检测网络,该网络在腹腔镜手术器械数据集上表现出色,MPA评分达到97.8%,处理速度高达每秒167帧(FPS)。结果 表明,本研究提出的实时检测模型在性能上显著优于其他最先进模型,为智能手术机器人的进一步发展提供了宝贵的参考。