关键词： YOLOv7算法   目标检测   深度学习   无人机   松材线虫病  

摘要： 松树是世界上分布广泛的树种之一,具有重要的生态和经济价值。松材线虫病（PWD）是一种毁灭性的全球性森林疾病,致病力强、发病时间短、传播速度快,对松树生态系统构成重大威胁,造成严重的生态和经济损失。无人机航拍和基于深度学习目标检测算法的应用是目前监测PWD的一种常用手段。但为了在短时间内完成大面积的航拍,无人机往往处于较高的飞行高度,导致获取的地面影像分辨率低,疫木目标较小,因而疫木检测识别精度偏低。针对这一问题,该研究提出了一种基于YOLOv7的松材线虫病疫木检测算法DSEN-YOLOv7。该算法将YOLOv7骨干网络MP模块中的CNN替换为可变形卷积DCNv2,使网络能够适应疫木形状的变化;引入新的度量算法NWD替换原有损失函数CIoU,提高模型收敛速度和小目标检测的性能;引入注意力机制EMA,增加网络对小目标特征的提取能力;用SPPFCSPC空间金字塔池化模块代替SPPCSPC,提升模型的精度。实验结果表明,改进后得到的DSEN-YOLOv7模型在测试集上mAP@0.5、mAP@0.5:0.95分别达到81.0%和41.4%,比原YOLOv7模型分别提高了4.0和1.9个百分点,与当前其他主流目标检测模型如YOLOv8、YOLOv5i、Faster R-CNN、SSD相比,模型的F1和mAP也均有提升。该模型的推理速度为175帧/s,模型大小为71.89 MB。本研究提出的改进型DSENYOLOv7模型基本满足PWD疫情大规模实时检测的需求,为实现高效率的松林管理提供了重要的技术支持。

关键词： 智能监控   损伤检测   强磁机系统   目标检测  

摘要： 基于目标检测技术的强磁机系统异常识别在工业和生产现场扮演着重要角色.强磁机系统广泛应用于矿业等领域,其正常运行对生产过程至关重要.目标检测算法有助于准确定位和标记强磁机系统的异常区域,及时发现问题,降低维修成本,避免突发事件的发生.通过建立深度学习的目标检测模型,能够更好地学习和捕捉不同异常情况下的特征,实现对异常情况的精准检测.基于此,本文结合知识蒸馏技术,构建了轻量化目标检测算法.该方法能够完成强磁机系统异常识别,实现工业设备的智能监测和预防性维护,提高生产效率和设备可靠性.

关键词： SAR图像   可变形注意力   移动翻转瓶颈卷积   并行补丁感知注意力   小尺度目标检测  

摘要： 针对卫星SAR图像中目标尺度小，特征弱，背景干扰多等不利因素造成的目标检测算法普遍精度不高，漏检误检严重的问题，提出了一种基于YOLOv8n改进的新算法。该算法通过移动翻转瓶颈卷积（MBConv）来提升骨干网络特征提取效率，使用可变形注意力机制（DAttention）来扩大骨干网络的特征感受视野，在特征融合网络中引入并行补丁感知注意力（PPA）可以提升特征融合精度。该算法改进了原网络在小尺度目标检测能力上的不足。在公开数据集SAR Ship Dataset上对舰船目标进行检测识别，与原网络相比，精确率提升了1.8%，召回率提升了4.5%，平均精度mAP@50提升了1.8%。同时，在其他数据集上进行模型泛化实验，结果显示改进算法泛化能力较强，具有一定的工业应用价值。

关键词： 遥感目标检测   FNM-Net   轻量级   剪枝   改进YOLOv7-tiny   SIIM  

摘要： 针对现阶段遥感目标检测精度低、速度慢、模型参数量大的问题，提出基于改进YOLOv7-tiny的FNM-Net轻量级遥感目标检测网络。首先，引入轻量级特征提取网络Faster-Net替换原有主干，避免网络对特征图的冗余覆盖；其次，引入焦点调制模块Focal Modulation，提出空间信息整合模块SIIM来构建新型路径聚合网络解决特征融合过程中信息冗余和忽略层内特征的问题；另外，针对遥感目标尺度变化大的特点提出多细粒度检测头；最后，采用基于层自适应幅度剪枝LAMP评分的剪枝方法，修剪权值较小的连接，减少参数量和计算量并提高检测速度。该方法在公开数据集RSOD上进行验证，结果表明，相比基线模型，参数量减少51.2%，计算量FLOPs减少55.2%，检测速度提升6.5 f/s，mAP提升2.1%。同时，在NWPU VHR-10数据集上验证了其泛化能力。

关键词： 目标识别   跟踪控制   智能制造   有界系统  

摘要： 在智能制造过程中，存在操作者对机器人进行牵引运动的需求，这种牵引运动往往是随机的、非线性的。如何让机器人准确识别操作者的意图并实现平滑的跟踪控制，是机器人顺利完成智能制造任务的难题。首先，对操作者与六自由度机器人的柔性交互过程进行数学建模，并在此模型基础上分析操作者的指令意图。然后，使用Pade逼近方法将机器人运动延时和系统状态的导数建立联系。接着，设计了六自由度非线性目标跟踪运动的状态反馈控制器，并分析了系统的稳定条件。最后，将系统的非线性跟踪目标、系统状态、系统输出之间的关系进行了有界性分析。经过仿真验证，该控制器对于有界非线性目标可以进行有界跟踪。

关键词： 三维目标检测   图神经网络   动态采样   点云处理   小目标检测  

摘要： 现有多数三维目标检测方法在检测远距离目标时容易发生漏检，并且在小目标类别的检测精度方面表现不佳。针对这些问题，提出了一种基于图神经网络与动态采样的三维目标检测算法。在候选框生成阶段，采用图特征增强模块强化柱状特征之间的语义信息，从而生成高质量的伪图像。在关键点采样阶段，设计了一种动态采样策略，不仅提升了采样效率，同时增加了前景点的比例，并结合动态最远体素采样方法以确保关键点分布的均匀性。在候选框细化阶段，利用多尺度图池化模块提取丰富的局部特征，最后通过自适应模块融合局部信息与关键点信息，增强了特征表达能力。基于KITTI数据集的实验结果表明，所提算法在行人和骑行者的平均精度均值(mAP)分别达到了56.08%和77.65%，较基准算法Point Pillars分别提升了12.29和10.04个百分点。此外，该算法在远距离目标识别方面也表现出更高的精度，验证了其在远距离目标检测和小目标类别检测中的有效性。

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： 图像处理   多聚焦显微图像   目标识别   目标追踪   多图融合  

摘要： 多聚焦细胞图像序列在采集过程中因培养基具有流动性会造成同一细胞在不同帧图像的位置变化，且失焦细胞与聚焦细胞在形态学上存在明显差异，因此细胞图像序列无法满足现有的多聚焦图像融合算法需要保证图像内容在空间上一致性的要求。为此，本文提出了一种基于目标识别的多聚焦细胞图像融合方法，通过改进的YOLOv10目标识别模型对图像序列的所有细胞完成锁定后，进行目标追踪以关联多帧细胞并确认其运动轨迹，并对关联的同一细胞进行清晰度评价后选择清晰度最高的细胞经过图像分割，提取和融合得到最终的全聚焦清晰图像。将所提出方法与7种多聚焦图像融合算法应用于多聚焦细胞图像融合并对融合结果进行对比分析，本文提出方法的峰值信噪比平均提高3.9993，结构相似性指数达0.9741以上，融合图像内容完整、细节准确、清晰度高，实现了对多聚焦细胞显微图像的高质量融合。

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。