关键词： 職業安全   人工智慧（AI）   驗證與驗收（V&V）   計算機視覺   物聯網（IoT）  

摘要： 本文介绍工厂在职业安全管理中应用AI系统的验证与验收过程，涵盖可信赖AI的要素如准确性、稳定性及反应时间。主要步骤包括验证与验收标准定义、系统性能评估、缺陷管理及最终验收，并强调使用计算机视觉、物联网和交叉验证等技术来实现危险行为识别和环境监测。本文强调全面测试、修正与再验证的重要性，确保AI系统在多样化场景中稳定运行并满足安全需求。

关键词： 目标检测   焊缝缺陷识别   YOLOv8算法   上采样   损失函数  

摘要： 针对目前石化储罐表面焊缝缺陷检测效率低、小目标易出现漏检、误检等问题，提出一种改进YOLOv8n的焊缝缺陷检测方法：YOLOv8-SDB。首先，在主干网络中引入空间深度转换卷积(symmetric positive definite convolution，SPDConv)模块，减少浅层特征提取过程中细节信息的丢失，捕获更加丰富的空间和通道信息；其次，利用加权双向特征金字塔网络（bi-directional feature pyramid network，BiFPN）融合多层次特征，提高特征表达能力；再次，采用轻量化且高效的上采样算子DySample（dynamic sampling），提高模型特征重建能力并减少计算复杂度；最后，使用WIoU(weighted intersection over union)损失函数加快边界回归损失收敛速度，提高回归精度。将改进后的算法在焊缝缺陷数据集上进行实验，实验结果表明，YOLOv8-SDB算法的检测准确率为86.2%，召回率为79.4%，平均精度为84%。较YOLOv8n算法分别提高了3.4%、2.8%和3.9%。

关键词： 图像处理   显著性检测   深度学习   特征增强   渐进式解码  

摘要： 针对现有的大多数RGB-D显著性检测方法在特征提取过程中难以有效提取多尺度特征以及在解码过程中模态特征信息交互不充分导致信息丢失的问题，提出了一种特征增强和渐进式解码的RGB-D显著性检测方法。首先，针对多尺度特征提取困难，导致算法对多目标、小目标物体检测精度低的问题，构建了多尺度自注意力特征增强模块；其次，为了充分发挥两种模态特征的优势，构建了跨模态特征融合模块，以增强不同模态分支之间的信息交互；为了解决解码过程中信息易丢失的问题，提出了渐进式加权融合解码器，充分整合细化不同模态的特征信息；最后，通过对逐层解码的结果采用混合损失函数监督训练，实现初始显著图优化。通过在5个公开基准数据集上与10种先进主流方法进行的对比实验表明，该方法在5个指标上均有较优表现。实验结果表明，该方法在多种复杂情况下都能获得相对精确的显著图，达到了较为先进的性能。

关键词： 无人机   电力巡检   架空输电线路   YOLOv7   边缘端   小目标检测   多尺度识别   局部遮挡  

摘要： 在无人机电力巡检的航拍视角下，考虑到电力设备图像特征的特殊性，针对普遍存在的小目标检测、目标点遮挡和航拍图像尺度多变引起模型漏检率上升，以及稠密检测带来计算量增加的问题，本文提出一种适用于无人机边缘端的视觉检测模型EDR-YOLOv7。首先，在颈部网络中引入显示视觉中心模块捕捉像素的隐性关系，解决小目标特征遗漏的问题。其次，用动态采样模块替换转置卷积实现特征点的灵活采样，降低模型计算的复杂度。最后，针对无人机视角尺度多变的问题及因局部遮挡而导致的预测框误删和偏离的问题，先后在损失函数中先后添加Inner-SIoU（Inner-Scylla Intersection over Union）损失项和斥力因子损失项，不断缩小训练迭代时的预测误差。经试验验证，EDR-YOLOv7相较于原模型mAP@0.5提升3.89%的同时检测帧率提升了5.2 frames/s，最终将模型部署于Jetson XAVIER NX边缘计算机上并采用TenssorRT推理加速，在视频流检测任务中表现出色。

关键词： 无人船   目标跟踪   模型预测控制   最佳跟踪点  

摘要： 针对海上无人船舶的目标跟踪任务，传统的跟踪策略存在无法跟随目标实时变化、跟踪过程发生振荡、控制性能不佳等问题。针对以上问题，提出了一种基于模型预测控制的目标跟踪策略。根据跟踪任务要求，以最佳跟踪点的预测位置序列作为参考值，将跟踪问题转化为带约束的最优化求解问题，得到下一时刻能实现最佳跟踪效果的控制输入，实现目标的持续稳定跟踪。设计多个不同的目标跟踪场景进行仿真实验，将该策略与基于LOS引导律和基于区域人工势场的跟踪策略进行对比，相较于另两种策略，基于模型预测控制的跟踪策略在不同的场景中均具有更好的跟踪效果，能够始终控制无人船在最佳跟踪点位置对目标进行跟踪。

关键词： YOLOv8n   注意力机制   小目标检测   铆钉损伤   蒙皮损伤检测  

摘要： 针对飞机蒙皮损伤检测小目标检测精度低、参数量大等问题，以飞机蒙皮铆钉损伤为研究对象，基于YOLOv8n算法提出了一种融合注意力机制的LHN-YOLO算法。为了增强模型对于小目标的检测能力，在骨干部分引入优化后的EMA注意力机制，通过轻量化卷积LightConv对EMA机制进行优化，形成了Light-EMA模块，既提高了检测精度又降低了计算复杂度；同时，引入Haar小波降采样模块和归一化高斯Wasserstein距离替换原模型的下采样操作和CIoU损失函数以提升预测性能。实验结果表明：LHN-YOLO算法的准确率、召回率、平均精度均值分别为92.7%、87.0%和91.7%，相较于改进前的原模型提升了2.2%、3.5%和2.8%，参数量减少了10%，有效提升飞机蒙皮小目标损伤检测的效果。

关键词： 人工智能   水下目标检测   深度学习   YOLOv8   注意力机制   特征金字塔  

摘要： 针对水下目标检测任务中小目标特征信息少和受水下环境影响导致检测精度低的问题，提出一种基于自注意力机制和改进金字塔的水下小目标检测算法，记为SF-Bi-YOLOv8．以YOLOv8为框架，设计一种加强全局特征提取能力的Swin-Fa模块对YOLOv8的骨干网络最后一个C2f层进行改进，提高了模型的小目标检测能力；将特征融合网络的特征金字塔结构替换为简化型加权双向特征金字塔结构（bidirectional feature pyramid network, BiFPN）以更好地学习多尺度特征；采用线性区间映射Focaler-IoU的方式重构检测头的损失函数，从而关注难易样本加速边界框回归．实验结果表明，在水下目标检测（detection underwater objects, DUO）数据集上，改进后的算法mAP50达到0.862，相较原YOLOv8提高了0.023,mAP50:95提高了0.036，具有更高的检测精度，可为水下目标检测任务提供一定参考．

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。