关键词： 疟原虫检测   目标检测模型   深度学习   血涂片  

摘要： 目的 了解目标检测模型自动检测血涂片中疟原虫的效果，辅助疟疾实验室诊断。方法 收集2008—2022年武汉市境外输入性疟疾现症病例的血涂片，采用自动图像采集系统获取镜下图像，由专业镜检人员进行标注，创建疟原虫薄血膜图像数据集。通过训练检测模型进行疟原虫和白细胞（WBC）的检测，推理出阴阳性、感染率、感染虫种，并展示于应用界面中。采用真阳性、真阴性、假阳性、假阴性的样本数量，计算准确率、精确率、召回率、F1分数来评估模型的性能。参照疟疾镜检人员的技术考核方式，模拟镜检过程，取10张血涂片对模型综合结果进行评分。结果 薄血膜图像数据集共包含3 704张图像，由专家使用边界框进行注释，注释包含7 835个虫体和786个WBC标注。经YOLOv8模型混淆矩阵分析，模型整体正确率为85.5%、精确率为98.5%、召回率为93.3%、F1分数为95.8%、平均精度@50分数为96.2%。Pv和Pm的检测精确率较高，分别为96.9%和93.8%。Pf和WBC的检测精确率较低，分别为87.2%和87.8%。除Pf的F1分数为89.7%外，其他类别检测的F1分数均高于90.0%。4种疟原虫和WBC检测整体召回率为93.3%，召回率由高到低为Pm (94.9%)、WBC(94.2%)、Pv (94.1%)、Po (93.6%)、Pf (92.4%)。共有64个目标被误检，误检率为6.7%。模型与专家检测结果正确率均为100%，机器得分90，无阴阳性误判现象，但鉴别虫种存在误检。结论 目标检测模型能较好的识别定位疟原虫、白细胞及红细胞，评分结果趋近于镜检专家，具备较高的检测能力，可应用于临床疟原虫镜检的辅助诊断。

关键词： 红外遥感   超分辨率   CIoU   小目标检测   YOLOv8  

摘要： 针对远距离、弱能量、低分辨率的红外图像目标检测中存在的识别率低、虚警率高等问题，结合超分辨率和深度学习，设计了一种基于YOLOv8n的深度学习网络SR-YOLOv8。本文在主干网络搭建了SRNet网络，对输入图片进行超分辨率预处理来增加小目标的像素数量，在颈部部分设计了GCAM（Global Context Aware Module， GCAM）模块以增强目标与背景的区分度，抑制复杂背景的影响，改进了CIoU损失函数，提出β-CIoU作为新边界框损失函数，该函数能够依据检测目标的大小灵活地调整损失值，提高模型检测性能。在红外遥感数据集SIRST上的mAP0.5和mAP0.5:0.95分别达到0.844和0.351，较原始模型YOLOv8n分别提升了4.7%和11.4%，有效解决了漏检和误检问题。

关键词： 边缘驱动   低照度图像   YOLOv8n网络   特征融合  

摘要： 针对低照度环境下，目标特征不明显、细节丢失严重、场景适应性差等问题导致目标检测精度低的问题，提出了一种基于边缘驱动的目标检测方法ED＿YOLO。首先，设计了HESM模块，通过Sobel算子提取边缘信息，引导多元特征交互，提升有效信息的敏感度。其次，提出了C2f＿DRM模块，高效整合局部细节与全局上下文信息。然后，构建了LFAM模块，在共享卷积的基础上，优化不同尺度特征的自适应调控方法，有效减少细节信息丢失。最后，引入RepGFPN模块，利用重参数化技术，提高模型的多尺度特征提取能力。在ExDark数据集上的实验结果表明，所提出方法的mAP50(%)达到了72.17%，与原始YOLOv8n相比，提高了2.87%，取得了较好的检测效果。

关键词： 无人驾驶方程式赛车   点云数据处理   YOLOV5   目标检测   传感器数据融合  

摘要： 为了快速准确的检测无人驾驶方程式大赛中赛道锥桶的特征信息，论文提出一种融合激光雷达点云数据和相机图像数据的检测方法。首先对点云数据进行感兴趣区域（Region of Interest，ROI）提取并对噪点进行滤波，针对目前地面欠分割和过分割问题引入自适应地面分割算法，并采用欧式聚类对锥桶空间位置信息进行提取；其次采集和标注图像数据集并使用YOLOv5进行训练后检测，完成锥桶颜色信息的提取；然后将激光雷达检测的锥桶空间位置信息和相机检测的锥桶颜色信息进行融合；最后设计实验进行验证，结果表明，论文所提出的融合检测方法能够弥补单传感器检测锥桶带来的问题，能够快速准确的检测出赛道中的锥桶，为规划和决策提供了保障。

关键词： 复杂环境   轻量化YOLOv8算法   目标检测   二维码导航  

摘要： 针对传统二维码辅助导航的检测方法在复杂工业、物流运输场景中存在识别失败的情况，本研究通过使用成熟且可以提供相对位姿信息的AR码，提出了一种改进的轻量化YOLOv8-AR模型来进一步增强识别效率。在网络模型方面，主干引入超强轻量级StarNet网络来降低目标检测的算法计算量；在颈部网络中优化并构建C2f-EMSC模块，以增强复杂环境下AR码特征的提取，同时降低了计算负载；此外，本文提出了轻量级细节增强共享卷积检测头LSDECD-H，以提高细节特征表达能力，从而提升小目标和多目标的检测精度。实验结果表明，该模型的参数量和计算量分别为1.46M和4.7GFLOPs，仅为基线的51%和42%，在帧率满足实时检测情况下，mAP高达0.962，具有较高的鲁棒性。在解码之前快速确定其位置，从而提升识别效果来达到精确定位，适合于二维码路标导航等应用场景。

关键词： 故障识别   目标检测   算法改进   地面测试  

摘要： 近年来，随着科技的迅猛发展，深度学习技术在航天领域应用日益增多。液体火箭发动机地面测试成本高、子样少，故障的发生和发展速度快、破坏性大，需要迅速、有效地捕捉故障发生位置并及时进行处理。本研究通过对某次出现故障的测试进行分析后发现，利用高速摄像机拍摄的视频图像中故障出现时间点比数据波动报警阈值时间点要早。因此，探索采用YOLOv5目标检测技术，并依据训练精度、检测速度等指标对模型进行改进，结合深度学习技术对液体火箭发动机地面测试全过程进行监测并识别，既有助于现场指挥员对故障及时处理、准确定位故障发生时间及部位，又助于故障发生后对故障原因进行分析。

关键词： 对比学习   引导增强   引导特征映射   对比损失   自监督学习  

摘要： 在自动驾驶的实际场景中，3D点云数据的采集会面临多种复杂因素，例如物体遮挡、传感器信号的中断以及目标物体的旋转变化等，这些都增加了数据的复杂度，给目标检测带来了巨大的挑战。为了解决3D点云在复杂场景下目标检测的效果，本文在融合点-体素特征融合的基础上提出了对比学习的3D目标检测新框架，以自监督的方式获取一种更具有鲁棒性的特征表达方法，有助于特征空间上相似的点更加接近，以应对数据多样性的挑战。该方法通过引入引导增强、引导特征映射和对比损失等自监督学习方法，提升模型特征表达的能力，从而提升在复杂场景下的3D点云目标检测的鲁棒性与泛化能力。基于PV-RCNN的主干网络，本文方法将点云和体素特征深度融合，并通过对比学习增强特征一致性，显著提高了模型在KITTI数据集上的检测性能，尤其在高难度任务中表现出色。实验结果表明，与现有方法相比，本文提出的框架在3D目标检测任务中具有更高的检测精度与效率，具备广泛的应用潜力。

关键词： 开放世界   遮挡目标检测   特征融合   图卷积神经网络  

摘要： 解决遮挡目标检测问题是开放世界自动驾驶目标检测研究中一项充满挑战的任务。本文主要研究在开放世界自动驾驶场景中，由于未知遮挡模式的多样性，被遮挡目标在图像中呈现的特征稀疏性与语义模糊性以及目标形态的不确定性，利用不同维度特征图的信息差异性以及目标整体与部分间和部分内的关系进行遮挡目标检测。提出了一种基于多层次特征融合和增强特征表示的遮挡目标检测算法。首先，设计了共现空间图模块完成部分内与部分间的特征增强，提高遮挡目标的特征表现，增强遮挡区域的语义恢复能力。其次，采用跨层次尺度的特征金字塔网络增强核心特征的上下文信息和特征之间的关联性。最后，通过并行自适应特征融合模块融合不同层次的特征，缓解特征丢失，提高目标检测性能。所提方法在数据集Pascal VOC，BDD100K和自制数据集上与现有检测算法进行比较，相较Top2算法的未知类召回率和mAP的增值范围在1.4%-1.9%和0.5%-1.5%（相对）。该算法旨在提升开放世界自动驾驶场景中遮挡目标的检测精度，通过学习遮挡目标的特征关联性，有效缓解了特征稀疏与语义模糊带来的不利影响。实验验证了本算法可以有效提升遮挡目标的检测性能，展现了很好的泛化能力，并增强对未知目标的检测能力。

关键词： 围堤排水沟   渗流量监测   非接触式   无人机   图像处理  

摘要： 针对现有围堤排水沟大于300 L/s的流量监测方法存在费时耗力或成本高的弊端，基于无人机图像识别提出了一种适用于长距离围堤排水沟大渗流量监测方法。该方法通过复核排水沟监测断面的几何参数，标定曼宁公式糙率，结合无人机采集监测断面水尺图像及图像处理技术，快速识别各监测断面的水深，进而获得监测断面的渗流量，实现对围堤排水沟渗流量的高效监测。工程实例分析表明，该方法通过对监测断面尺寸进行复核以及对曼宁公式系数进行标定，即能基于无人机采集的排水沟水尺图像快速获得监测断面渗流量；监测的渗流量与常规流速仪法测量的渗流量之间的误差在5%～7%。

关键词： YOLOv11   目标检测   深度学习   注意力机制   太阳能电池板  

摘要： 针对现阶段太阳能电池板缺陷检测方法精度低、速度慢的问题，提出了一种基于改进YOLOv11的缺陷检测算法。首先，在骨干网络中引入SimSPPF模块，优化了特征提取过程。此外，采用Slide Loss损失函数提升了模型对困难样本的关注度。同时，在C2PSA中引入LSKA注意力机制，利用分离卷积核增强特征提取能力，并应用Mish激活函数增强网络非线性。最后，引入Strip Pooling策略，提高了模型对目标形状和分布变化的适应性。实验结果显示，改进算法Persion达到86.8%，较原始算法提高3.3%，mAP@0.5达到90.1%，较原始算法提高2.6%，检测速度达到149.254fps，满足工业生产中太阳能电池板缺陷检测高精度、高效率的要求。