关键词： 安全帽检测   目标检测   深度学习   YOLOv5  

摘要： 随着现代建筑工程的复杂度不断提升,高空作业等特殊施工场景的安全风险日益突出。近年来,由于施工人员未佩戴安全帽引发的高空坠落、物体打击等事故频繁发生,这些事故不仅对施工人员的生命安全构成了严重威胁,同时也对施工进度和工程质量造成严重影响。为了有效解决这一问题,基于施工现场图像数据构建了一个安全帽佩戴检测数据集,提取了不同环境下施工人员的佩戴特征,并针对这一数据集,设计并应用了基于YOLOv5的施工现场安全帽佩戴检测模型。该模型将施工人员和安全帽作为检测目标,通过网络训练与分类性能评估,所提出的模型在测试中取得了89.8%的检测精度。该方法不仅实现了全天候、全覆盖的自动化监管,极大提高了检测效率,而且有效降低了人工监管的成本。实验结果表明,该系统具备良好的鲁棒性,能够在复杂和多变的施工现场环境中稳定运行,满足施工现场安全管理的需求。

关键词： 高光谱目标跟踪   聚类算法   光照感知   自适应融合  

摘要： 与传统的彩色视频相比，高光谱视频由于具有良好的光谱分辨率，在目标跟踪方面表现出优异的性能。然而，目前的研究还缺乏有效的应对跟踪中产生光照变化的策略。为了解决此类问题，本文提出了一种基于空间光谱聚类和光照感知融合的高光谱目标跟踪算法（Hyperspectral Object Tracking Based on Spatial-Spectral Clustering and Illumination-Aware Fusion， HSCIF）。首先，利用空间光谱聚类提取目标聚类的平均光谱曲线，再与高光谱图像进行光谱角距离计算实现降维，达到增强目标且抑制背景的效果。随后，通过多光照感知模块模拟光照的变化，增强跟踪器应对光照变化的能力。再将原始特征与多光照感知特征进行自适应融合，得到带有多光照条件下的混合特征信息。最终，将该特征送入预测头网络，得到目标的跟踪结果。实验结果表明，HSCIF具有较强的鲁棒性和准确的目标定位能力。面对光照变化挑战，在成功率上比最先进的高光谱跟踪器PHTrack高了5.1%。

关键词： 变电设备   多模态   特征交互引导   红外图像   可见光图像   图像融合   目标检测  

摘要： 针对变电设备在复杂场景下单模态目标检测出现漏检、误检及精度差的问题，本文提出了红外-可见光图像特征交互引导的目标检测方法。基于YOLOv8网络框架，首先，构建了一个可以同时输入红外和可见光图像的双分流主干网络；其次，针对红外图像目标细节模糊且存在远距离的小目标、目标点遮挡，可见光图像在低光照情况下目标与背景区分度不足，导致网络对目标特征捕捉能力差的问题，在双分流特征提取网络引入了通道先验卷积注意模块（Channel-prior Convolutional Attention Module,CPCAM），以提升对关键目标的特征提取能力；最后，为解决现有图像融合方法在融合过程中容易出现噪声淹没，提出了一种多模态特征交互引导模块（Multi-modal Cross-guided Feature Module,MCFM），将图像的亮度和对比度作为预测权重，以引导特征共享的方式进行双向模态特征自适应融合。实验表明：本文的图像融合检测方法对比YOLOv8单模态网络在可见光和红外图像检测上的m AP@0.5分别提高了19.98%、35.25%，对比主流图像融合方法的检测精度平均提高了11.08%，并且均无漏检、误检现象。

关键词： 工程施工物资   钢筋识别   小目标检测   YOLOv5  

摘要： 提高工程施工物料库存智能盘点的自动化程度对于提升工程施工效率和工程质量具有重要意义。旨在通过数字图像处理技术,提出一种基于改进YOLOv5算法的钢筋自动计数方法。改进YOLOv5的网络结构,加入小目标检测层得到更大的特征图,同时使用加权双向特征金字塔融合多尺度特征图,保留高层语义信息,相比原YOLOv5x模型参数量减少,模型的鲁棒性和推理速度有所提升,可以更好地识别边缘和被遮挡的端面小的钢筋。另外,针对钢筋数据集过少且大尺度样本和小尺度样本分布不均匀的问题,使用几何图像增强、添加噪声、调整亮度等数据增强方法进行数据集扩充。在试验中,将融合小目标检测层和加权双向特征金字塔的YOLOv5模型与原模型在符合实际工况的测试集上进行对比试验。试验结果显示,该模型在检测精度和推理速度上均有提高,平均精度均值达97.00%,相较YOLOv5x提升了1.30%,每秒帧数达59.79,较YOLOv5x提升了6.88。同时, F1-score达到96.00%,表明模型已满足实际工况要求,可以进行工程部署。本研究成果为工程钢筋计数管理提供了智能化的技术方法。

关键词： 无人机航拍场景目标检测   可变形注意力   尺度特征交互  

摘要： 无人机航拍场景由于目标尺度差异大、分布密集且部分目标特征不明显，导致通用的目标检测算法难以有效捕获到目标区域，检测精度低。为解决该问题，基于YOLOv8s提出一种改进的无人机航拍目标检测方法。通过引入可变形注意力机制，实现感受野自适应调整，提升模型对目标几何形状的感知；使用尺度特征交互模块进行特征增强，动态聚合特征局部与全局信息，增强模型的特征表达能力；进一步采用EIoU损失函数，联合优化目标位置与形状，降低漏检和误检率。实验结果表明，在公开数据集VisDrone2019上，该算法相较于YOLOv8s，精确率提升2.5%，召回率提升1.7%，平均精度mAP提升2.3%；对比其他主流模型也拥有更好的检测性能。同时通过可视化效果验证，该算法在密集场景、多尺度目标和夜间场景下检测能力均有提升。

关键词： 棉田昆虫   目标检测   RT-DETR   小波变换卷积   M2SA  

摘要： 针对当前棉田昆虫检测面临着准确率不足、漏检和误检频发的问题，提出一种基于改进RT-DETR的棉田昆虫检测算法。首先，使用WTConv替换残差块中的第二个传统卷积，在保持较少可训练参数的前提下，显著增加感受野，使模型能够更好地聚焦于小目标的检测;然后引入M2SA模块，采用双分支结构来提取全局特征和通道信息，从而提升模型对复杂场景的理解和对小目标的检测精度;最后在跨尺度特征融合阶段提出了小目标优化金字塔（Small Target Optimization Pyramid，STOP），通过高效学习全局与局部特征，提升小目标检测效果。实验结果表明，改进后的RT-DETR平均检测精度达到了95.4％，相较于原RT-DETR模型提升了8.9个百分点，同时改进后的模型参数量为12.1M，计算量为42GLOPS，相较于原模型分别降低了36％和26％。综上，在本项研究中，经过改进的RT-DETR模型显著提高了棉田昆虫检测的准确率，为精准管理和防治棉田害虫提供了一种高效的识别手段。

关键词： YOLOv8   遥感影像   目标检测   变电站   注意力机制  

摘要： 针对现有研究多集中于变电站局部结构检测而缺乏大区域快速发现与动态监测的问题,通过高分辨率卫星影像实现变电站的高效识别,提升电网安全隐患排查能力。首先构建了基于高分辨率光学卫星影像的变电站目标检测样本库;随后提出改进的YOLOv8算法,在骨干网络中嵌入SimAM轻量级注意力模块以增强细部特征聚焦能力,并将颈部结构替换为Efficient-RepGFPN,结合DySample动态上采样模块设计新型颈部结构GDFPN,以解决多层级特征语义错位问题。实验表明,改进方法优于主流检测算法,mAP75和mAP50-95分别提升至96.8%和87.1%,验证了其在变电站检测任务中的优越性。所提出的改进YOLOv8方法可有效支持大区域变电站的快速发现与动态监测,为电网安全管理提供了可靠的技术支撑。

关键词： 带式输送机   目标检测   半监督学习   伪标签   PPYOLOE  

摘要： 在选矿生产系统中，托辊作为带式输送机的核心承重部件，其故障检测任务受限于图像抖动模糊、局部遮挡、背景干扰及样本稀缺等现场干扰因素，导致现有方法在检测精度与任务适配性方面表现不佳。为此，提出一种基于“图像目标检测-状态判识”解耦的级联检测范式，优先实现托辊目标的稳健定位，为后续状态识别奠定基础。具体而言，针对PPYOLOE计算效率偏低的问题，引入轻量级瓶颈模块，在降低参数量与计算开销的同时保留深层语义表达；针对遮挡场景下特征不完整的问题，设计多层级梯度路径优化策略，结合跨阶段特征聚合机制强化浅层纹理与深层语义的融合；此外，为缓解图像模糊与标注不足问题，构建密集伪标签协同蒸馏框架，引入教师模型生成多尺度伪标签，并通过模糊不变性约束提升模糊图像下的表征鲁棒性。在某选矿厂托辊数据集上开展实验，结果表明，1%标注比例下，伪标签蒸馏框架精确率从0.5%提升至76.9%；35%标注比例下，精确率从85.2%提升至85.8%。改进后模型检测的精确率从69.4%提升至85.8%，召回率从74.9%提升至88.5%，每秒帧数从13.27提升至33.43。相比于传统目标检测模型，改进方法在低标注数据场景下，检测精度、泛化能力和实时性显著增强，为矿用带式输送机托辊实时检测提供了更优的解决方案。

关键词： 行人重识别   深度学习   注意力机制   计算机视觉  

摘要： 针对换装行人重识别中的服装干扰问题，提出基于ViT/B-16的优化面部特征模型(Optimization Facial Feature Model，OFFM)，使用空间注意力模块和面部掩码嵌入模块优化面部特征，将局部优化特征和全局特征融合表示行人特征，充分利用行人的面部信息，提高识别精度。在换装场景下增强面部感知并抑制服装变化干扰，显著提升模型的身份判别能力。在公开的换装数据集上测试OFFM性能，并设计消融实验验证模型的有效性。实验结果表明，OFFM模型在PRCC、LTCC数据集上的mAP和Rank-1分别比基准模型(Baseline)提高了4.7%、4.1%和5.2%、6.8%。

关键词： 交通运输工程   YOLOv8模型   轻量化   MLCA注意力机制   WIoU  

摘要： 对道路交通参与者中的行人、骑行者以及车辆进行检测是实现自动驾驶的核心任务之一。在光照不均、遮挡、密集目标和远距离小目标等复杂场景中往往会存在误检及漏检情况；基于此，提出了一种改进YOLOv8模型的复杂交通场景目标检测算法。基于GhostNet轻量化网络结构，对YOLOv8模型的主干和颈部网络进行改进，利用幻影卷积(Ghost Convolution， GhostConv)来替换标准卷积(Convolution， Conv)，并将幻影瓶颈(Ghost Bottleneck， G-bneck)结合C3模块代替C2f模块，有效抑制了冗余检测，提升了检测效率；应用混合局部通道注意力机制(Mixed Local Channel Attention， MLCA)对多元化信息进行整合，以增强模型的特征提取能力；添加小目标检测层，可保留更多细节特征信息，提高对远距离小目标的检测能力；采用WIoU(Wise Intersection over Union Loss)损失函数加速了网络收敛并增强了在复杂工况下的鲁棒性。研究结果表明：改进YOLOv8模型在所构建的复杂交通场景数据集RCCW-Dataset中的平均精度均值为0.872，较原始模型提高了2.1%；模型参数量和大小分别降低了41%和37%，能有效完成对实时复杂交通场景目标任务的检测。