关键词： 目标检测   轻量化   坐标注意力   递归门控卷积  

摘要： 目标检测算法被广泛应用于生产安全领域。针对现有的目标检测算法检测速度慢、在复杂施工环境下检测精度低的问题，提出一种改进的YOLOX检测算法。首先，基于轻量化卷积模组Ghost moudle重构主干网络，压缩模型参数量和计算量，提高检测速度；其次，在主干网络输出端嵌入坐标注意力机制，增强模型对于关键位置信息的学习能力；最后，在颈部网络中引入递归门控卷积，增强模型的空间位置感知能力，捕获图像中的长距离依赖关系。改进后的模型在数据集Pascal VOC和SHWD上进行实验验证，与基线模型相比，平均精度均值分别提升1.69%和1.1%，模型参数量降低18.8%，计算量降低23.3%，帧率提升7.6%。将本文模型部署在终端设备上，可应用于施工环境下的实时监控检测中。

关键词： 封严蜂窝   混合视觉   智能识别   三维测量   点云变换   图像处理  

摘要： 提出了一种基于混合视觉的封严蜂窝磨痕测量数据自适应处理与量化评估方法，考虑蜂窝磨痕的边缘模糊及截面复杂的特性，通过点云和图像的融合分析实现了蜂窝磨痕的自适应识别、特征提取与量化评估。在点云数据中，根据蜂窝结构的先验几何特征，对实测点云进行重新定位与主平面提取，实现测量坐标系与理论坐标系的位姿对齐；在图像数据中，通过图像形态学算法解决蜂窝空洞较多、深孔等干扰下的蜂窝区域精准提取问题，实现划痕几何的量化计算。对多组磨损烧蚀后的蜂窝实测数据测试，能够实现所有划痕的精准辨识，在划痕宽度与深度上与人工测量结果偏差小于5%，识别速度提升7倍以上；结果表明所提出的方法能够利用表面形貌点云数据对碰磨及烧蚀的蜂窝磨痕进行自适应识别与量化评估。

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。

关键词： 图像处理   低对比度图像   亮度不均   加权引导滤波   Retinex  

摘要： 针对工件反光导致图像出现亮度不均和低对比度的问题，提出一种基于改进加权引导滤波Retinex的反光图像增强算法(OCISF-WGIFR)。以硅油风扇离合器主动盘检测为例，利用Otsu改进的Canny算子，影响加权引导滤波的边缘权重因子，实现自适应保边滤波；将滤波后的图像通过双阈值分割得到亮度区间划分的2张图像，经过Retinex算法处理后，进行图像融合得到结果图像。测试结果表明，OCISF-WGIFR算法处理后的图像峰值信噪比为7.935，结构相识性为0.493，均方根误差为102.283；且边缘信息保留较好，改善了传统Retinex算法处理后的图像整体偏白、失真现象严重的问题。

关键词： 水面无人艇(USV)   水面目标   小目标检测   YOLOv11   轻量化  

摘要： 为适应复杂水面环境与资源受限的水面无人艇(unmanned surface vehicle, USV)平台，满足水面目标检测对高精度和轻量化算法的需求，本文提出了一种改进YOLOv11n的轻量级水面目标检测算法YOLO-WaterLite.首先，在主干网络中引入C3K2-SCG模块，该模块优化了特征提取过程，进一步避免特征冗余，同时增强了全局与局部特征的表达能力，保持了网络的轻量化特性.其次，针对多尺度特征融合问题，设计了一种多尺度特征聚合-扩散机制，提升了网络的多尺度上下文信息整合能力，从而提高检测精度.最后，提出联合任务动态检测头(joint task dynamic detection head, JT-DDH)，通过共享特征提取器增强分类与定位任务的交互，显著提升模型对水面小目标的检测鲁棒性与精确性.实验结果表明，YOLO-WaterLite在水面目标检测数据集(water surface object detection dataset,WSODD)和水面废弃物检测数据集(FloW-Img)上的mAP@0.5分别较基准模型YOLOv11n提高了5.4%和2.8%，召回率分别提高了3.4%和3.9%.此外，YOLO-WaterLite的模型参数量仅为2.4 M，相较于其他主流轻量级检测算法，在性能与效率上均表现出显著优势.

关键词： 输电塔异物   目标检测   YOLOv10n   轻量级卷积神经网络  

摘要： 【目的】针对航拍输电塔异物检测中背景复杂、模型参数量大导致部署困难的问题，提出基于YOLOv10n的轻量级目标检测模型。【方法】首先，通过整合高效且轻量化的 GSConv（Group Shuffle Convolution）开发了一种轻量级卷积神经网络CBS-GSConv模块，降低了模型复杂性，同时保证了特征提取能力。其次，在C2f（CSP Bottleneck with 2 convolutions）模块基础上，改进FasterNet Block得到C2f-Faster，实现了模型尺寸的进一步缩减。此外，为了增强网络的特征提取效能，在C2f-Faster的前向传播网络中集成了EMA（Exponential Moving Average）注意力机制，形成了CF-EMA轻量化特征提取模块。这一改进显著提升了模型在复杂背景下对小目标的识别和提取能力，有效解决了以往模型在此类场景下的表现不足。最后，针对无人机航拍输电塔数据集（foreign＿body）的目标分布特点，重新构建了一个基于双尺度目标检测头SL(S＿Ghost-LSKA)检测头，从而提高对输电塔异物识别效率和精度。【结果】改进后的GCS-YOLOv10n在foreign＿body数据集上map@50达到98.8%，较原模型提升2.1个百分点，参数量减少30.51%（1.64M），模型体积降低23.63%（4.2MB）。消融实验验证了各模块的有效性，对比实验显示本模型在检测精度与轻量化方面优于主流算法。【结论】提出的GCS-YOLOv10 模型通过架构优化与注意力增强，在航拍输电塔异物检测任务中实现精度与效率的平衡，为无人机巡检提供轻量化的解决方案，满足边缘设备部署需求。

关键词： 无缝线路   车载   双目相机   图像处理   不共视场   全局标定  

摘要： 为了基于车载视觉系统快速检测无缝线路钢轨位移，本文研究了图像成像方式、不共视场相机全局标定、图像快速处理等关键技术，并利用轨道小车开展试验验证。通过对比三种成像方式，发现二维成像方式无法满足无缝线路钢轨位移测量需求，应优先选择双目相机作为车载视觉系统。基于摄影测量技术的全局标定方法可准确获得3组不共视场双目相机的标定参数，将3组双目相机坐标系转换为全局坐标系。通过Canny边缘检测和亚像素边缘提取方法，可准确获得圆形标志点亚像素级边缘，精准确定标志点中心坐标。轨道小车试验结果表明，采用本文方法得到的钢轨位移测量误差最大值0.49 mm，满足无缝线路养护维修需求。

关键词： 毫米波图像目标检测   YOLOX   频谱动态聚合去噪   检测后处理  

摘要： 针对毫米波图像中噪声干扰严重、前背景对比度低的问题，提出基于频谱动态聚合去噪的检测方法。以YOLOXs作为基础架构，引入去噪模块形成跨阶段频谱动态去噪（Cross-Stage Partial Frequency-Domain Noise Suppression Module, CSP-FDN）模块，增强模型的抗噪声干扰能力；并补充矩形自注意力增强的SPPF＿RCM模块，增强前景物体特征信息；再以集成加权框融合检测，改善单一模型检测性能和稳定性；最后结合人体区域的暗目标去除，缓解误检严重的问题。在全回波数据集1上，改进模型的精度、召回率和m AP@.5达到了94.55%,91.09%和95.52%，较YOLOX模型m AP@.5提升了0.68%；在全回波数据集2上，集成加权框融合检出率达到了95.0%，较单一模型检出分别提高了1.02%和2.01%；在全回波数据集3上，人体区域结合暗目标去除对于误检率分别降低了3.37%、18.61%和8.14%。