关键词： 井下轨道区域   目标检测   轻量化网络   注意力机制  

摘要： 煤矿井下的工作环境极为复杂，针对噪声、灰尘和阴暗区域导致目标漏检误检的问题，提出了一种基于轻量化网络融合的井下轨道异物检测方法。首先，对YOLOv7-Tiny网络框架进行针对性改进，引入FasterNet和GhostV2模块，在保持高性能水平的同时降低了模型复杂度。其次，结合ECA(Efficient Channel Attention)注意力机制设计了ELAN＿E模块，提高了模型对异物特征的敏感性。最后，采用Focal-EIoU损失函数优化坐标损失计算，进一步提升了检测准确性。实验结果表明，相较于YOLOv7-Tiny，提出方法在参数量和计算量方面分别减少了30.23%和15.15%。同时mAP(mean Average Precision)指标提升了1.2%，有效地提高了异物检测的精度和效率，为煤矿井下轨道区域入侵检测提供了有效改进方案。

关键词： 伪装目标检测   边缘检测   特征聚合   注意力机制  

摘要： 本文针对现有的伪装目标检测（Camouflage Object Detection，COD）网络模型不能充分利用各个层次之间的信息从而导致检测结果模糊的问题，提出了基于边缘与注意力的递进式网络（Progressive network based on edge and attention，EAPNet）。首先提出了边缘信息提取模块（Edge Information Extraction Module， EIEM），提取主干网络第一、三、五阶段的特征生成边缘特征图；然后提出了感受野与边缘特征聚合模块（Receptive Field and Edge Aggregation Module， RFEAM）聚合主干网络相邻阶段的感受野特征和边缘特征；最后利用所提出的注意力辅助融合模块（Attention-Assisted Fusion Module，AAFM）对相邻RFEAM的输出特征进行二次递进式融合。在三个COD数据集上的实验结果表明本文方法优于其他10个模型。

关键词： 桃子品质分级   目标检测   注意力机制   双向特征金字塔网络   损失函数  

摘要： 针对小型桃园中的桃子品质分级大多依赖人工，标准化程度低，水果品质分级相关算法检测复杂等问题，提出一种改进YOLOv8n的桃子品质分级检测模型（YOLOv8n-ABTW），主干网络（Backbone）嵌入坐标注意力机制（CA），精确捕捉目标位置变化和特征关联；颈部网络（Neck）融合简化的双向特征金字塔网络（SBiFPN）和上下文转换模块（COT），实现跨尺度特征连接，充分挖掘桃子图像中的纹理、缺陷和位置变化等静态和动态上下文信息；采用具有动态聚焦机制的Wise-IoU，减少低质量样本带来的惩罚。采集“冬雪蜜桃”和“玉妃”两个品种四个等级，共八个类别图像1226张，数据增强至3650张。在自制桃子品质分级数据集下的实验结果表明，该模型的mAP0.5比基准模型提高了2.1%，与其他模型相比mAP0.5也均有提升，为实现桃子品质分级检测提供了可行的技术方法。

关键词： 野生动物   目标检测   红外触发相机   运动检测   伪标签  

摘要： 红外触发相机是监测野生动物的常用方法，但存在数据量大、背景信息复杂等问题，导致监测数据标注和检测困难。针对以上问题提出一种基于伪标签和YOLOv4的野生动物检测方法。本方法首先基于运动检测的伪标签标定方法，通过背景差分法和形态学操作实现对视频数据集的自动快速标注，降低了监测环境中复杂背景的不利影响；然后通过跨阶段局部卷积块，减少YOLOv4中路径聚合网络所需的计算量；最后在密集卷积区域引入Swish激活函数，提高模型在深层区域的特征提取能力，以浙江仙霞岭自然保护区的6种野生动物监测视频作为数据集进行试验。结果表明：本方法在平均准确率和帧率指标上达到了86.41%和18.93帧/s，相比于YOLOv4、RFCN和YOLOv8x算法分别提高1.62、3.43、7.11个百分点，证明所提出算法可以有效克服现有方法标注和检测困难的问题，提升了野生动物监测数据检测准确率和帧率，有助于野生动物监测数据分析的自动化和智能化。

关键词： YOLOv8   智能结算   目标检测   目标识别   网络优化  

摘要： 【目的】为了解决传统自选餐厅价格结算任务人工成本高、工作量大和效率较低等问题，提出了一种基于改进的YOLOv8智能结算餐盘检测与识别方法YOLOv8n-Imp。【方法】首先在模型的特征提取环节引入注意力机制(ConvolutionalBlockAttentionModule， CBAM)，以实现对关键信息的关注和不必要信息的抑制，提升卷积神经网络的表示能力；其次，将原路径聚合网络(PathAggregationNetwork， PANet)替换为加权特征金字塔网络(BidirectionalFeaturePyramidNetwork，BiFPN)结构，以增强多尺度特征融合性能，提高整体运行效率；最后，将原边界框损失函数(CompleteIntersectionoverUnion，CIoU)替换为动态非单调聚焦机制(WeightedIntersectionoverUnion， WIoU)，优化权重结构，提升模型检测框定位精度和模型泛化能力。【结果】研究表明：在自建数据集上提出的YOLOv8n-Imp 模型的平均精度为 90.6%，召回率为88.6%，F1平均得分为89.4%，平均精度为89.1%。相比原YOLOv8n模型分别提高了2.2%、1.7%、1.9%和1.5%。【结论】YOLOv8n-ImP模型能同时对多种类别餐盘进行准确识别，在移动端进行轻量化部署，较快速准确地完成智能识别结算任务。

关键词： 目标检测   加拿大一枝黄花   YOLOv8n   轻量化   组归一化   共享参数  

摘要： 加拿大一支黄花是我国重点管理的外来入侵物种，有效检测识别获取其位置是治理的前提。为实现复杂自然环境下加拿大一枝黄花的快速、准确识别，针对现有模型参数量大、计算复杂度高的问题，提出一种改进YOLOv8n的加拿大一枝黄花轻量化检测模型YOLOv8-SGND。新模型在YOLOv8n模型Head的基础上设计了一种轻量化网络，提出共享组归一化检测头SGND，在提高检测头定位和分类性能的同时，大幅减少参数量。首先，在卷积块中引入组归一化代替原有的批量归一化；其次，在特征聚合后的两个卷积块中共享卷积参数，减少参数数量和计算复杂度；为了提高算法的鲁棒性和边界框各项误差的优化平衡，采用WIoU Loss v3替代原有的CIoU Loss作为边界框损失函数；最后，回归损失和分类损失在使用共享卷积的同时，使用Scale层对边界框的预测结果进行缩放调整，使得检测结果与实际输入图像的尺寸和不同检测层的特征图尺寸相匹配。采用实测数据进行检测试验，结果表明，新模型YOLOv8-SGND的检测精度m AP@0.5和m AP@0.5:0.95分别为98.8%和79.6%，相较于原始YOLOv8n模型分别提高了2.8%和6.0%，模型参数减少了约21.4%，浮点运算量也减少了1.6G。与当前主流目标检测算法YOLOX、Faster-RCNN、Cascade-RCNN、TOOD、RTMDet相比，YOLOv8-SGND的各项精度评估指标均为最优。本文提出的方法具有较高的检测精度和推理速度，可以为外来入侵物种轻量智能化识别提供技术支持。

关键词： 计算机视觉   深度学习   遥感图像   目标检测   YOLOv8  

摘要： 针对遥感图像背景复杂、尺度多变等特点导致目标检测精度低的问题，提出了一种基于改进YOLOv8的遥感图像目标检测算法。首先，基于YOLOv8网络框架，在骨干网络部分引入全局注意力机制，使模型更关注于重要区域，降低无用背景对模型的干扰；其次，采用一种明智的交并比作为新的边界框回归方式，减小低质量示例对模型的影响，提高模型的边界框回归水平；最后，在特征融合网络部分和头网络部分分别引入高效多尺度注意力模块和动态检测头模块，全面提升模型的尺度适应能力。实验结果表明，所提算法在公开遥感数据集DIOR和RSOD上均取得较高的检测精度，阈值为0.5的平均精度均值分别达到了72.0%和94.6%，并且改进后的算法具有较强的鲁棒性，当输入数据集改变时，仍能保持较好的检测性能。

关键词： 深度学习   卷积神经网络   超材料   拓扑优化   图像处理  

摘要： 基于卷积神经网络模型，建立了超材料微带天线拓扑结构布置图-增益性能数据库，实现了超材料微带天线拓扑结构性能预测。针对数据库预测精度不足的问题，改进卷积神经网络结构模型，引入了深度卷积方法和反向残差结构等。改进后的数据库性能比较优良，损失函数下降至0.008，且在验证集上达到了99%的预测准确率，验证了基于深度卷积神经网络的超材料微带天线拓扑结构性能预测的有效性。

关键词： 低光照检测   图像增强   YOLOv8n   大卷积核架构   感受野卷积  

摘要： 针对低照度环境下图像质量差、光照不均匀及细节模糊导致检测精度低的问题，本文提出了一种基于YOLOv8n改进的夜间检测模型LowLight-YOLOv8n。首先，在Backbone网络的卷积特征提取之前，引入了低光照图像增强网络Retinexformer，改善低光图像的可见度和对比度。其次，在Backbone和Neck网络中使用感受野空间特征卷积（RFCAConv）替代传统卷积操作，自适应调整卷积核权重，解决传统卷积参数共享问题，进一步提高模型的特征提取和下采样能力。然后，结合大卷积核架构UniRepLKNet和Neck网络的C2f模块，形成新的C2f＿UniRepLKNetBlock结构，获得更大的感受野，用较少的卷积操作覆盖图像的更多区域，聚合更大范围的上下文信息，捕捉到更多低光照图像中潜在的目标信息。最后，采用新的边界框回归损失函数Focaler-CIoU，聚焦于难样本的检测。在ExDark数据集上的实验结果表明，相比基线模型YOLOv8n,Low Light-YOLOv8n在m AP@0.5和m AP@0.5:0.95指标上分别提升了6.8%和5.8%，且参数量降低0.09M。

关键词： 小目标检测   车辆检测   机器视觉   特征聚合   注意力机制模块  

摘要： 针对道路中远景小目标像素占有率少、目标表征信息不足从而导致小目标对象检测准确率低、可信度不高的问题，提出了基于RA-CRPN的道路车辆远景小目标检测方法。首先，基于Faster RCNN框架，在Resnet50的骨干网络中添加了RO-Resnet模块，使输出的特征块能够捕捉上下文信息。其次，在骨干网络后添加了RA-Resnet模块，为Resnet中的各阶段特征提供上下文信息与目标特征融合后的新特征。然后，利用改进的CRPN模块，通过改善两阶段过渡时特征对齐和提案框的修正，为RPN阶段提供高质量的特征。最后，利用SODA-D公开小目标数据集对模型与其他方法进行验证分析，与Faster RCNN基线模型相比，总体AP提高了2.9%,APe高3.2%,APr高3.1%，整体检测精确度得到了提升。在此基础上与自制的道路车辆测试数据集共同进行道路目标检测，结果表明RA-CRPN的mAP50值在各模型中最高，比Faster RCNN基线模型高5.8%，进一步验证了模型的准确性和鲁棒性。