关键词： 无人机   目标检测   YOLOV8   深度学习   SIoU  

摘要： 【目的】 无人机视角下人员目标检测是无人机巡检、搜救任务中的核心功能。针对无人机视角下人员检测目标小、背景干扰大等问题，能够获得准确的检测结果具有较大挑战。【方法】 针对无人机视角下小目标检测中存在的目标分布稀疏、特征不够显著、尺度变化范围大和检测背景复杂等问题，提出一种新的目标检测方法，提升了小目标人员检测的准确率，满足了实际无人机巡检的需求。算法通过将ASF特征融合网络引入到颈部结构部分，该结构可以有效提取目标的位置信息和通道信息，避免了在特征融合过程中位置信息丢失的问题。同时添加小目标检测层头形成YOLOv8l-ASFP网络，从而加强网络在复杂背景下对目标的检测能力。接着，替换原本损失函数为SIoU函数，有效解决真实框与目标框相互包含情况下的IoU 计算问题，减少了计算自由度，降低模型的参数，提升了算法准确率。【结果】在自建的无人机人员数据集上，实验表明YOLOv8l-ASFP网络平均精度达到 70.55%；与基础网络YOLOv8l相比，平均精度提高 11.68%；与同领域主流算法YOLOv9、YOLOv10相比，精度也有显著提升。【结论】 改进的算法在小目标人员检测任务中表现良好，有效解决无人机巡检问题，具有一定的参考价值和应用价值。

关键词： 交通基础设施工程   抗冲刷性能   图像处理   水泥稳定碎石   侵蚀  

摘要： 为探究半刚性基层冲刷侵蚀演化过程，研发了一套自循环动水冲刷可视化试验系统。探究了表观侵蚀质量随冲刷时间的变化规律，研究变量包括养护龄期、水泥掺量、压实度、细集料含量、动水压力及冲刷角度；实时采集冲刷试件表面图像，提出了基于图像处理的材料（净）表观侵蚀率评价指标；通过平行试验分析了强度指标与抗冲刷性能间的相关性。研究表明：冲刷侵蚀质量时程曲线可分为快速增加、过渡及缓慢增长阶段；当水泥掺量低于4%，水稳碎石基层冲刷质量明显增加；基于灰色关联理论的影响因素敏感度依次为压实度、细集料含量、水泥掺量、龄期；净表观侵蚀率随冲刷质量的增加而增大，且可用Logistics非线性函数描述；除细集料含量影响外，冲刷质量与抗压强度间呈负相关关系，冲刷导致的材料强度降低可达29%。采用图像处理方法可快速评价水稳材料的冲刷侵蚀程度，研究结果可为道面与路面结构服役性能提升提供参考。

关键词： 目标检测   深层网络   路径聚合   特征信息   特征强化  

摘要： 在深度网络的前馈过程中，输入数据的特征信息会被抽象和压缩，导致部分对于目标检测关键的特征信息被弱化。基于YOLOv11n，提出了深度特征强化与路径聚合优化的目标检测方法。首先，设计全局-局部特征增强模块GLFEM(Global-Local Feature Enhancement Module)，结合特征图局部特征与全局特征，强化深层网络特征的表达能力。然后，设计自适应特征增强模块AFEM(Adaptive Feature Enhancem-ent Module)，根据特征的可靠性动态增强深层网络的特征提取能力。最后，对路径聚合特征金字塔网络进行了优化，融合不同层次之间的特征信息，减少层次之间的语义信息差。在VisDrone、NWPU VHR-10和TinyPerson这三个公共数据集上的实验结果表明，该方法的平均检测精度相较于当前先进的目标检测器均有所提升。在自建数据集AirportTiny上进行实验，同样取得了不错的效果，具有良好的泛化能力。

关键词： 目标检测   对抗样本   黑盒攻击   GridMask   注意力抑制  

摘要： 对抗样本的研究能够促进防御方法的创新，查漏补缺，进而提高模型的鲁棒性。现有的目标检测对抗攻击方法的研究大多存在着黑盒迁移能力不强，生成的对抗样本泛化能力不足的问题。为解决上述问题，提出了一种提升对抗样本的迁移性和抑制目标检测器正确分类的方法GM-DEC。首先，将GridMask这一数据增强的方法引入基于梯度迭代的对抗样本生成过程中，从而获得更加泛化的梯度信息，有助于增强攻击的鲁棒性，避免陷入局部最优和生成的对抗样本过度拟合白盒模型的情况；其次，为进一步增强对抗样本的迁移性，设计一种基于注意力的关注区域抑制损失函数，通过抑制注意力热图的大小，使得模型关注其他非目标区域，从而做出错误的预测；最后在迭代更新的过程中引入MI-FGSM中的动量项，累积速度矢量，从而稳定更新方向，实现更快收敛。在Pascal VOC2007数据集上进行实验，结果表明该文所提出的方法能够有效攻击Faster-RCNN、YOLO、SSD等目标检测器，与目前针对目标检测的攻击算法相比黑盒攻击成功率约提升10%～30%，拥有较好的迁移性。

关键词： 海洋涡旋   合成孔径雷达   深度学习   YOLO   目标检测  

摘要： 传统基于SAR数据的涡旋检测方法需手动设定阈值和特征参数，操作复杂且难以自动化，现有深度学习模型在检测过程中也存在较高的漏检和误检情况，难以满足涡旋检测对精度和效率的要求。为解决这些问题，本文提出一种基于YOLOv8的改进模型，即EddyDetNet，以克服上述局限性，提升检测的准确性和效率。该模型在Backbone和Neck中引入自适应特征融合模块（adaptive feature compression module,AFCM）和多尺度特征空间金字塔模块（multi-scale feature spatial pyramid module, MFSP）并优化Neck结构和在Head部分新增小目标检测头，提升了不同尺度涡旋的检测精度。实验结果表明，EddyDetNet在精确率（precision,P）、召回率（recall,R）和平均精确率均值(mean Average Precision,m AP)指标上较YOLOv8分别提升了2.4%、3.2%和5.5%，参数量和运算量减少了38.1%和15.8%。与YOLOv8相比，EddyDetNet在降低计算复杂度和参数量的同时，保持了较高检测精度，适用于多目标和复杂背景下的涡旋检测任务。

关键词： 6D位姿估计   RGB-D   图像处理   YOLOv8  

摘要： 在计算机视觉与机器人技术领域，6D位姿估计是一项重要任务。针对现有的基于RGB-D图像的6D位姿估计方法难以全面利用特征信息的问题，提出一种改进的6D位姿估计算法。该算法结合了YOLOv8n-seg与ResNet-UNet框架的优势，以有效提取并利用RGB图像和点云数据中的多模态信息。在PVN3D网络的基础上，通过YOLOv8n-seg模块实现RGB图像的语义分割，以捕获更加细致的场景特征；引入ResNet-UNet，通过特征级联与多尺度信息融合，增强模型的检测精度，并通过对损失函数进行定制化优化，进一步提升整体性能。在LineMOD数据集上的实验结果表明，其平均精度提升了2%，所提算法是有效的。

关键词： 目标检测   深度学习   计算机视觉  

摘要： 目标检测已成为计算机视觉研究的核心议题,这主要归功于深度学习技术的持续进步,使得深度学习为基础的目标检测算法得到了广泛采纳,并且其性能持续提升。本文通过归纳目标检测过程中面临的典型挑战及相应的优化策略,系统梳理了深度学习框架下目标检测技术的最新研究成果,尤其聚焦于两大主流类型的深度学习目标检测算法进行了综述。在文末,针对目标检测领域现存的挑战,展望了其未来发展趋势,并提出了切实可行的对策,以期对后续研究工作提供宝贵的借鉴与指引。

关键词： 微创手术   手术器械   目标检测   YOLOv8   深度学习  

摘要： 在机器人辅助微创外科手术领域,实时检测手术器械图像对于确保手术安全至关重要,这些技术以其创伤小、恢复快等优势逐渐成为主流医疗手段。在这一领域,手术器械的精确检测是关键,基于深度学习的检测技术尤为重要。本研究针对现有方法的不足,提出了基于YOLOv8的新型实时检测网络,该网络在腹腔镜手术器械数据集上表现出色,MPA评分达到97.8%,处理速度高达每秒167帧(FPS)。结果 表明,本研究提出的实时检测模型在性能上显著优于其他最先进模型,为智能手术机器人的进一步发展提供了宝贵的参考。

关键词： YOLOv11   药用植物   目标检测   深度学习  

摘要： 药用植物在医学、生态和经济领域扮演着关键角色。然而,由于缺乏有效的目标检测方法,其保护与利用面临着重大挑战。药用植物受限于环境和专业知识,相关图片样本稀缺,对自动目标检测提出了挑战。本研究通过采用数据增强技术扩充样本集,并利用YOLOv11预训练模型进行迁移学习,以提升小样本条件下的识别准确率。此外,本研究还比较了五个预训练模型在不同样本划分下的性能,以确定最适合小样本药用植物目标检测的应用版本。研究目标是为药用植物的保护、利用以及中医药现代化提供技术支持,并带来创新的研究视角。

关键词： 全息   颗粒测量   数字重建   图像处理   现场可编程门阵列  

摘要： 由于数字全息技术在三维颗粒场测量领域具有广阔的应用前景，本文基于FPGA设计并实现了颗粒全息图像重建算法。针对实时性要求高、全息图尺寸大且可变、重建截面数量多但硬件资源有限的场景，本文提出了一套新型设计架构和实现方案。整体架构具有三个维度的独立性，呈现层次性和规律性。具体设计包括定点数溢出和精度损失应对策略、相移函数无滞后现场生成方案以及高效数据加载和存储方案等，解决了上述场景下所有问题。实验表明，FPGA颗粒全息重建结果与参考值的结构相似性达99.8%，系统准确性高。在全息图尺寸为256×256、512×512、1024×1024、2048×2048时，重建耗时相比已有研究分别减少了47.6%,49.3%,20.9%和84.6%，计算性能提升显著。