关键词： 杭白菊   图像识别   目标检测   YOLO v8   遮挡检测  

摘要： 在非结构环境下，由于杭白菊的簇状生长特性导致相互遮挡严重，使得杭白菊检测算法的检测精度较低。针对该问题，提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n(Hangzhou white chrysanthemum-YOLO v8n)。首先，提出通过增加标签的方式，将实际需求的双类别标签改变为三类别，提升模型对杭白菊各个花期的关键性特征的精细化检测能力；其次，在主干网络中设计一种动态特征提取模块(C2f-Dynamic),以加强模型对被遮挡目标特征缺失情况的动态适应，并在检测头部分增加160像素×160像素的检测头，使得模型具备针对小目标检测的能力；最后，采用角度惩罚度量的损失(SIoU)优化边界框损失函数，提升了模型检测精度和泛化能力。模块位置试验和热力图试验表明，C2f-Dynamic模块能动态适应遮挡目标的特征变化。改进后的Hwc-YOLO v8n模型对遮挡杭白菊识别的平均精度均值提升了1.7个百分点，召回率均值提高了0.88个百分点。模型消融和对比试验结果表明，改进后的Hwc-YOLO v8n模型相比于DETR、SSD、YOLO v5、YOLO v6和YOLO v7,对杭白菊的检测效果更好。平均精度均值相较于DETR、SSD、YOLO v5、YOLO v6和YOLO v7分别提升了5.7、12.6、0.7、0.75、11.25个百分点，召回率均值相较于YOLO v5和YOLO v7提升了2.15、1.4个百分点，可为后续杭白菊智能化采收作业提供技术支撑。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 下颌骨骨折   目标检测   YOLOv5   Transformer   注意力机制  

摘要： 下颌骨是颌面骨骼中第二大骨区域,下颌骨骨质较硬,但下颌骨正中联合部,左右两侧颏孔区,两侧下颌角以及髁突颈部是下颌骨的结构薄弱区,是骨折的好发部位。使用YOLOv5模型进行辅助诊断,可以有效的提升放射科医生的诊断效率。但由于不同体位、不同部位以及受力程度的不同导致下颌骨骨折区域大小不一,并呈现出骨骼微裂、骨骼嵌插和骨骼断裂等现象,因此骨折区域大小和形状差异较大,定位和识别难度较高。针对上述问题,本文的主要研究如下: （1）由于不同体位、不同部位以及受力程度的不同导致下颌骨骨折区域大小不一,使得现有模型难以准确定位和识别骨折区域。本文提出一种基于多尺度全局特征增强的下颌骨骨折检测模型（M3YOLOv5）,主要创新工作如下:首先,将CNN和Transformer有效结合,弥补CNN全局信息提取能力不足的问题,提高模型对骨折区域的定位能力。其次,将浅层特征中的位置信息通过空间注意力机制补充给深层特征层,将深层特征层中的语义信息通过通道注意力机制嵌入给浅层特征层,提升模型对骨折区域的识别能力。最后,使用不同尺度、不同膨胀系数的深度可分离卷积,为模型提供更丰富的感受野,提高模型对多尺度骨折区域的检测能力。实验结果表明,在下颌骨骨折CT数据集上,提出的M3YOLOv5模型在精确率、mAP值、召回率和F1值分上别达到了97.18%、96.86%、94.42%和95.58%。 （2）由于骨折区域受外力程度和角度不同,呈现出骨骼微裂、骨骼嵌插和骨骼断裂等现象,因此骨折区域大小和形状差异较大,定位和识别难度较高。本文提出Mandible-YOLO模型进行下颌骨骨折区域检测,主要创新工作如下:首先,采用不同尺度的卷积核来提取多感受野特征,提升模型对不同大小骨折区域的感知能力。其次,将具有位置信息的空间注意力机制和包含频域变换的通道注意力机制相结合,提升模型对骨折区域的识别能力。最后,通过在C3模块中引入Transformer机制,该策略增强了模型长距离特征捕获能力,提升了模型对骨折区域的定位能力。实验结果表明,在下颌骨骨折CT数据集上,提出的Mandible-YOLO模型在mAP,Pre,Rec和F1指标上分别达到了97.02%,97.12%,93.82%和95.11%。 （3）开发了面向下颌骨骨折的YOLOv5检测系统,主要工作如下:首先,明确系统的功能需求。其次,依据需求分析,对系统功能进行实现。最后,对系统的功能模块进行测试。

关键词： YOLOv5s   医疗器械   深度学习   目标检测   算法改进  

摘要： 本研究对YOLOv5s模型进行了改进，重点关注医疗器械的检测。通过数据增强、网络结构优化、超参数调整以及检测算法的改进，显著提升了模型在医疗器械检测任务中的性能。改进后的模型在准确率、召回率和F1-score等指标上均优于改进前。分析结果表明，该改进模型在实际应用中具有更高的识别准确性和鲁棒性，为推动医疗器械检测的智能化发展提供了有效支持。

关键词： 卷积神经网络   目标检测   环境破坏   坍塌   滑坡  

摘要： 工程扰动是诱发地质灾害的主要原因之一，目前，对道路工程的生态影响评价存在标准不一、指标难定量的问题。从图像检测的角度出发，通过识别道路沿线影像中植被裸露区域可直观反映工程扰动对环境的破坏程度。为此，提出一种基于卷积神经网络的环境破坏检测模型：采用50层残差网络进行特征图提取，通过迁移学习优化初始参数，并以神农架国家森林公园道路沿线的坍塌破坏与滑坡破坏自建数据集为例进行验证。结果表明，坍塌破坏的AP值为0.470 3,滑坡破坏的AP值为0.480 9。与YOLOv3模型相比，本模型虽牺牲了一定检测速度，但在坍塌与滑坡识别精度上更具优势。

关键词： 毫米波雷达   多目标检测   单元平均恒虚警   目标遮蔽   检测门限  

摘要： 针对单元平均恒虚警(CA-CFAR)算法在多目标环境下容易造成目标遮蔽等问题，本文提出了一种基于比值的改进CA-CFAR(RCA-CFAR)算法，在此基础上，对RCA-CFAR算法最多可容忍的干扰目标数进行理论推导，得出其最多可容忍的干扰目标数与参考单元之间的关系，并对最多可容忍的干扰目标数进行证明。此外，结合CA-CFAR算法将RCA-CFAR扩展为2D RCA-CFAR算法，通过分阶段处理，在距离维使用RCA-CFAR算法进行预检测，在多普勒维使用CA-CFAR算法进行目标检测，该算法既降低了邻近多目标区域的检测门限，又提高了检测效率。仿真和实验结果证明了所提算法的有效性、实用性和优越性。

关键词： 男性不育   小目标检测   YOLOv8   DeepOCSORT   精液分析  

摘要： 男性不育是全球性健康问题,其中约40%至50%的病例源于精子异常。通过精子检测和跟踪算法,对精液医学影像数据进行处理,从而获取精子的浓度、活力、形态等关键参数并进行分析,是当前男性生育力评估领域的重要研究方向。然而精子检测和跟踪算法面临双重挑战:精子微小且形态多样,易受背景噪声和细胞碎片干扰,导致检测算法灵敏度降低;其高速非线性的运动轨迹,在高密度样本中易交叉重叠,加剧了连续帧间目标关联的复杂性,导致跟踪算法准确性降低。因此,开发高效精确的精子检测与跟踪算法对提高精液分析的准确性和可靠性具有重要意义。 针对精子检测与跟踪中存在的问题,本文提出了一种综合性的算法——Sperm YOLOv8E-Fast-Track ED(Sperm You Only Look Once version 8 Enhanced Fast-Tracking Enhanced Detection)。本算法结合了基于YOLOv8的增强小目标检测算法(Sperm YOLOv8-E)和改进的DeepOCSORT多目标跟踪算法(Fast-Sperm Track-ED),能够有效检测并跟踪显微镜视野中的健康精子。 在检测算法方面,Sperm YOLOv8-E模型在YOLOv8的基础上,在主干网络的中级层、SPPF模块和检测头中引入注意力机制,同时增加小目标检测层,并整合SPDConv模块,旨在保留精子浅层细节特征,增强模型全局上下文建模能力。此外,采用新的检测框质量度量方法,通过辅助边框加速损失计算,并选用更适合小目标的Io U损失计算公式。在VISEM-Tracking数据集上的实验结果显示,与原YOLOv8模型相比,Sperm YOLOv8-E的精确率(Precision)提高了13%,召回率(Recall)提高了14%,平均精度均值(m AP)提升了20%,提升了对小目标精子的检测能力。 在跟踪算法方面,Fast-Sperm Track-ED通过轻量化视觉外观模型,提升了精子外观特征提取的精度,并优化了特征提取速率。同时,引入动态Re ID决策框架,有效降低了特征提取的计算开销,减少了误识别和跟踪错误。将Sperm YOLOv8-E与Fast-Sperm Track-ED结合应用于精子跟踪任务,在VISEM-Tracking数据集上的实验结果显示,Sperm YOLOv8E-Fast-Track ED算法的高阶跟踪准确率(HOTA)达74.30%,多目标跟踪准确率(MOTA)达71.17%。这些结果显示了Sperm YOLOv8E-Fast-Track ED算法在精液分析场景中具有较高的有效性,为未来相关研究提供了有力的技术支持。

关键词： 瓦斯抽采   低照度   SCI   目标检测   EMA   BiFPN   钻杆计数  

摘要： 针对现有的煤矿井下钻杆计数方法在低照度环境下统计精度低且性能下降等问题，提出一种基于改进YOLOv8的煤矿井下低照度图像钻杆计数方法。该方法通过检测钻机卡盘与夹持器两个预测框的中心点坐标，绘制间距曲线并统计波峰的数值实现钻杆数量的计算。首先，采用SCI模块对低照度图像进行前置处理，解决低照度图像光照不均、对比度低等问题，确保后续模型能够提取到更多有效特征信息；其次，在主干网络中将EMA注意力机制融合到C2f模块，保留各通道的信息并建立长短期长下文依赖关系，增强对低照度、复杂背景中目标关注程度；此外，在颈部网络使用BiFPN结构作为特征融合方式以降低特征信息丢失，增强网络特征融合能力，提高模型在低照度场景下的检测精度；最后，设计了Inner-CIoU损失函数，基于不同大小的辅助边界框回归，提升模型对低照度和噪声的适应能力。实验结果表明，改进后的YOLOv8-GC算法mAP@0.5提升了5.7%,检测速度达到151 fps;低照度环境下钻杆计数精度达97.2%,充分证明了本文改进算法的有效性和应用潜力。

摘要： 随着信息技术与计算机技术的迅猛发展，图形图像处理软件已在多个工程领域广泛应用，其在化工产品设计中的应用也在不断走向成熟。例如，传统化工行业中的产品设计往往涉及复杂的分子结构、流体力学及热力学特性，由于传统技术的成本高、实验周期长，化工产品的生产效率较低。如今，化工产品设计通过计算机图形图像处理技术可以有效实现三维建模、数据可视化以及仿真模拟，从而有效提高化工产品设计的效率和精确度。本文将通过什么是计算机图形图像处理软件，计算机图形图像处理软件在化工产品设计中的具体应用这两个方面进行了具体阐述。

关键词： 无人机检测   无人机跟瞄   机器视觉   目标检测   深度学习   嵌入式部署   YOLOv8  

摘要： 无人机因其多功能性和经济效益,在众多民用领域中得到了广泛应用。然而无人机的发展增加了对强大的反无人机系统的需求。作为反制的首要环节,如何快速、有效地检测、跟瞄目标无人机具有重要意义。基于视觉检测的低成本和易部署优势,本研究提出了一种基于机器视觉的轻量级无人机跟踪与瞄准系统,并针对无人机视觉检测中的数据集缺乏、小目标检测难、嵌入式平台部署及检测范围扩展四个问题进行研究,具体包括以下方面: (1)数据集构建与算法分析:针对无人机检测领域缺少数据集的问题,本研究构建了一个包含10800张图像及其标注文件的高质量数据集。这些图像由4K分辨率高清相机拍摄,涵盖了多样化的拍摄角度、背景、光照条件和飞行高度,确保了数据的多样性和代表性。无人机的相对距离范围为5至200米,飞行高度在0至100米之间。此外,基于该数据集,本研究使用七种典型深度学习算法进行实验,探究拍摄角度、图像灰度、目标尺度及训练-测试图像分辨率对算法表现的影响。实验结果表明,拍摄角度、目标尺度、图像灰度及分辨率对算法性能有显著影响,且大多数算法在小目标检测方面存在较大困难。 (2)YOLO-Drone算法优化:为解决小目标检测的难题,本研究提出了一种名为YOLO-Drone的改进算法。该算法引入多尺度密集连接以提高小目标的检测效果。同时,为避免改进带来的计算量和参数增多,采用多层共享检测头以减少YOLOv8解耦头的参数和计算量。实验表明,YOLO-Drone算法在精度上较基准模型YOLOv8n提升了0.1%,召回率提高19%,mAP50提升9.6%,mAP50:95提升6.7%,检测头参数减少80%。 (3)嵌入式端优化与加速:为保证YOLO-Drone在算力有限的嵌入式设备上依然具备高精度和快速检测能力,本研究在服务器端采用LAMP剪枝以进一步减少算法的参数和计算量,同时引入基于响应的知识蒸馏方法以弥补剪枝带来的性能损失。实验结果显示,剪枝后模型的参数减少88%,计算量降低40%,且性能下降不超过1.1%。与其他深度学习模型相比,YOLO-Drone在小目标检测方面表现最佳,推理速度居于第二。最终,嵌入式端使用TensorRT进一步加速YOLO-Drone的运行,实验表明加速效果超过50%,模型在嵌入式设备上实现了14.7ms的推理延迟,满足实时检测需求。 (4)云台相机跟踪系统:为扩大固定相机的检测范围,本研究设计了一种云台相机跟踪系统,成功实现了地面云台相机对无人机的跟瞄功能。系统利用YOLODrone检测算法获得的目标坐标,计算视野中心与无人机之间的偏差角度,通过伺服电机控制云台调整角度,以消除偏差,确保无人机始终位于相机视野中心。该跟踪技术显著提升了无人机检测的灵活性和效率,使其不再受限于固定角度或背景。实验表明,在测试环境下,该系统在7-66米的有效跟踪距离内,能够跟踪的目标无人机最大横向速度为53.6 km/h,最大纵向速度为18 km/h。 最后,本文对研究内容进行了总结,并对未来研究方向进行了展望。