关键词： 红外弱小目标识别   Yolov8   大内核卷积   三重注意力机制   目标检测  

摘要： 为解决现有深度学习网络结构对红外弱小目标的识别针对性不足问题，提出了一种基于改进Yolov8的红外弱小目标识别算法(Yolov8n based on UniRepLK Block and Triplet Attention, UT-Yolov8)。该算法通过特征融合网络输出端的检测头引入三重注意力机制，为特征融合网络内部添加新的小目标检测层、检测头，以及在特征提取网络的空间池化金字塔内结合大内核卷积，针对红外弱小目标的成像特性进行改进。算法在真实红外图像数据上进行验证，实验结果表明，UT-Yolov8算法在保持高检测速度的同时，有效提高了网络对于红外弱小目标识别精度，平均精度均值mAP@0.5达到了95.9%。

关键词： 焊接机器人   焊接缺陷检测   深度学习   RT-DETR   YOLOv8  

摘要： 在焊接机器人进行焊接的过程中,受到操作不当或工艺控制不严等原因,往往会伴随焊接缺陷的产生。这些缺陷不仅会导致产品机械性能的下降和使用寿命的缩短,而且会诱发严重的工业事故,造成重大经济损失和安全隐患。因此,研究具备高精度识别能力的焊接机器人焊接缺陷智能检测模型,对减少焊接质量隐患、提升工业制造质量以及降低人工检测成本具有非常重要的理论和实际意义。 为此,本文基于深度学习网络构建了两个焊接机器人焊接缺陷检测模型,并通过对其网络结构的轻量化、二次改进等操作,使其模型检测性能得到了显著的提升。本文主要的工作和创新点如下: (1)收集了焊接缺陷数据集并对数据集进行了预处理。首先,在数据集收集阶段,通过文献查阅法和网页搜索法,收集了最具代表的焊接缺陷数据集,用以内、外部焊接缺陷检测。其次,针对收集的开源数据集呈现显著的类别不平衡特性,对原始的焊接图像数据集实施了系统的图像数据增强策略,以此缓解了焊接数据不平衡所带来的模型训练过拟合、泛化能力弱化等问题。 (2)针对焊接机器人外部缺陷检测中存在的小目标缺陷检测漏检、误检以及缺陷角度任意分布的挑战,提出了一种基于YOLOv8(YOLO系列检测算法)的二次改进模型—YOLO-weld。首先,设计SPPF-weld和C2f＿DBB＿CBAM模块,用于增强YOLO-weld模型的上下文信息的聚合能力、多尺度特征的融合效果。然后引入OBB检测头用以准确地捕捉有方向性的缺陷,以此提高检测精度。最后,实验结果表明,对比YOLOv8模型,YOLO-weld模型在精度、召回率和mAP@0.5(Mean Average Precision at IoU=0.5)分别提升了3.2%、2.6%、4.0%和3.9%。 (3)针对焊接机器人焊缝内部缺陷检测中存在检测精度低和实时性差的问题,提出了RT-DETR(Real-Time Detection Transformer)的改进优化模型—LW-DETR。首先,通过剔除RT-DETR模型中冗余的模块和对其超参数进行调整,实现和满足了模型的轻量化和实时性的需求。其次,设计了基于空间协调注意力SCSA的改进模块-SCSA-EF,提升了对小目标的特征表达和模型泛化能力。接着,设计了基于大型可分离核注意力模块LSKA的改进模块-ELSKA,以提高模型检测大、中尺寸特征图的精度和鲁棒性。另外,添加损失函数Inner WioU为模型提供一种更细粒度的评估方式。最后,实验结果表明LW-DETR模型的全类别精度、召唤率、调和平均值和平均精度均值mAP@0.5和每秒帧数分别达97.9%、96.8%、97.0%、99.0%和34.2帧/s,分别比RT-DETR模型提升2.2%、0.7%、1.0%、1.2%、和175.8%,且计算量和参数量分别降低至RT-DETR模型的11.8%、18.3%。

关键词： 目标检测   夜间行车   图像识别   YOLOv8n   轻量化  

摘要： 夜间驾驶时，光线条件不佳，目标容易被遮蔽，这使得检测算法难以精确地识别目标的轮廓和形状.此外，车辆行驶中拍摄到的物体易产生模糊感，这导致目标特征提取困难.为解决上述问题，提出了一种基于YOLOv8n改进的夜间行车目标检测算法.首先，将DCN模型引入C2f模块，改进成DCN＿CSP2模块，并替换主干网络中的C2f模块，从而更加精准地捕捉目标物体的形状和边缘信息，提升特征提取能力，降低模型计算力需求.然后，在颈部网络中针对性地引入深度可分离卷积（depthwise separable convolution,DWConv）模块，在保持模型性能的同时，减少模型参数量，从而提高模型计算效率，使模型轻量化.最后，针对原始非极大值抑制（non-maximum suppression,NMS）算法在目标部分遮挡时可能导致重要目标丢失的问题，引入基于候选检测框与基准框重叠部分大小的衰减函数，使重要目标更有可能被保留下来，并参与后续的NMS算法过程，从而提高模型的检测性能.实验结果表明，相较于YOLOv8n，所提算法在rmsw＿5k＿night数据集上的mAP@50提高了6.2个百分点，mAP@50:95提高了5.7个百分点，降低了计算力需求，减少了模型参数量，实现了模型轻量化与高性能的平衡.该算法有效地提高了对夜间目标的检测能力，为其移植到终端设备中打下了坚实的基础.

关键词： 目标检测   空间语义信息转换   注意力机制   边界框回归函数   动态检测头   煤矿烟火   轻量化网络  

摘要： 为解决煤矿烟火检测中速度缓慢和图像背景干扰问题，提出一种基于YOLOv7改进的检测算法。通过设计SlimNeck结构重构颈部网络实现模型轻量化；采用WIoUv3减轻低质量训练集的影响；在ELAN结构融入EMA模块，减少信息转换过程中的损失；引入具备多种感知能力的动态检测头提升模型表现力。实验结果表明，改进后的模型mAP提升了3.2%,同时模型的参数量和计算量分别减少了0.59 MB和2.2 G。检测速度达到了18.1 ms,保证了高精度，满足实时监测的需求。

摘要： 拍摄晨曦,尤其山岗晨曦,需选择视野开阔的拍摄点以及云霞较为丰富、但又不是乌云密布以致阳光无法穿透云层的天气,而且要在日出前一个半小时赶到拍摄点,选好理想的前景,使用合适的镜头焦距,在天光变化时应不间断地进行拍摄,以便从中选取理想画面。同时适当移换拍摄位置,以获得不同构图的画面。但最关键的还是要抓住天光与云霞色彩的变化,关注曝光,画面中高光部位绝对不能过曝,这样才能确保获得丰富的影调层次与理想的色彩表现。

关键词： 火龙果   目标检测   小目标   全局特征   多尺度加权特征融合网络  

摘要： 为了解决因火龙果果实尺寸不一、数量众多而造成的重叠遮挡问题，本文提出了一种基于YOLO v8模型的多尺度加权特征融合网络(MBS-YOLO v8)。在特征提取模块中加入挤压和激励网络(Squeeze-and-excitation attention, SEAttention)机制，以增强网络捕捉关键细节能力，解决小目标检测问题。提出一种多尺度加权融合网络(Multi-scale weighted fusion network, MWConv)用于生成具有不同感受野的特征图，增强了图像中全局特征的捕获能力。试验结果表明，MBS-YOLO v8准确率为92.5%,召回率为90.1%,平均精度均值mAP50为94.7%。与YOLO v8n算法相比，MBS-YOLO v8准确率、召回率和mAP50分别提高2.1、5.9、2个百分点。本文MBS-YOLO v8模型展现出高度的鲁棒性，该方法有效地将全局特征信息与低维局部特征相结合，从而提高了模型对图像内容的理解，能够应对与重叠遮挡和小目标相关的挑战，为火龙果及其他同类型目标检测提供了改进思路。

关键词： 目标检测   Swin Transformer   多尺度特征融合   变速箱中壳  

摘要： 针对汽车变速箱中壳生产线中存在壳体表面孔系定位效率低，检测样本不均衡等问题，本文提出了一种融合Swin Transformer的变速箱中壳检测方法。首先，Swin Transformer作为骨干网络，并结合多尺度特征融合结构，使输出特征能够同时捕捉浅层和深层语义的信息，从而增强检测方法对特征的提取能力；其次，针对Swin Transformer训练需大量数据问题，采用Affine Transformation的方法来提升模型的鲁棒性；最后，通过引入Huber Loss和Focal Loss优化损失函数，以平衡检测样本不均衡的问题。实验结果表明，融合Swin Transformer的检测方法相较于现阶段主流的目标检测算法，在5%～95%IoU的平均精度AP5-95、50%IoU的平均精度AP50和75%IoU的平均精度AP75指标上提高了0.4%～4.5%。同时通过消融实验，进一步验证了该方法在变速箱中壳检测的有效性。

关键词： 铁路异物侵限检测   计算机视觉   深度学习   目标检测   轻量化网络   特征融合  

摘要： 针对传统铁路异物侵限检测方法成本较高、效率较差的问题，该文提出一种基于计算机视觉的铁路异物侵限检测方法。首先，采用基于分类的钢轨检测算法对钢轨进行分段定位；其次，设计轻量级的异物检测网络，实现对铁路异物的识别与定位；最后，结合异物与钢轨检测结果，对侵限行为进行快速、准确的判定。试验结果表明：该文的检测算法在铁路场景下具有较强的检测精度与速度。

关键词： 无人移动视觉   复杂动态场景   图像增强   三维重建   场景分割   目标检测   异常检测  

摘要： 随着人类活动范围的不断扩大和国家利益的持续发展，新域新质无人系统已成为世界各大国科技战略竞争的制高点和制胜未来的关键力量。无人移动视觉技术是无人系统辅助人类透彻感知理解物理世界的核心关键之一，旨在基于无人移动平台捕获的视觉数据，精准感知理解复杂动态场景与目标特性。深度神经网络凭借其超强的非线性拟合能力和区分能力，已经成为无人移动视觉技术的基准模型。然而，实际应用中无人系统通常面临成像环境复杂动态、成像目标高速机动—伪装对抗、成像任务需求多样，导致基于深度神经网络的无人移动视觉模型成像质量大幅退化，场景重建解译与目标识别分析精度显著下降，从而严重制约无人系统在复杂动态场景下对物理世界的感知解译能力与应用前景。针对这一挑战，本文深入探讨面向复杂动态场景的无人移动视觉技术发展现状，从图像增强处理、三维重建、场景分割、目标检测识别以及异常检测与行为分析等5个关键技术入手，介绍每项技术的基本研究思路与发展现状，分析每项技术中典型算法的优缺点，探究该技术目前依然面临的问题与挑战，并展望未来研究方向，为面向复杂动态场景的无人移动视觉技术长远发展与落地奠定基础。

关键词： 交通场景   轻量化   YOLOv8   多目标检测  

摘要： 针对交通场景中小目标检测、漏检及检测实时性要求，提出了一种改进YOLOv8算法。在YOLOv8模型基础上进行优化，将骨干网络与颈部网络的Conv卷积模块替换为ADown下采样卷积模块，减少特征图的空间维度，同时保留关键信息，以提高模型的检测效率和精度；融合改进卷积结构(C2f)模块与多元化分支模块(DBB),增强多尺度特征提取能力；采用增强交并比(EIoU)损失函数替代完整交并比(CIoU)损失函数，优化边界框回归精度。基于自建交通数据集对改进模型进行训练，并进行消融试验，结果表明，改进模型在保持检测精度的前提下，召回率提升0.5%,参数量与计算量分别减少0.4M和0.5G,在交并比(IoU)阈值为50%时的平均精度均值(mAP50)仅下降0.2%,这实现了轻量化与检测效能的平衡，提升了在复杂交通场景下小目标检测的实时性与鲁棒性。