关键词： 自动驾驶   深度学习   目标检测   轻量化   嵌入式  

摘要： 针对嵌入式系统中自动驾驶目标检测算法在计算量大、实时性差以及模型泛化能力不足等问题，提出了一种基于改进MobileNet-V3和Ghost模块的轻量化目标检测算法。首先，采用MobileNet-V3作为主干网络，利用深度可分离卷积技术有效减少计算量，同时保持特征提取性能。其次，在Neck部分引入Ghost模块，通过特征映射的线性转换提升多尺度信息融合能力，并显著降低模型复杂度。最后，将损失函数中的边界框回归优化为EIoULoss,以解决传统损失函数在预测框宽高变化不一致情况下的不足，从而提升模型回归性能。实验结果表明，该算法在KITTI和Gopro数据集上表现优异，平均精度(mAP)达到91.419%,召回率为97.031%,模型参数量仅为5.5 M,并在Jetson Xavier NX设备上实现了毫秒级的推理速度，充分满足嵌入式系统中实时性与检测精度的双重需求。

关键词： 番茄   授粉机器人   视觉系统   目标检测   实例分割   数据增强  

摘要： 随着全球人口数量的增长和自然传粉媒介数量的减少，农业生产面临授粉效率低和产量不稳定的难题。番茄作为重要的经济作物，其传统授粉方式效率低、成本高，严重制约番茄产业的发展。该文综述了番茄授粉机器人视觉系统的研究现状和关键技术，并展望了其未来的发展趋势，以期为设计高效、稳定、精准的授粉机器人视觉系统提供理论依据与技术支持。

关键词： 柑橘病害   YOLOv8   目标检测   注意力机制  

摘要： 柑橘作为一种重要的经济作物,其患病问题严重影响着果实的产量和品质。然而,柑橘患病叶片形态具有极高的复杂性,不仅在颜色、纹理上呈现多样化的病变特征,而且形状也因病害种类的不同而千差万别,同时患病种类繁多,涵盖了诸如褐斑病、炭疽病、溃疡病等多种常见且危害性较大的病害类型。传统人工观察方式在面对如此复杂的情况时,暴露出了诸多局限性。一方面,检测人员需要耗费大量的时间和精力对每一片叶片进行仔细甄别,检测速度极为缓慢,难以满足大规模果园的快速检测需求。另一方面,人工观察的准确性很大程度上依赖于检测人员的经验和专业知识,主观性较强,容易出现误判和漏判的情况,这对于柑橘病害的及时防控极为不利。 为有效解决这些问题,本文深入探索并提出了一种基于YOLOv8改进模型的柑橘叶片病害检测方法,旨在实现快速、准确且自动化的病害识别。在改进模型过程中,首先在网络的SPPF层之后接入了MHSA多头自注意力模块。多头机制的引入使得模型能够从不同的维度和侧重点关注输入特征。其次,针对柑橘叶片形状多变的特点,将网络中部分C2f模块中的常规卷积核替换为DCNv2可变形卷积核。可变形卷积能够依据输入特征的实际几何形状,为标准卷积核灵活地添加偏移量,使得卷积核能够动态地适应叶片的轮廓和病斑的不规则形状,从而提高了模型对不同形状病害叶部的适应性,避免了因叶片病害处形状不规则而导致的特征提取不充分或不准确的问题。 之后通过多个渠道搜集柑橘叶部病害数据集并使用数据增强技术扩充数据集。经过一系列的实验对改进后的YOLOv8模型进行了全面的性能评估。实验结果表明改进后的模型相较于原始的基准模型在多个关键指标上均取得了显著的提升。不同模型对炭疽病、树脂病和褐斑病三个病害类的mAP值方面,YOLOv4平均精度均值达到86.57%,YOLOv5平均精度均值达到86.94%,YOLOv8平均精度均值达到88.49%,YOLOv8+MHSA平均精度均值达到90.71%,而YOLOv8+MHSA+DCNv2平均精度均值达到92.27%,改进后的模型展现出了更强大的检测能力和精度。此外改进模型在召回率、查准率、F1分数、AP值都取得了全面的领先。同时随着训练次数的迭代,模型的训练损失值和验证损失值均有所下降,这表明模型在训练过程中的收敛速度加快,稳定性增强,能够更加有效地学习到柑橘叶片病害的特征。 最后根据系统需求分析设计了柑橘叶部病害识别系统。用户通过网页上传病害图片,经过系统处理并预测,成功实现了柑橘叶部病害识别的可视化。本文提出的改进YOLOv8模型为柑橘叶片病害检测提供了一种高效、可靠的解决方案,有望在柑橘种植产业的病害防控环节发挥重要作用,推动柑橘产业朝着更加智能化、精准化的方向发展,为果农带来显著的经济效益和社会效益。

关键词： 高度测量   目标检测   YOLOX   回归分析   高空作业  

摘要： 为了在作业现场便捷、准确地测量登高作业人员距离地面的高度，提出了一种融合大气压力测高和视觉检测的高程测量方法 .建立YOLOX深度网络来检测现场作业图像中的登高作业人员，确定作业人员在图像中的高度位置.利用大气压力传感器对作业人员登高过程中短期的实际高度变化值进行检测.根据大气压力测高结果以及视觉检测结果，利用支持向量回归（SVR）建立并更新作业人员的图像位置与实际高程之间的回归模型，最终由回归模型获得高准确度的测高结果 .在实际的登高作业实验中，将所提方法与大气压力传感器直接测高及大气压力传感器比对法测高进行对比，该方法的平均绝对测高误差和均方根测高误差均低于0.2 m，优于其他对比方法 .所提方法通过视觉与大气压力传感器的融合，既克服了大气压力传感器测高漂移严重、长时间使用时精度低的问题，也避免了视觉检测中的人工标定过程，测高精度能够满足登高作业现场的人员测高需求，且便于实施，不会增加作业人员的工作负担，对于登高作业安全监护具有明显的实用性.

关键词： 合成孔径雷达   目标检测   YOLOv10   上下文聚合模块   自适应阈值焦点损失  

摘要： 针对合成孔径雷达图像飞机目标散射点离散、尺度多样性和强散射背景干扰易导致飞机目标检测困难等问题，提出了一种改进YOLOv10n的SAR飞机目标检测算法。针对SAR图像小尺寸飞机目标易漏检问题，增加小目标检测层并重构特征融合网络，实现了小尺寸目标检测性能的提升；在主干网络中引入上下文聚合模块，增强网络对全局和局部上下文信息的捕捉能力，提高模型在复杂干扰背景下目标检测准确性；引入自适应阈值焦点损失函数，通过自适应调整困难样本和易分样本的损失权重，降低困难样本的检测难度。基于SADD数据的实验结果表明，改进后的算法最高精度提高至98.8%,相比基准模型具有更好的检测性能和鲁棒性。与其他目标检测算法相比也具有更好的检测效果。

关键词： 车载行人检测   自动驾驶   计算机视觉   市场规模   技术趋势  

摘要： 车载行人检测技术是自动驾驶和高级驾驶人辅助系统(ADAS)中的一项关键技术,它利用计算机视觉和图像处理技术来识别并定位车辆行驶路径中的行人。该技术提高了道路通行的安全性、增强了辅助驾驶功能、促进了新能源汽车的普及、推动了智能网联技术的发展。本文通过对国内外车载行人检测技术发展现状的全面分析,总结了该技术的市场规模、技术趋势、主要参与者及竞争情况,并探讨了其未来发展趋势和潜在挑战。

关键词： 火焰检测   目标检测   YOLOv8   深度学习   卷积神经网络   轻量化   IoU损失函数   注意力机制  

摘要： 为降低基于计算机视觉的火焰检测算法计算量过大产生的资源消耗，以目标检测算法YOLOv8n为基础模型，在卷积和特征融合部分引入Ghost轻量化网络，使模型计算量降低，体积减小；使用Wise-IoU替换CIoU损失函数，优化边界框与真实框的度量计算，提升模型的检测效果；添加Shuffle Attention注意力机制改进对火焰特征的提取，使得精度进一步提升。所得新模型YOLOv8n-GWS较原基础模型均值平均检测精度mAP提升0.5%，权重文件体积压缩为原模型的60%，计算量降低38%，实现不降低精度的轻量化。

关键词： 目标检测   注意力机制   PointPillars算法   深度学习  

摘要： 针对PointPillars算法对小目标检测精度不足及易出现漏检和误检的问题，本文提出一种基于改进PointPillars的3D小目标检测算法：在主干网络中加入了轻量级注意力机制ECA,以增强网络对输入特征的表征能力，提高检测精度；同时为了在深层模型中有更好的效果，将ReLU激活函数替换为Hardswish激活函数，有效解决梯度消失的问题。在KITTI数据集上的验证实验表明，改进后的框架算法有效地提升了对小目标的检测能力，在鸟瞰图下，目标检测的平均均值精度(mAP)的中等难度均值(MmAP)为71.31%,相比原算法提升了5.62个百分点；相比其他主流模型，也能更好地检测小目标及遮挡目标。

关键词： YOLOv11   学生行为   行为识别   目标检测  

摘要： 基于YOLOv11构建学生学习行为识别模型，相较于传统方法及YOLOv8等模型，其骨干网络采用创新模块，提升了特征提取效率与多尺度特征提取能力，检测头的优化设计降低了计算开销。实验结果显示，在学生课堂行为检测任务中，YOLOv11的P、R、mPA50和mPA50-95相比分别提高了3.1%、5%、1.6%和4.1%，能够实时、精准地识别课堂中学生诸如举手、阅读、写作等各类行为，为教师及时了解学生状态，调整教学策略提供了有力支撑，推动了智慧教育的进一步发展。

关键词： 汽车工程   自动驾驶   三维目标检测   激光雷达点云   自注意力机制  

摘要： 为了提升自动驾驶车辆行进中对周边移动目标尺寸、位置、朝向等空间信息的感知能力，结合PointPillars与PointRCNN模型优化检测方法，提出一种基于自注意力机制的多特征融合目标检测模型MF-Point。该模型引入完全自注意力（Fully Self-Attention, FSA）增强模型的上下文感知能力，通过可变自注意力机制（Dynamic Self-Attention, DSA）在上采样过程中将结构信息有效传播到整个节点网络以增强点云特征的空间语义信息。同时，在基准算法网络中新增与其点特征提取分支相并行的柱状特征提取分支，两者并行融入自注意力变体以生成综合点特征，将其嵌入到基准算法框架中以提升检测模型对点云的处理和解析能力。试验使用KITTI三维目标检测数据集，对车辆、骑行者以及行人3类目标进行模型训练与评估，结果表明：改进后的MF-Point算法在三维模式下，车辆、行人和骑行者的检测精度分别提升了2.19%、2.68%和2.12%;在鸟瞰视角模式下，这3类目标的检测精度分别提升了0.59%、0.88%和4.67%。为进一步验证模型的泛化能力及其实际应用效果，将训练好的MF-Point算法模型部署到ROS系统中，将KITTI中的64线公开数据集和32线实测点云数据分别进行检测验证，连续检测帧数分别达到8.4帧·s-1和10.7帧·s-1,试验表明MP-Point模型提高了移动目标遮挡时的检测性能，漏检率降低了2.1%,且在公开数据集和实测验证中均具有较高的实时性和良好的检测性能。