关键词： 深度学习   机器人视觉   目标检测   YOLO算法   注意力机制  

摘要： 深度学习技术在机器人视觉系统中的应用日益广泛。通过对改进型YOLO算法的设计与优化，实现了机器人进行实时目标检测与识别。本研究采用改进的特征提取方法，在ResNet50骨干网络基础上引入注意力机制，显著提高了目标检测准确率。实验结果表明，改进后的算法在目标检测速度和准确性方面均优于传统方法，其平均检测精度提升15.3%，处理速度提升23.7%。该系统可以使工业机器人在视觉检测等实际应用场景中具有良好的适应性和稳定性。

关键词： 目标检测   机器视觉   深度学习  

摘要： 在海洋领域自动化和智能化是趋势，目标检测算法是实现智能化的核心。目前目标检测模型中，YOLOv5因其模型体积小，运行速度快，易部署等优点，被广泛应用在各种领域中。但YOLOv5并不是针对海洋环境进行实现，在面对海洋领域中的数据时无法达到很好的性能。为使YOLOv5能够更好地应用在海洋环境中，该文分析了海洋环境的数据特征，针对这些特征提出了变暗增强、加雾增强、加雨增强等数据预处理，使得训练的模型可以更好地应对海洋环境中复杂环境及天气条件。在使用该算法后，YOLOv5模型在海洋环境中对船舰目标的预测的平均检测精度均值（mAP）从61.1%提高至67.6%。

关键词： 自动驾驶   目标检测   YOLOv8s   EMA   Wise-IoU  

摘要： 针对当前自动驾驶目标检测算法存在的单一或少量种类目标检测、目标漏检和误检等问题，本文提出了一种基于YOLOv8s改进的自动驾驶目标检测算法。该算法将YOLOv8s的主干网络中部分普通卷积替换成RepConv (Reparameterization Convolution)卷积，提升目标感知能力的同时减少计算复杂度和内存消耗，提高模型效率。此外，在颈部网络C2f后添加高效多尺度注意力（Efficient Multi-scale Attention, EMA）机制，提高特征关注度和模型收敛速度。其次，在网络头部添加P2检测头，增强对小目标的检测能力。最后，采用WIoU (Wise-IoU)损失函数，该函数通过动态非单调聚焦机制和梯度增益分配策略，提高检测器整体性能。在手动标注的Car数据集上，改进模型在mAP50和mAP(50-95)上分别达到81.2%和58.4%，比YOLOv8s模型分别提升1.5%、1.2%;精确率（Precision,P）、召回率（Recall,R）提升1.9%、0.8%；参数量从11.14M降至10.87M。改进模型与基准模型相比，在减少参数量的同时提高了检测精度，使其更加适用于自动驾驶任务。

关键词： 滚动轴承   表面缺陷   YOLOv8   注意力机制   动态检测头  

摘要： 为提升滚动轴承表面缺陷检测准确率，降低微小缺陷的漏检率，提出一种改进YOLOv8的轻量级轴承表面缺陷检测算法——YOLOv8n-DAS。采用一种结合注意力机制的动态检测头，该检测头将尺度感知、空间感知和任务感知三者相统一，以实现更强的特征表达能力。采用ADown模块进行下采样，以突出边缘缺陷特征并降低模型规模。最后，为了进一步提升模型对小目标缺陷的检测能力，在网络颈部添加小目标检测层，增强浅层语义信息与深层语义信息的融合，保留更多的细节信息。实验结果表明：与基准模型YOLOv8n相比，改进算法的准确率、召回率、平均精度分别提升了1.4%、3.1%、2.4%,算法检测速度为72帧/s;通过与主流轻量级目标检测算法进行比较，YOLOv8n-DAS算法对轴承表面缺陷有较好的检测性能。

摘要： 铁路轨道检测技术是保障列车运行安全的重要手段，随着列车速度和负载的增加，轨道缺陷检测面临更高要求。传统检测方法存在效率低、精度不足等问题。本文提出了一种基于计算机视觉技术的轨道检测方法，结合图像预处理（灰度变换与中值滤波）、Canny边缘检测和BP神经网络分类技术，针对轨道裂纹和疤痕两种主要缺陷进行检测与分类。实验结果表明，该方法在缺陷分类准确率和抗噪能力方面具有显著优势，为轨道检测的自动化提供了有力的技术支持。

关键词： 姿态估计   人体关键点   轻量化网络   注意力机制   目标检测  

摘要： 针对现有的太极训练评估方法受训练场地和训练时间的限制，导致学员“学其行而不知其意”,不恰当的运动动作，造成运动损伤。提出两阶段的自上而下的人体骨骼关键点检测算法，首先使用改进网络结构、损失函数的YOLOX进行目标检测，增强网络检测和特征表达能力，提高在人体目标检测方面的适用性和准确性；其次搭建以MobileNetv3为主干的轻量化AlphaPose网络，为模型搭载在嵌入式设备上提供可能。并引入疏松多层感知机，保证算法精确度的同时降低模型时间复杂度和空间复杂度。最后，为更好地衡量太极拳动作的标准程度，计算太极拳视频序列和关键帧图像的人体关节角度，对动作标准程度进行反馈。

关键词： 无人机航拍图像   目标检测   结构重参数化   多维特征自适应融合   高分辨特征增强  

摘要： 无人机飞行高度的动态变化使得航拍图像中往往包含大量小目标,同时目标尺度变化显著,这些问题给目标检测任务带来了挑战.针对上述问题,提出一种基于多尺度融合和高分辨特征增强的无人机航拍目标检测方法.首先,在骨干网络中引入多尺度结构重参数化特征提取模块,利用普通卷积块和结构重参数化的大核卷积块对多个分支进行不同尺度的卷积运算,有效提取不同感受野下的特征信息;然后,在颈部网络中引入基于特征金字塔网络的多维特征自适应融合模块,以优化其自下而上的特征聚合过程,实现对浅层特征中的精细细节和深层特征中的上下文信息的自适应选择,从而更有效地应对目标尺度显著变化;最后,在颈部网络中引入多尺度特征融合小目标增强模块,以捕捉无人机航拍图像中小目标物体在不同尺度上的变化.通过在VisDrone2019和TinyPerson两个公开数据集上进行大量的实验,表明了所提出方法的有效性和优越性.

关键词： 图像处理   输电线路   安全隐患检测  

摘要： 随着社会经济快速发展，输电线路作为电力输送的关键载体，其安全运行有助于保障电力供应稳定。传统输电线路安全隐患监测方法存在效率低、实时性差的缺陷，难以满足当前需求。图像处理技术的兴起为输电线路安全隐患监测提供了新的解决方案。本文基于图像处理技术，开展输电线路安全隐患监测研究，旨在实现对输电线路隐患全方位、智能化监测，提高隐患识别效率。

关键词： 人工神经网络   舰船目标   识别检测   最大类间方差算法   最小外接矩形法  

摘要： 舰船种类丰富、大小差异显著，从小型快艇到大型航空母舰，尺度范围跨度大，给舰船目标类型识别检测带来较大难度。为解决这一问题，提出了基于动量-自适应人工神经网络的舰船目标检测方法。此方法利用最大类间方差算法，结合图像灰度特性，通过计算类间方差最大化，将图像划分为目标与背景；采用最小外接矩形法提取舰船目标特征，通过计算能够完全包围舰船的最小矩形，获取目标的几何特征信息；将所提取特征输入基于改进人工神经网络的舰船目标检测模型，模型在权重调节中引入动量项，设计自适应学习率，增强网络对舰船特征的学习与识别能力，实现对舰船目标的识别检测。实验结果验证，该方法能够清晰地将舰船目标从背景中分离出来；对于单个舰船目标类型以及多目标类型的识别检测结果均稳定、准确。

关键词： 自动驾驶   YOLOv8   通道注意力   轻量化  

摘要： 本文研究基于YOLOv8对自动驾驶目标的检测，引入了通道注意力机制，提升对关键区域的识别，并利用深度可分离卷积提高推理速度。详细分析了自动驾驶任务中的目标检测问题，包括轻量化和通道注意力机制的YOLO目标检测方法。实验结果表明：轻量化模型保持较高推理速度，但牺牲了一定的检测精度；通道注意力机制的模型提高了准确性，但推理速度略降。本文提出的改进方法满足了自动驾驶在复杂环境下的需求。