关键词： YOLOv8s   遥感图像   目标检测   多尺度特征融合   注意力机制  

摘要： 针对高分辨率光学遥感图像背景复杂、目标尺寸差异大且小目标占比多导致目标检测出现漏检和误检的问题，提出一种改进YOLOv8s的目标检测算法。首先，引入双向加权特征金字塔网络（BiFPN）结构替换原始颈部网络，并增加1条主干网络的分支来获取浅层特征，从而提高小目标的检测性能。其次，在颈部跨阶段局部网络融合（C2f）模块的瓶颈结构中引入高效多尺度注意力机制（EMA），提高对空间信息和通道信息特征的关注度，减少无关信息的干扰。最后，在SIoU(SCYLLA-IoU)的基础上结合加权交并比（WIoU）中的动态非单调聚焦系数设计SWIoU损失函数，加强边界框的回归性能，同时考虑预测框与真实框之间的方向匹配，从而进一步提高算法的检测精度。在DOTA数据集上，改进算法的平均精度均值（mAP50）达到73.0%，与YOLOv8s相比提高3.0百分点，其检测结果同样优于其他主流算法。此外，在RSOD数据集和NWPU NHR-10数据集上的实验结果进一步验证了所提算法在不同数据集上的通用性和适应性。

关键词： 计算机视觉   YOLOv8   大语言模型   汽车制造   带钢缺陷检测  

摘要： 针对车用热轧带钢表面缺陷细小、数据统计烦琐、检测困难且易引发安全隐患的问题，本文提出了一种基于YOLOv8模型结合大语言模型DeepSeek-R1-14B的智慧化表面缺陷检测与分析系统。该系统旨在提升汽车用钢材生产效率、优化质量管理、确保零部件制造的良品率。通过对YOLOv8网络的改进，该系统将mAP提升了2.8%,FLOPs减少了1.8×10～9,Parameters减少了3×105。同时，其能够满足汽车零部件生产流水线的实时检测需求，为汽车产业提供高质量钢材，助力实现降本增效和智能化转型。

关键词： Cascade R-CNN   目标检测   目标遮挡   特征金字塔   损失函数  

摘要： 阐述针对家畜扎堆遮挡检测精度低的问题，提出改进Cascade R-CNN算法。引入注意力递归特征金字塔网络（ARFPN），增强特征融合和位置感知能力。提出加权SC Loss损失函数，融合Smooth L1Loss与CIoU Loss，提高检测精度。实验表明，改进模型在猪只数据集上平均检测精度达96.27%，较原算法提升2.77%。

关键词： 目标检测   YOLOv8n   ShuffleNetv2   异物识别   轻量化  

摘要： 目前矿井下输送带图像存在昏暗环境清晰度差、图像噪点等问题，现有检测算法模型复杂度高、漏检和错检、精度不足等问题。基于上述问题，提出一种改进YOLOv8模型。首先，使用轻量级ShuffleNetv2作为头部网络减少模型参数量，并构建多尺度组合注意力机制（Multi-Scale Composite Attention Module，MSCAM）来增强特征提取能力，以降低漏检率和错检率；其次，针对现有模型对长条状异物准确率低的问题，在C2f模块中使用动态可变形卷积（DDConv）的思想，使模型更容易提取长条状异物结构特征；最后，使用具有角度损失的SIoU新型损失函数，提升模型训练能力和推理性能。在MTBID数据集进行验证，实验结果表明：改进模型的mAP@0.5可达0.893，mAP@0.5:0.95可达0.663，参数量相较于YOLOv8n减少了27.6%。

关键词： 服装样板   图像处理   轮廓提取   轮廓编辑   机器视觉  

摘要： 针对服装制版过程中人工制版效率低、精度差、成本高等问题，提出了基于图像处理的服装样板轮廓快速生成方法。首先，构建了透视变换矩阵进行空间坐标变换，实现图像的倾斜校正。其次，基于图像处理技术对图像进行降噪预处理，减少纹理和服装所形成的噪声。然后，采用轮廓检测算法对图像进行轮廓提取，并通过多边形拟合法实现轮廓的拟合，完成服装样板轮廓的粗提取。最后，采用人机鼠标交互方式实现轮廓节点的编辑，并将轮廓数据转化为AutoCAD软件通用的数据格式。实验算例表明，该方法在进行服装样板轮廓提取时，表现出良好的稳定性、准确性，可有效应用于服装样板轮廓提取场合。

关键词： 目标检测   残差连接   多尺度特征融合   卷积神经网络   注意力机制  

摘要： 现有的YOLO系列目标检测算法虽然在速度和实时性方面表现出色，但在处理多尺度目标和保持边界细节方面仍有不足。为解决上述问题，提出了一种基于YOLOv8改进的目标检测算法Res-YOLO。Res-YOLO包含三个核心模块：特征增强模块Res-SPPF、双向特征融合模块RSBA和动态特征选择模块C2f＿ODC。其中，Res-SPPF利用等级制残差连接和多头注意力机制来增强模型的多尺度特征表达能力；RSBA采取自适应深浅层特征融合机制来保留边界细节和语义信息；C2f＿ODC通过渐进式学习以逐步过滤非必要特征，从而降低模型复杂度。此外，引入线性可变卷积LDConv来处理具有复杂边界和不规则形状的目标。在MS COCO2017数据集上的实验结果表明，相比于原始算法，Res-YOLO在mAP指标上提升2.9个百分点，而GFLOPs为原始算法的94%。与其他先进检测算法的对比实验结果也证实了Res-YOLO的有效性和竞争力。

关键词： 无迹卡尔曼滤波   目标跟踪   门控循环单元   自注意力机制   普适   交互多模型  

摘要： 针对传统算法对高机动目标精准建模难、普适性差的问题，提出了一种基于门控循环单元(Gated Recurrent Unit， GRU)预测的改进无迹卡尔曼滤波(Unscented Kalman Filter， UKF)普适目标跟踪算法。将自注意力机制(Self Attention Mechanism)引入到传统GRU模型中，使得模型能够更好地从历史观测数据中挖掘出目标的运动学方程，解决人工难以对机动目标运动精准建模问题；将学到的模型应用到UKF算法中，实现对目标的跟踪；仿真实验表明，相比于传统GRU模型以及UKF、交互多模型(Interacting Multiple Model， IMM)等经典算法，本文所提算法具有更好的跟踪精度以及适应性。

关键词： 驾驶分心   目标检测   全局注意力   SIoU损失函数  

摘要： 驾驶分心行为检测是提高安全驾驶的方法之一，针对小目标和被遮挡目标的检测不充分问题，提出一种基于改进YOLOv7算法的驾驶员分心行为检测模型。首先，引入全局注意力模块，加强目标特征的位置信息提取和网络识别精度；其次，替换IoU损失函数为SIoU损失函数，提高回归精度。实验结果表明：改进YOLOv7驾驶分心行为检测研究提高了对于小目标和被遮挡目标的检测能力，且mAP达到了99.1%，检测速度提升到了12.4 ms，实现了驾驶员驾驶分心行为的实时检测。

关键词： 深度学习   PCB   缺陷检测   YOLOv3算法   目标检测  

摘要： 为了准确快速进行PCB缺陷检测，文中针对常见的PCB缺陷铜面残渣（简称RE-CU）和铜面异物（简称FB-CU），利用YOLOv3模型进行缺陷识别实验。实验结果显示：YOLOv3模型在PCB缺陷识别中有较好的检测效果，在阈值为0.5时，有缺陷图片（简称NG图片）的漏检率低于15%，无缺陷图片（简称OK图片）的误检率只有5%左右。在深入分析检测的结果后，发现对于小缺陷的识别效果较差，于是增加了一个感受野更小的检测头，构建了具有四个检测头的网络结构。利用改进型的YOLOv3算法进行实验，结果表明：改进后的YOLOv3算法具有更好的检测性能，在阈值为0.5时，OK图片的误检率较改进前降低为0.25%，并且在阈值为0.7时更是达到了0%，NG图片的漏检率较改进前也有所降低。

关键词： 茶叶嫩芽   目标检测   深度学习   迁移学习   TL-YOLOv7算法  

摘要： 针对当下茶叶采摘难，传统嫩芽识别精度不够高的问题。为了研究出一种适用于不同品种和不同环境的嫩芽识别算法。通过采集大量茶叶图像构建深度学习训练数据集，选用目标检测神经网络模型CornerNet，YOLOv7和Faster RCNN对一芽一叶进行样本训练和测试，并加入迁移学习方法，以提高模型的泛化能力。对比分析不同网络模型的识别效果。结果显示，TL-YOLOv7网络模型识别一芽一叶的效果最优，不同品种、不同光照条件以及不同时间段的嫩芽识别AP值达到95.3%，召回率为92.9%，每幅图像的检测时间为0.017 s。从而得出TL-YOLOv7网络模型能够有效识别茶叶嫩芽的结论，并在不同条件下具有良好的适应性。