关键词： 目标检测   绝缘子表面缺陷识别   小目标   卷积和注意力融合   边界框损失函数   分类损失函数  

摘要： 针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题，提出一种基于改进YOLOv8的输电线路绝缘子表面缺陷识别算法。首先，在主干网络引入CAF（Convolution and Attention Fusion）模块，增强全局和局部特征的提取能力；其次，在模型的颈部网络增加GD（Gather-and-Distribute）机制，提升小目标检测能力；最后，采用ATFL（Adaptive Threshold Focal Loss）分类损失函数，削弱复杂背景对小目标检测的干扰，引入PIOU（Powerful Intersection over Union）边界框损失函数，提高识别精度。实验结果表明，该算法的mAP50达到94.1%，相较于基线模型提高了3.1%，且性能优于最近的YOLOv9s、YOLOv10s、YOLOv10m等算法。

关键词： 自动驾驶   目标检测   域适应   知识蒸馏   自注意力  

摘要： 为解决自动驾驶汽车在恶劣天气的跨域交通场景下检测能力显著下降的问题，本文提出了一种基于知识蒸馏的目标检测域适应方法KD-DAOD。该框架通过引入自注意力机制增强特征表达，并结合域对齐模块在不同尺度上实现源域和目标域的特征对齐，有效减少跨域分布差异。此外，平均教师训练模型通过动态EMA参数更新策略，减少对大量标注数据的需求，并显著缓解模型的灾难性遗忘问题。在Cityscapes和Foggy Cityscapes公开数据集上的实验结果显示KD-DAOD框架在跨天气条件下目标检测准确率达到了52.86%，有效提高了自动驾驶汽车跨域目标检测的能力。

关键词： 无人机   小目标检测   轻量级网络   上下文信息   注意力机制  

摘要： 针对无人机航拍视角下目标尺寸小、特征信息不足、分布密集且遮挡导致的检测精度低的问题，提出一种基于特征增强与上下文融合的无人机小目标检测算法。首先，构建增强特征提取的轻量化主干网络，利用特征提取轻量块高效提取特征信息，并设计细粒度通道融合块有效避免目标细粒度特征的丢失，该主干网络提高了模型的特征提取能力和推理速度；其次，构建小目标检测头，充分提取小目标的位置信息和细节特征；然后利用自适应选择空间注意力模块，自适应的调整不同目标所需的感受野，以充分利用航拍小目标周围丰富的上下文信息；最后，引入基于最小点距离的边界框回归损失函数MPDIoU，进一步提高密集小目标检测的精度。所提算法在VisDrone2019数据集上的mAP0.5、mAP0.5:0.95达到了46.7%、28.6%，较基准网络YOLOv8s分别提高了8.5%、5.9%；同时算法的参数量较YOLOv8s减少了23.4%，高效适用于无人机航拍密集小目标检测场景。

关键词： 伪装目标检测   反向引导   多尺度卷积   注意力机制   特征聚合  

摘要： 由于伪装目标与背景具有高度的相似性，极易受背景特征混淆，导致边界信息难以分辨和提取目标特征困难。目前主流的伪装目标检测（COD）算法主要针对伪装目标本身及其边界进行研究，忽略了图像背景与目标的相互关系，在复杂场景下检测结果不理想。为此，为了探索背景和目标的潜在联系，提出一种通过挖掘边界和背景进行伪装目标检测的算法。该算法由5个部分组成：编码器处理初始原始数据；边界指导框架通过特征处理和特征挖掘提取更多精细的边界特征；背景引导框架通过多尺度卷积探索更多的显著特征，同时基于注意力设计了混合注意力模块增强对背景特征的强化选择；信息补偿模块弥补了在特征处理过程中损失的细节信息；多任务协同分割解码器则对不同任务以及模块所提取的特征进行高效融合并输出最终的预测结果。在广泛使用的3个数据集上的实验结果优于其他15个较先进的模型，尤其在CAMO数据集上的平均绝对误差指标降到了0.042。

关键词： YOLO11s   轻量化   绝缘子   目标检测  

摘要： 【目的】针对架空输电线路绝缘子缺陷检测模型参数量大，且在复杂背景下不同尺寸小目标的缺陷检测精度较低，易出现误检、漏检等问题，提出一种改进的YOLO11s的轻量化算法。【方法】首先，用轻量化GhostConv模块替换其Backbone网络的Conv卷积，有效增强了对不同尺寸小目标的特征提取能力，同时降低模型的参数量；其次，在Neck网络中引入CA（Coordinate Attention for Efficient Mobile Network Design）注意力机制，在降低模型计算量的同时，有效抑制了复杂背景干扰，减少漏检、误检率；最后，使用SIOU(SCYLLA-IoU)损失函数取代原模型的CIOU（Complete Intersection over Union）损失函数，精细衡量预测框和真实框之间的向量角度，优化目标的角度定位效果，同时减少训练所需的时间和资源消耗，提高模型的收敛速度。【结果】实验结果表明：改进后的模型mAP（mean Average Precision）达到了96.9%，检测速度达129.8帧/秒，相较原模型分别提高了5.6％、7.0%；同时参数量和计算量减少了25.8%和13.1%，内存占用仅4.8MB。【结论】相较于原YOLO11s模型，改进后的模型具有更好的检测性能，能够实现绝缘子缺陷的实时监测，为部署到嵌入式设备上提供了更有效的方法。

关键词： 非合作航天器   机动目标跟踪   相对导航   交互多模型   卡尔曼滤波  

摘要： 用于跟踪空间非合作机动目标的相对导航技术旨在实时获取目标精确的轨道信息，提升航天器对于目标轨道机动的快速感知与精准决策能力，是航天器追逃博弈的基础。在目标机动序列未知的情况下，研究用以估计两星间相对运动状态的交互多模型（IMM）算法，构建了以无机动模型、匀加速机动模型、大偏差响应模型为子模型的IMM模型集。在此基础上，研究目标处于某一特定机动模式稳定运动（稳态模式）时影响IMM算法性能的因素，推导得到了稳态模式下匹配模型权值（稳态权值）的平衡点表达式，给出了稳态权值围绕平衡点震荡的变化规律，并由此阐明了模型转移概率、模型似然比对稳态权值的大小及量测噪声敏感程度的影响机理，为IMM算法的稳态性能优化提供了理论依据。在上述分析的基础上，结合给定时间窗口内模型权值的发展趋势对模型转移概率进行实时修正，提出了稳态增强IMM（ES-IMM）算法。在空间机动目标跟踪过程中，该算法能够提升稳态模式下匹配模型的权值，同时对量测噪声影响下的权值跳变进行抑制，增强IMM算法的稳态估计性能。仿真结果表明，在空间机动目标跟踪任务中的稳态区间，ES-IMM的估计精度明显优于传统的IMM算法。

关键词： 目标检测   yolov5算法   swin transformer   损失函数  

摘要： 【目的】 在交通道路目标检测任务中，面对雨、雪、雾等恶劣天气条件，由于拍摄环境背景复杂且待检测目标在交通监控图像中的占比相对较小，目标检测算法往往难以准确识别场景中的小目标及被遮挡目标，导致误检和漏检率较高。为解决这一问题，提出一种在复杂环境下仍能保持较高检测精度的深度学习目标检测网络Swin-YOLOv5。【方法】 网络以YOLOv5为基础，在主干网络中融入Swin Transformer模块，提高了网络的抗复杂背景能力。同时，还在头部网络也加入Swin Transformer模块，并以此提高了网络的细节信息提取能力，改善对道路小目标的误检、漏检等问题；除此之外，将预测边界框的损失函数从CIoU替换到EIoU，从而使算法的收敛速度更快，定位效果更好，并获得拥有更高检测精度的输出结果。【结果】在BDD100K数据集上，Swin-YOLOv5与YOLOv5s相比平均精度均值（mAP）提升了8.4%，与Swin-T-YOLOv5、Swin＿YOLOv5＿to这两个算法相比，平均精度均值（mAP）分别提升了4.3%和2.6%，实验结果表明了所提算法的有效性。【结论】 改进算法可以精确的识别道路目标中的小目标，同时减少漏检和误检的情况，为交通道路目标检测提供了强有力的支持。

关键词： 小目标检测   多尺度特征融合   自适应融合  

摘要： 小目标检测在驾驶辅助、智慧医疗、无人机巡检等任务中具有重要的理论和实践意义。多尺度特征学习是设计小目标检测网络经常采用的策略之一。其中，经典的特征金字塔结构通过融合不同层级的特征图，实现多尺度信息的传递，从而在不同分辨率的特征图上都能捕捉到小目标的关键信息。然而，在进行不同尺度特征图融合时，语义信息冲突往往不可避免，进而造成梯度计算不一致，导致小目标信息被淹没。为此，提出了一种步进式自适应特征融合网络模块(Step-by-step Adaptively Feature Fusion Module， SAFF)，将特征融合过程划分为三个阶段依次进行，通过步进式地融合相邻尺度特征图，解决特征图融合过程中的语义信息冲突问题。同时，在每个阶段中，通过自适应计算融合权重，缓解梯度计算不一致问题。在此基础上，将SAFF模块与通用目标检测网络结合，形成用于小目标检测的SAFF-RCNN和Cascade-SAFF-RCNN网络。实验结果表明，所提出的网络模型的小目标检测性能均有显著提升，达到或超越了其它主流的小目标检测模型，证明了SAFF模块用于小目标检测时的有效性。

关键词： 关注目标检测   时空推理   注意力机制   卷积长短时记忆网络   多特征融合  

摘要： 现有的个体关注目标检测主要是利用面部信息进行，难以应对因人脸部分遮挡、人脸模糊或隐私保护等情况导致面部精细信息缺失的场景，并且忽视时间信息也会一定程度上影响方法在视频任务中的效果。提出基于多特征融合的时空推理网络，利用卷积神经网络分别提取个体的头部外观与面部信息、个体姿态信息以及相关场景信息的关键特征，通过空间推理编码器的注意力机制和自定义的模型训练策略，学习不同特征的重要程度并降低对单个特征的过分依赖，实现空间特征加权融合。采用卷积长短时记忆网络整合视频帧序列中的时空信息，用于视频任务中的个体关注目标检测工作。实验结果表明，在GazeFollow数据集和VideoAttentionTarget数据集上反映方法整体性能的AUC值分别达到了0.936和0.902。与现有最好的研究方法相比，该方法在相同两个数据集上的AUC值分别提高了1.7和3.2个百分点，在个体关注目标检测任务中具有更好的准确性和鲁棒性，能用于更复杂的现实场景。

关键词： 图像语义分割   深度学习   刀具磨损   图像处理   形态学滤波   定量评价  

摘要： 刀具磨损状态的鲁棒评价对于保证加工效率提高产品供给质量具有重要的作用。针对于现有刀具磨损状态直接评价方法难以自适应进行磨损区域划分的问题，提出了一种结合图像语义分割与形态滤波的铣削刀具磨损状态智能评价方法。首先，通过引入压缩-激励结构，融合U-Net网络编码与解码过程中对应特征信息，提高模型的语义分割性能，实现小样本条件下刀具图像的像素级分割。为进一步改善网络输出效果，提出一种分段处理的优化策略，针对于不同磨损阶段的刀具图像采用不同的结构元进行形态学滤波处理。最终，通过统计形态学滤波后分割区域面积实现刀具磨损状态的定量评价。实验结果表明，较之经典U-Net结构，提出方法可提高识别准确率10%左右，论证了所提出方法的有效性。提出方法针对刀具图像逐像素进行磨损状态的自适应判断，可广泛适用于不同刀具类型的磨损状态评价过程。