关键词： 图像处理   水下图像增强   多尺度特征提取   颜色校正  

摘要： 水下图像存在蓝绿色偏、清晰度与对比度低等因素严重影响水下研究的准确性和可靠性。针对上述问题，本文提出了一种基于多尺度残差融合的水下图像增强网络。首先，提出一个多尺度通道特征提取模块MSCFE，MSCFE模块对各个通道独立建模，避免通道之间的信息干扰，同时引入通道注意力对关键特征进行强化，有效增强颜色与细节。然后，提出一个全局-局部色彩校正模块GLCC，GLCC模块采用局部与全局两分支分别对局部颜色细节和长程依赖关系进行建模以校正图像色彩。实验表明，在UIEB数据集上，增强后的图像的结构相似性达到了0.9378、峰值信噪比达到了23.7687、水下彩色图像质量评价指标达到了0.5689、图像信息熵达到了7.5723；在EUVP数据集上，增强后的图像的结构相似性达到了0.9105、峰值信噪比达到了25.1699、水下彩色图像质量评价指标达到了0.5253、图像信息熵达到了7.3479，优于其它主流方法。

关键词： 电力巡检   YOLOv8   轻量化   特征融合   目标检测  

摘要： 本文基于YOLOv8n模型提出了一种改进的电力杆塔部件隐患检测模型CML-YOLO，旨在解决复杂背景下多尺度电力杆塔部件隐患检测模型精度低、参数量多、计算量高、模型权重大的问题，主要应用于破损绝缘子、锈蚀防震锤和鸟巢等隐患目标的检测。首先，设计了C2f-HEFE模块，通过对检测目标边缘信息增强，提升了背景与目标的区分能力。其次，设计了MSFFPN模块，通过多尺度特征融合，增强了模型对多尺度目标的适应性。最后，设计了轻量化LSBDH模块，降低了模型的参数量和计算量。实验结果表明，CML-YOLO相比基线模型YOLOv8n，平均精度提升了4.4个百分点，参数量、计算量和模型权重分别降低了33.9%、20.9%和26.4%。该模型在提升了检测性能的同时，实现了轻量化，在模型检测精度和模型权重方面实现了较好的平衡。

关键词： 遥感图像   轻量化   目标检测   YOLOv10   模型剪枝  

摘要： 针对遥感飞机检测模型在算力受限设备上的部署需求，提出一种基于YOLOv10s的轻量化改进模型RSLAN-YOLOs。首先，设计出Mafe模块并与主干中的C2f结合为C2f＿Mafe替换原有的C2f模块，增添双注意力机制；其次，在颈部网络添加创新的轻量级特征融合模块FFn和局部背景关联模块LBAM，分别提高了模型多尺度特征融合能力和空间局部关联能力；在头部引入PSWD新型检测头，使用了权重共享和组归一化的等技术；最后，在模型压缩方面，使用基于LAMP分数的通道剪枝对重设计后的模型进行压缩，进一步减少参数和模型大小。实验结果表明，RSLAN-YOLOs模型在CORS-ADD和UCAS-AOD和MAR20等三个公共的遥感飞机图像数据集上均获得了良好的检测结果。其中，在MAR20数据集上，相较于YOLOv10s模型，模型大小从16.6MB下降至3.7MB，降幅为77.71%，在计算量和参数量方面分别下降 77.64%和 73.39%，FPS提高了12帧/s，检测精度基本不变。

关键词： 车辆目标检测   小目标   多尺度特征   细节信息   损失函数  

摘要： 车辆目标检测技术在智能驾驶、智能交通和公共安全领域中具有重要意义。然而，真实环境中存在背景干扰、小目标检测难度大以及车辆密集时出现相互遮挡的问题。针对以上问题，提出一种基于边界特征与多尺度特征融合改进YOLOv8的车辆目标检测方法EM-YOLO。首先，设计了一种边界引导的多尺度特征块，以结合边界特征与多尺度特征，用于改进原始的骨干网络，增强抑制背景干扰的能力。其次，特征在网络流动的过程中会出现细节信息的损失，而小目标车辆能够提取到的有效特征较少，加重了细节信息的损失。为此提出细节特征增强块，通过充分结合不同层级的特征，缓解细节信息的损失，进而改善小目标问题。随后，分析了车辆相互遮挡导致检测性能下降的原因，并针对此问题提出了一种检测头。最后，结合PIoU、Focaler-IoU和WIoU，构造了WPF-IoU，以优化训练过程，进而提升检测性能。经实验验证，改进后模型的精度和召回率相比原始模型分别提升了1.9%和4.1%，mAP50和mAP50:95分别提升了4.4%和3.3%。与其他方法相比，本文提出的方法在各项性能指标上表现更优，具有一定的实际应用价值。

关键词： 目标检测   多尺度   倒残差金字塔   特征扩散  

摘要： 在复杂场景下目标尺度变化过大会影响检测精度，当前主流的解决方法是通过增加参数量，牺牲检测时间，然而这种方法影响了实时目标检测效率。为解决上述问题，提出了多尺度倒残差金字塔特征聚焦扩散检测网络，MIRPFFD-Net。通过残差多尺度特征提取模块（Residual Multi-Scale Feature Extraction，RMSFE）构建主干网络，解决了小目标特征信息被邻近大目标所淹没的问题，提升了网络的特征提取能力；通过倒残差金字塔特征聚焦模块（Inverted Residual Pyramid Feature Focusing Module，IRP＿FFM）构建颈部结构，用于捕获丰富的跨尺度特征信息，更有效地提取和融合不同尺度的特征；另外使用特征扩散机制（Feature Diffusion Mechanism，FDM）来优化网络颈部结构，将具有丰富上下文信息的特征扩散到各个检测尺度，提高对各个尺度目标的检测精度。实验结果表明，所提出的网络在SIMD、RDD2022和VisDrone2019公共数据集上平均精度分别取得了82.7%、57.5%和38.5%的检测精度，相较于YOLOv8n在平均精度上分别提升了2.9%、1.9%和7.7%，能更好的应用于实际场景。

关键词： YOLOv8   动态卷积   注意机制   尺度内特征交互   多尺度目标检测  

摘要： 针对无人机数据集图像中目标尺度小，特征弱，背景干扰多等不利因素造成的目标检测算法总体精度不高，漏检误检严重的问题，提出了一种用于复杂场景下无人机图像多尺度目标检测的新算法。该算法通过DConv、AIFI和Dyhead等模块的引入，改进了原网络在多尺度目标检测能力上的不足；同时，通过采用DIoU损失函数，提高了模型的收敛能力。在公开数据集VisDrone-DET2019上对多尺度目标进行检测识别，与原网络相比，精确率提升了3.7%；召回率提升了1.2%；平均精度提升了2.3%。同时，通过大量的实验验证，结果显示本文算法具有较强的鲁棒性，综合性能优秀，具有一定的工业应用价值。

关键词： 黄河滩区   高光谱图像   目标检测   异常检测   环保监测  

摘要： 利用遥感技术对黄河滩区人工材质目标进行及时准确监测，对于黄河生态保护具有积极意义。高光谱目标检测技术是典型材质提取的有效工具。本文利用无人机采集黄河滩区典型的散落人工目标物高光谱影像，构建了3种背景及4类目标共12个典型数据集，分别采用5种目标检测算法和5种异常检测算法进行了实验，结果显示目标检测算法效率要高于大部分异常检测算法。对于已知材质，可构建光谱数据库，利用目标检测方法进行定向材质检测；同时可以利用异常监测方法检测潜在目标。

关键词： 水下目标检测   RTDETR   多尺度特征增强融合   损失函数  

摘要： 在水下目标检测过程中，因水下图像噪声较大且包含多尺度目标混合等问题，易出现漏检、错检现象。本文提出一种基于RTDETR改进的多尺度特征增强融合的ME-RTDETR水下目标检测算法。首先，使用CSPnet替代原始主干网络，提升模型的特征提取能力；然后，提出SHViTCGLU模块替换C2f中的残差模块，通过增强局部特征与全局特征提取，提升模型处理噪声图像的能力；其次，基于原始CCFM模块设计多尺度特征增强融合金字塔结构，增强后的特征层和细粒度的特征融合使算法模型能更准确地定位和识别不同尺度的目标；最后，设计Focaler-MPDIoU损失函数替换原模型的GIoU损失函数，能更好地学习边界框的位置和形状，加速模型收敛。实验结果表明，改进后的模型相较于基线模型在DUO数据集上准确率P提升了4.5%，平均精度值mAP50提高了2.1%，参数量降低了26%。本文提出的算法在进行水下目标检测任务时，无论是提高平均检测精度还是降低模型参数量均有明显改进，表明该算法在水下目标检测任务中具有一定的实用性。

关键词： 图像扩增   图像生成   生成对抗网络   扩散模型   表面缺陷检测   计算机视觉  

摘要： 图像扩增是工业外观检测中常用的数据处理方法,有助于提升检测模型泛化性,避免过拟合.根据扩增结果的不同来源,将当前工业图像扩增方法分为基于传统变换和基于模型生成两类.基于传统变换的扩增方法包括基于图像空间和特征空间两类;根据模型输入条件信息的不同,基于模型生成的方法分为无条件、低维条件和图像条件三类.对相关方法的原理、应用效果、优缺点等进行分析,重点介绍基于生成对抗网络、扩散模型等模型生成的扩增方法.依据扩增结果的标注类型和方法的技术特点,对三类基于模型生成方法的相关文献进行分类统计,通过多维表格阐述各类方法的研究细节,对其基础模型、评价指标、扩增性能等进行综合分析.最后,总结当前工业图像扩增领域存在的挑战,并对未来发展方向进行展望.

关键词： YOLOv8   ByteTrack   多目标跟踪   特征信息   卡尔曼滤波器  

摘要： 目标检测与多目标跟踪技术日益成熟，但在复杂场景下执行航拍多目标跟踪任务时，目标尺寸小、尺寸变化大、遮挡等问题仍会导致检测与跟踪效果不理想。为此，提出一种基于改进YOLOv8与ByteTrack的航拍多目标跟踪算法（YBTrack）。首先，构建了检测器(MSA-YOLO)；设计空间-深度卷积替换YOLOv8原有卷积，将空间信息转换为通道维度，有效保留目标细节，减少了多尺度特征图融合过程中信息丢失导致的漏检、误检；同时设计轻量加速空间-通道注意力模块，用于颈部卷积，降低了计算复杂度，并作为检测头前的特征细化模块，进一步增强对目标特征信息提取的能力。然后，为提高跟踪效果，对ByteTrack跟踪模型进行优化；设计空间-外观相似度矩阵（ASM），提升了模型区分相似目标的性能；并提出目标校正函数，减少卡尔曼滤波器产生的误差积累，降低了目标偏移、丢失率。最后，将MSA-YOLO与优化后的ByteTrack结合，开展多目标跟踪实验；其中，MSA-YOLO在VisDrone2019-DET数据集上，mAP＿0.5提高了9.4%；多目标跟踪算法在VisDrone2019-MOT、MOT17数据集上MOTA分别提升了11.2%和8.3%，IDF1分别提升了8.9%和7.4%，实验结果表明本文所提方法跟踪效果显著。此外，与其他多目标跟踪算法的对比实验也证明了本文算法的优越性。