关键词： 轻量级神经网络   计算机视觉   卷积核   空间信息  

摘要： 传统的1×1卷积在进行升维和降维操作时，没有对空间信息进行处理，从而带来较多的计算冗余并造成性能下降。针对该问题，本文提出一种将空间信息优化与轻量网络相融合的网络架构Lite-EfficientNet，该架构将轻量化网络ShuffleNet中的Shuffle块嵌入EfficientNet网络，并引入一种自适应空间信息卷积（ASC）单元，通过学习一组与输入数据相关的偏移量自适应地调整1×1卷积的位置，从而有效恢复1×1卷积丢失的空间信息，实现了计算效率和性能的优化。实验结果表明ASC单元在减少计算复杂度的同时，显著提高了模型对空间信息的捕捉和整合能力，验证了其在高效网络设计中的潜力。与现有的轻量级模型相比，Lite-EfficientNet在ImageNet1k数据集上的分类准确率和推理速度均有所提升，在目标检测和实例分割任务中也具有广泛的适用性。

关键词： 无人机   桥梁裂缝检测   目标检测   Yolox-s   注意力机制  

摘要： 桥梁裂缝检测是评价桥梁安全可靠性的重要手段，检测不充分将会造成重大的安全隐患．本文结合小型无人机平台提出了一种基于Yolox-s桥梁裂缝检测算法．算法首先在backbone中添加了残差空洞卷积模块，解决了无人机图像尺度变化大、背景复杂的问题；之后在PANET中添加坐标注意力机制模块，提高了小目标检测率；最后替换损失函数为Focal loss，加强了正样本的学习，提高了模型的稳定性．实验结果表明，本文提出的方法相比Yolox-s算法，检测精度提升了3.72%；在嵌入式设备上，本文方法对比其他主流算法有着更好的精度且能够实现实时性的检测，可以更好的应用在无人机桥梁裂缝检测中．

关键词： 舰船目标检测   SAR图像   YOLO-v7   CA注意力机制   GraffeDet-Lite  

摘要： 舰船是海上军事的重要监测目标。合成孔径雷达（Synthetic Aperture Radar，SAR）图像中舰船小目标尺寸小、分辨率低、特征提取难的特点，容易出现漏检和误检导致识别准确率不高的问题。为此，提出改进YOLO-v7网络以增强对小目标特征的提取，从而提高识别检测准确率。针对采用YOLO-v7进行SAR图像船舰小目标检测过程中特征通道信息缺失的问题，通过在主干特征提取网络中引入了坐标注意力机制 (Coordinate Attention，CA)，避免了输入特征在提取过程中位置的丢失。然后，引入“重脖子”的GraffeDet-Lite网络架构替换颈部网络（PANet，Path Aggregation Network）结构来获得更细粒度和更强化的特征，提高多尺度特征利用率和检测精度。接着，在检测头中采用高效交并损失比函数（Efficient Intersection over Union Loss，EIOU Loss）提升目标定位效果，进而提高SAR舰船图像算法检测精度。通过RSDD-SAR：SAR舰船斜框检测数据集对比实验表明，提出的改进YOLO-v7算法能有效提高SAR图像船舰小目标识别检测能力，漏检情况得到明显改善，识别准确率达到了90.8%，与未改进前的YOLO-v7相比，提高了3.2%。

关键词： YOLOv8   车辆漆面缺陷   目标检测   双向特征金字塔网络   损失函数  

摘要： 针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题，提出了一种基于改进YOLOv8的车辆漆面检测方法。具体地，为了提升划痕状缺陷检测能力并降低模型规模，将可变注意力机制(Vision Transformer with Deformable Attention，DAT)引入主干网络来增强长距离特征依赖关系；同时，使用幻影卷积(GhostConv)替换网络中的卷积模块(Conv)。然后，为了提升特征提取能力，并进一步降低模型规模，结合FasterBlock模块与高效多尺度注意力机制EMA(Efficient multi-scale attention，EMA)提出了C2f-E(C2f Module Based on EMA Attention Mechanism)模块。再者，为了提高小目标检测性能，基于双向特征金字塔网络(Bidirectional Feature Pyramid Network，BiFPN)进行设计，并增加了小目标检测头与多尺度特征融合支路，提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后，为解决难易样本的平衡问题，提高针对小目标缺陷的检测性能，使用WIoUv3(Wise-IoU version 3)作为训练网络的损失函数。改进网络被称为EDW-YOLOv8。在自建的包含1684张图片的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明，相较于YOLOv8n，改进网络的平均精度(mAP50)提高了5.5个百分点、模型规模减小了1.4M。

关键词： 计算机视觉   YOLOv5s   多尺度跨层特征融合   PCB缺陷   小目标检测  

摘要： 如今，各种工业电子产品已经融入了人们生产和生活的方方面面，而PCB的质量对工业电子产品的性能具有决定性的作用，因此对PCB出厂质量的严格把控具有重要意义。PCB易出现的6类缺陷是评价PCB质量的主要参考依据，针对现有的目标检测算法模型对PCB缺陷的检测精度低、体积庞大等问题，提出了改进的YOLOv5s-CMS模型的解决方案。根据PCB缺陷的特点，YOLOv5s-CMS模型采用聚焦小目标信息的特征提取网络(CCG， C2f-C3-Ghost)替换原有的特征提取网络，使模型在特征提取阶段更加关注小目标的空间和梯度流信息；在特征融合阶段，提出了一种多尺度跨层小目标特征融合网络(MCSTF-Net， Multi-scale Cross-layer Small Target Feature Fusion Network)来替换路径聚合网络(PANet， Path Aggregation Network)，在提高模型对PCB缺陷检测精度的同时大幅降低模型的参数量；为进一步提升模型对小目标特征的理解程度，将CCG网络和MCSTF-Net分别与SE(Squeeze-and-Excitation)注意力机制相结合，在抑制无关通道的同时突出目标特征信息丰富的通道。消融实验结果表明，YOLOv5s-CMS模型对PCB缺陷检测的精确率P、召回率R、mAP0.5和mAP0.5:0.95分别达到了98.1%、97.8%、98.4%和61.2%，相比于YOLOv5s原模型而言分别提高了2.2%、1.3%、0.8%和5.0%，模型参数量同比减少了约46.1%。

关键词： 感受野   多尺度特征   无人机   小目标   YOLOv10  

摘要： 针对无人机小目标检测任务中复杂背景干扰和多尺度目标的挑战，本文提出了一种基于DBBYOLOv10s的网络模型。该模型使用YOLOv10s作为基线系统，在结构中引入膨胀卷积（DC2f）以拓展感受野、双向特征金字塔（BiFPN）实现多尺度特征融合，以及BAM注意力机制增强模型对目标区域的聚焦能力。通过在VisDrone2021数据集上的实验验证，本算法在平均检测精度（m AP41.8%）和推理速度（148 FPS）方面展现了卓越的性能，同时将模型参数量控制在6.59 M，具备了较强的实用性。与现有YOLO模型及其改进版本相比，本文模型不仅在复杂场景下保持了较高的检测准确性，还在实时性和计算效率之间取得了平衡，适用于嵌入式系统及无人机实时监控任务。研究结果表明，该算法在复杂场景中的检测能力和泛化性均有显著提升。

关键词： 实时图像目标检测   轻量级网络   多尺度特征提取   注意力机制   特征融合  

摘要： 近年来，轻量化目标检测领域取得了显著进展。然而，现有主流方法缺乏多尺度语义信息的提取，且忽略了深层语义特征与浅层细节特征之间的关系。针对上述缺陷，提出了金字塔池化多尺度增强网络（Pyramid Pooling Enhanced multi-scale Network，PPMENet），通过设计一个高效金字塔池化模块（Efficient Pyramid Pooling Block，EPPB）来提取多尺度深层语义信息，以加强模型的特征表达能力。另一方面，设计了跨语义交互注意力模块（Cross Semantic level Interaction Attention Module，CSIAM）以增强不同语义特征之间的联系。MS COCO 2017测试集的实验结果表明，PPMENet取得了28.0%AP，仅有2.16M模型大小和0.97GFLOPs，并获得了218 FPS的推理速度，与其他方法相比，PPMENet取得具有竞争力性能的同时，维持着较低的参数量和计算量，在精度和执行效率间取得了较好的平衡。

关键词： 小目标检测   深度学习   部分卷积   注意力机制   无人机  

摘要： 随着无人机的广泛应用，提升无人机航拍图像检测效果的重要性日益凸显。针对目前主流目标检测算法在检测航拍图像中小目标时效果不理想的问题，本文提出一种基于部分卷积与注意力融合检测头的小目标检测算法，引入更高效的FasterNet主干网络，使用部分卷积（PConv）减少了深度卷积时的内存访问和冗余计算，增大网络规模提升空间特征提取的效果的同时，控制了网络计算时间。该算法优化特征提取网络，提升对微小尺寸目标的检测效果。在检测头中引入Dynamic Head,有效地应用注意力机制，提升了检测性能。最后优化边界框损失函数为Inner-ShapeIoU,聚焦边框自身形状与尺度，提升边框回归计算精度，使用辅助边框，提升收敛速度。在公开数据集VisDrone2019上进行实验，本文算法与原YOLOv8n算法相比，准确率P提高了11.9%,mAP50提升13.4%,表明小目标检测精度显著提升。

关键词： 电力安全工器具   YOLOv5   目标检测   实时检测   电力安全  

摘要： 在变电站内进行施工和日常的安全巡检过程中，工作人员的安全问题非常重要。现场使用的安全工器具是否准备齐全，直接关系到人员的生命安全。本文使用计算机视觉进行识别的方案，提出一种基于YOLOv5的改进安全工器具的神经网络识别方法，用于电力现场的安全工器具检测，首先在原版YOLOv5中加入坐标注意力模块，提升对小目标特征提取的能力;其次用加权双向特征金字塔网络结构替换原有特征金字塔网络结构，进一步提升特征提取的能力。实验结果表明:改进的算法改善了原版网络对小目标容易漏检、误检的问题，且保持了对中大型目标的较高识别精度，具有较强的实用性，也能满足实时检测的要求，对现场实际施工和运维起到了安全保障作用。经实验对比，该方法对于安全工器具的实时检测有着良好的实际效果。

关键词： 交通管理   状态监测   卷积神经网络   目标检测   多尺度  

摘要： 针对现有高速公路运行监测时无法实现广域检测且小目标检测性能较低的问题,提出了一种基于遥感技术的高速公路交通运行状态监测模型。设计一种改进的卷积神经网络(convolutional neural network,CNN)网络,以多尺度特征图和多尺度上下文信息增强小目标检测性能。仿真结果表明,与快速区域卷积神经网络(faster-region based convolutional neural network,Faster-RCNN)和YOLOX(you only look once version X)相比较,所提模型具备多尺度融合特征以及多尺度上下文信息,可充分学习小目标特征,准确率（accuracy,ACC）和精度（precision,PRE）指标分别为93.57%和89.44%。