关键词： 输电线路场景   目标检测   多目标跟踪   YOLOv5s   ByteTrack  

摘要： 在输电线路巡检任务中，采用深度学习技术实现施工机械运动目标的有效跟踪对智能电网建设至关重要。针对目标间遮挡干扰、误检漏检造成多目标跟踪性能显著下降的问题，提出一种改进YOLOv5s与优化ByteTrack相结合的多目标跟踪算法。在目标检测部分，首先，采用轻量级的Ghost卷积和无参注意力(SimAM)构建SGC3模块，提高特征利用率，减少模型冗余计算；其次，在主干网络深层提出卷积引导的三重注意力模块(R-Triplet)，利用多分支结构增强模型跨维度信息交互，抑制不相关背景信息以提高目标关联能力；最后，在特征融合部分添加多分支感受野模块(MRB)，利用空洞卷积扩大目标感受野，增强多尺度目标全局特征信息复用。在目标跟踪部分，在ByteTrack算法的基础上，根据施工机械的运动特点，提出一种自适应计算噪声尺度的NSA卡尔曼滤波算法，用于缓解低质量检测框对滤波算法性能的影响；并在数据关联部分引入GSI高斯平滑插值算法，进一步完善多目标跟踪效果。实验结果表明，所提CRM-YOLOv5s算法平均精度均值(mAP)达到了97.4%，与基线算法相比提升了3.8个百分点，参数量和浮点运算量分别减少了0.3M和1.8GFLOPs，在多种应用场景下泛化能力更强；同时与改进后的ByteTrack相结合，相较于原YOLOv5s+ByteTrack跟踪算法，多目标跟踪准确度(MOTA)提升了4.5个百分点，目标身份切换次数(IDs)减少了15次，且获得了较高的推理速度，能够满足输电线路场景下施工机械多目标跟踪任务。

关键词： 目标跟踪   状态估计   交互式多模型   粒子流滤波  

摘要： 为了提高机动目标跟踪中状态估计的性能，提出一种交互式多模型粒子流滤波(Interactive Muti-Model particle flow filtering， IMM-PFF)算法。该算法采用多模型描述目标的机动过程，利用粒子流滤波算法进行目标状态估计，交互输出滤波结果。避免单一模型造成的估计误差，同时克服了卡尔曼滤波和粒子滤波的局限性，有效提升状态估计精度。仿真实验结果证明本文新滤波算法的有效性和鲁棒性中文

关键词： 船舶目标检测   轻量级   知识蒸馏   注意力机制   YOLOv7-tiny  

摘要： 针对红外场景下的船舶图像检测准确率低和计算量高的问题，提出了一种改进的YOLOv7-tiny轻量级红外船舶目标检测算法。首先，在主干网络采用轻量级模型PP-LCNet，极大降低网络参数量与计算量。其次，改进Fused-MBConv模块，引入CA注意力机制并提出ELAN-FM-C模块，将其引入到特征融合层当中，全面关注特征层的空间信息和通道信息，获取更大感受野。然后，使用基于最小点距离的边界框相似度比较的MPDIoU损失函数，简化了计算过程，提高了轻量级算法对红外目标的检测能力。在此基础上，提出R-BiFPN结构来融合更多有效特征，提高了轻量级算法对不同尺度目标的检测效果。最后，利用知识蒸馏技术进一步提高了模型的检测精度。在艾睿光电红外海上船舶数据集上进行验证，改进后的算法检测平均精度（mAP）达到了91.5%，比原YOLOv7-tiny网络提高了3.3%，同时参数量和计算量分别降低23.0%和30.3%，且模型大小仅有9.37Mb，相较于基础模型减少了19.9%。在公开船舶数据集SeaShips和Ship Image数据集上的验证表明，改进后的算法在各项性能指标上均有所提升，充分证明了其具有良好的泛化性和鲁棒性。与其他主流和最新检测算法相比，改进后的算法在检测精度和轻量化方面表现更优。

关键词： 神经网络   黏质土石混合体   CT   图像处理   三维重建  

摘要： 通过CT图像建立合理的土石混合体细观结构数值模型对研究其物理力学性质至关重要。然而，传统图像处理技术在重构细观结构时往往需要人工参与，导致效率较低且精度不足。为了解决上述问题，提出了一种基于改进UNet神经网络的黏质土石混合体图像分割方法，设计了边界加权损失函数，以精确分割典型黏质土石混合体试样的CT扫描图像。此外，还提出了一种土石混合体三维重建的方法，用于将分割后的图像重构成三维精细数值模型。结果表明：相较于传统图像处理技术，基于深度学习的方法显著提高了黏质土石混合体CT 图像分割的效率和精度。UNet 结合边界加权损失函数，能够更加关注目标边界的分割精度。同时，较高精度的分割图像使得重建出的三维模型更加精细与准确。这一研究结果使得在此基础上开展的数值模拟试验尽可能避免了人为因素干扰，可以保证数值模拟结果的准确性。

关键词： 道路目标检测   GhostConv   YOLOv8   注意力机制  

摘要： 目标检测技术作为计算机视觉领域的一项关键技术，已经在多个领域得到广泛应用，尤其在精确解析道路交通场景方面发挥着关键的作用。然而，在车辆密集且路况复杂的道路交通环境中，传统目标检测方法存在准确性不足、误判与漏判等问题。此外，大型模型在资源受限的边缘设备上的部署难题，进一步限制了其在实际场景中的应用。本研究基于YOLOv8目标检测模型，提出了一种用于道路目标检测的方法。首先采用GhostConv卷积核替代C2f结构中的Bottleneck层的常规卷积，显著降低了模型的参数规模。然后，融合GhostConv与LSK注意力机制，构建了GhostLSK模块，在降低整体参数规模的同时，显著提升了模型对交通车辆和行人的特征提取能力。最后，在检测头上新增一个小目标检测层，加强对小目标的检测能力。在YOLOv8模型的N和S两个版本上进行的改进实验，通过KITTI和SODA10M数据集的严格验证，证实了本方法的有效性。改进后的N模型在KITTI数据集上的mAP@0.5达到了92.5%，相较于原始模型提升了1.3个百分点，同时实现了29.2%的参数量下降。S模型在同一数据集上的mAP@0.5达到了94.9%，提升了0.8个百分点，参数量减少了33.7%。

关键词： 肺结节   YOLOv8网络   目标检测   可变形卷积   空洞空间金字塔池化(ASPP)   坐标注意力(CA)机制  

摘要： 肺结节是肺癌的早期表现，然而肺结节在图像中占比较小，不仅导致医生阅片难度大，还可能会出现误检和漏检的情况。针对这些问题，该文提出在YOLOv8网络的基础上加入可形变卷积和空洞空间金字塔池化（atrous spatial pyramid pooling， ASPP）并融合坐标注意力（coordinate attention， CA）机制，使得网络能够聚焦小目标的同时又扩大感受野而不丢失分辨率，同时利用不同方向的注意力模块来聚集目标上的上下文信息，增强特征表达，有效提高定位精确度。所得算法在LUNA16的数据集上取得了良好的效果，相比与其他检测算法，该算法对肺结节检测的精度有一定改善。

关键词： 道路缺陷   目标检测   YOLOv7-tiny   轻量化  

摘要： 道路缺陷检测是道路养护的前提与基础，对道路安全保障非常重要。针对现有道路缺陷检测算法未能有效平衡检测精度与运算复杂度，从而难以应用于移动终端设备的问题，本文在YOLOv7-tiny的基础上提出一种多尺度特征融合的轻量级道路缺陷检测算法MFF-YOLO。首先，设计多尺度特征提取模块MFFBlock与下采样模块DSB，并在此基础上构建高效的多尺度特征提取骨干网络MFENet，以增强多尺度特征的提取能力。然后，颈部特征融合网络采用Slim-Neck设计范式，即利用GSConv与VoV-GSCSPC模块实现颈部特征的聚合，降低计算复杂度，轻量化网络。同时，颈部网络采用所提FSF-PAFPN结构以实现对多尺度特征的高效融合，提升算法对道路缺陷的定位与分类能力。最后，利用K-Means算法对道路缺陷数据集聚类，获取更符合道路缺陷目标形状特点的先验框，降低算法的训练难度，提升检测精度。在RDD2022数据集上的实验结果表明，相较于YOLOv7-tiny，MFF-YOLO轻量化显著，参数量与运算量分别降低了25.1%与25.8%。此外，MFF-YOLO的平均精确率均值达到60.1%，较YOLOv7-tiny提升2.1%，为多种对比算法中的最高值。同时，MFF-YOLO在检测效果方面表现出色，能够对道路缺陷精准定位并分类，且其平均检测速度达到81帧/s，表现出不俗的实时性。MFF-YOLO对检测精度与计算复杂度实现了更为有效的平衡，可为移动终端设备实现道路缺陷检测提供参考。

关键词： 旋转目标检测   结构重参数化   YOLOv8   任务动态对齐  

摘要： 针对遥感目标图像检测中存在的小目标检测困难、尺度变化大、方向任意以及在小型设备中检测精度不足问题，提出一种基于改进YOLOv8的轻量型遥感图像旋转目标检测算法LR-YOLO（Lightweight Rotating-YOLO）。首先，利用结构重参数技术并加入EMA注意力机制设计特征提取模块C2f-RA，增强网络的特征提取和特征表达能力，有效过滤复杂背景噪声的干扰；其次，在网络架构中采用ADown下采样，在减少特征图的尺寸的过程中防止上下文信息丢失过多；最后，针对检测头分类和定位两个分支缺乏交互，导致预测不一致的问题，提出任务动态对齐检测头ETDA-Head，促进分类和定位任务间的协同作用，以提高网络模型的精度。实验结果表明，改进后的算法在DIOR-R数据集和HRSC2016数据集上mAP@0.5上较基准模型分别提升1.4%和1.6%，参数量减少56.25%，相较于代表性的RoI Transformer算法检测精度提高了16.9%，这表明LR-YOLO算法有效地提升了检测精度，并显著降低模型的复杂度，验证了其有效性。

关键词： 非合作设备   信号识别   时频特征   目标检测   YOLO架构  

摘要： 随着各种通信、导航、遥控设备的广泛使用，电磁环境变得愈发复杂。在多类信号混杂的电磁环境中对电磁频谱进行监测布控，实现针对非授权、非合作设备的准确识别成为迫切需求。近年来，基于深度学习的识别技术得到快速发展，但在多域特征融合机制方面仍有所欠缺，在非合作条件下识别性能仍相对较弱。针对多信号混杂情境下特定电磁目标信号识别问题，提出一种基于多域特征融合与目标检测架构的电磁信号识别方法。该方法利用短时傅里叶变换实现了时频域信号特征的融合，基于YOLO目标检测架构，设计了时频域联合特征提取识别机制。算法在实测数据和公开数据集上进行性能验证，实验结果表明本算法的识别准确率明显优于对比深度学习识别方法。

关键词： 钢筋绑扎   深度学习   双目视觉   立体匹配   目标检测  

摘要： 针对实际钢筋绑扎施工现场存在着钢筋网多层次、作业环境和光线复杂以及构件密集等问题，从多层钢筋骨架平面绑扎实际需求出发，为实现钢筋绑扎节点的精确定位，以双目视觉联合目标识别思想为基础，提出一种基于双目立体匹配和绑扎状态识别的钢筋绑扎节点联合定位方法。首先，通过引入Hourglass特征提取网络和ECANet注意力机制对AnyNet的特征提取网络进行改进，提高钢筋网区域的匹配精度。由于多层钢筋网具有复杂的结构和层间关系，因此通过深度过滤得到目标绑扎工作层；其次，根据目标绑扎工作的特征提出一种基于钢筋骨架提取的绑扎节点定位模型，通过提取钢筋骨架并拟合钢筋骨架方程获取钢筋绑扎节点坐标；最后，通过轻量化的YOLOv5对绑扎节点状态进行识别，输出待绑扎点坐标。实验结果表明，相较于基准网络AnyNet的3PE为8.16%，所提算法仅为3.72%，有效提高了算法的匹配精度；所提算法可过滤掉深层次钢筋的干扰，且钢筋绑扎节点空间定位的平均误差为5.03mm，能够满足复杂背景下的钢筋绑扎工作需求。