关键词： 驾驶员面部检测   轻量级卷积   多尺度特征融合   实时性   目标检测  

摘要： 针对车载设备算力有限，而YOLOv8n目标检测算法模型较大的问题，提出一种轻量化驾驶员面部目标检测算法FD-YOLOv8。首先，提出一种双通道轻量级卷积DLConv(Dual-channel Lightweight Convolution)，通过一系列简单的线性变换，使用计算成本更低的方式生成冗余特征图，同时采用多尺度特征融合的方式，在提高检测精度的情况下，降低了算法的计算量及参数量；其次，引入轻量级主干网络ShuffleNetV2，通过组卷积的方式，减少了模型内存访问量；最后，引入轻量级模块StarBlock与C2f模块融合，通过元素乘法融合不同子空间特征的方式，降低了网络结构的复杂程度。通过实验结果分析，FD-YOLOv8算法在自建数据集和YawDD数据集的平均精确率(mAP@0.5)分别达到了99.1%、99.0%，相较YOLOv8n检测算法参数量(Parameters)下降了50.0%，计算量(FLOPs)下降了44.4%，FPS达到了237帧/秒，改进算法在驾驶员面部目标检测任务中具有一定参考价值。

关键词： 目标检测   声呐图像   注意力   渐进式感知   损失函数  

摘要： 针对侧扫声呐图像分辨率低、轮廓模糊且存在目标形状畸变严重导致检测精度低的问题，提出一种渐进式动态锚点距离调控侧扫声呐图像检测网络。首先，设计渐进式感知主干网络利用卷积核感受野渐进扩张策略促进声呐图像稀疏目标由局部特征感知过渡到整体感知。其次，针对侧扫声呐图像中实例尺度动态范围较大且轮廓模糊易导致预测边界框定位不准确问题，提出动态锚点距离定位损失函数以动态最小化预测边界框与真实值边界框点距。最后，构建空间定位分组聚合注意力模块，将分组聚合自注意力建立长距离依赖与通道位置注意力建立上下文相关性结合，进一步挖掘水下稀疏目标特征信息。实验结果表明，本文提出的声呐图像检测算法较基准网络在平均检测精度方面提升6.3%，达到88.2%，检测速度达到149帧/秒，从而验证了本文算法对侧扫声呐图像检测的有效性。

关键词： YOLO   小目标检测   空间深度转换卷积   空间金字塔池化   NAM注意力机制  

摘要： 在无人机航拍图像检测任务中，图像中的目标往往呈现出尺度密集、易受遮挡，并且以小目标居多的特点，导致检测过程中易出现错检或漏检的情况。本文基于YOLOv5s提出了针对小目标检测的SNA-YOLOv5s算法。首先，利用空间深度转换(SPD)卷积模块替换原模型的跨步卷积层，消除跨步卷积操作导致的细节信息丢失问题，提高模型从小目标中提取特征的能力；其次，设计新的平均金字塔池化模块，引入平均池化操作缓解池化层在提取特征信息的同时会导致部分信息丢失的问题，提升模型的特征提取能力；再次，新增针对小目标的大尺度检测分支，捕捉浅层特征中丰富的细节信息，提升对小目标的检测能力；最后，将归一化(NAM)注意力机制嵌入主干网络，对特征信息进行加权处理，抑制无效的特征信息。在VisDrone2019数据集和NWPU VHR-10数据集上的训练测试结果表明，该算法的平均检测精度（mAP）分别达到了42.3%和96.5%，和基线模型YOLOv5s相比分别提高了8.4%和2.6%。通过与其他基于深度学习的主流模型对比实验，进一步验证了该模型的鲁棒性和精确性。

关键词： 4D毫米波雷达   鸟瞰图   自动驾驶   交叉注意力机制   三维目标检测  

摘要： 针对自动驾驶场景中的行人和车辆目标识别与定位问题，提出了一种4D毫米波雷达与视觉融合的算法——CDCAM-BEV，以提高目标检测精度。其基本思想是：首先，设计雷达柱体网络，将4D雷达点云编码为伪图像，并通过正交特征变换将单目图像转换为鸟瞰图（BEV）特征；其次，基于交叉注意力机制，设计共同信息提取模块（CICAM）和差异信息提取模块（DICAM），充分挖掘雷达和图像的公共信息和差异信息；最后，基于CICAM和DICAM模块设计鸟瞰图特征融合模块，实现图像信息和雷达信息在BEV空间的特征级融合。在具有挑战性的VOD数据集上验证了所提算法，并与其他五种三维目标检测算法进行对比。实验结果显示，CDCAM-BEV在多个模式下的检测性能均优于其他算法。在三维模式下，CDCAM-BEV的平均检测精度比排名第二的Part-A2高出3.65%；在BEV模式下，比排名第二的Pointpillars高出5.04%；在AOS模式下，比排名第二的Part-A高出2.62%。这些结果表明，CDCAM-BEV在各模式下均表现出卓越性能，能够有效融合图像和4D雷达点云特征，显著提高目标检测精度和可靠性。

关键词： YOLOv9   交通路口检测   CoT-CAFRNet   自适应融合   BiHS-FPN   IF-MPDIoU损失函数  

摘要： 针对交通路口图像复杂，小目标难测且目标之间易遮挡，天气和光照变化又引发颜色失真、噪声多和模糊等问题，提出一种基于YOLOv9(You Only Look Once v9)的交通路口图像的多目标检测算法ITD-YOLOv9。首先，设计CoT-CAFRNet(Chain-of-Thought Prompted Content-Aware Feature Reassembly Network)图像增强网络，提升图像质量，优化输入特征。其次，加入通道自适应特征融合(iCAFF)模块，增强小目标及重叠遮挡目标的提取能力。然后，提出特征融合金字塔结构BiHSFPN(Bi-directional High-level Screening Feature Pyramid Network)，增强多尺度特征融合能力。最后，设计IF-MPDIoU(Inner-Focaler-Minimum Point Distance based Intersection over Union)损失函数，通过调整变量因子，聚焦关键样本，增强泛化能力。实验结果表明：在自制数据集和SODA10M数据集上，ITD-YOLOv9的检测精度分别为83.8%和56.3%，检测速度分别为64.8frame/s和57.4frame/s。与YOLOv9算法相比，检测精度分别提升3.9和2.7个百分点，有效实现交通路口下的多目标检测。

关键词： 机动目标   状态估计   交互式多模型   并行滤波  

摘要： 为解决高炮跟踪机动目标时的状态估计问题，使高炮火控系统能够对进行间歇机动的目标进行运动模式辨识和状态估计，提出了一种模型非等维交互的交互式多模型无迹卡尔曼滤波(IMM-UKF)算法。该算法对应匀加速运动及匀速转弯运动，将匀加速、匀速、协同转弯模型组合成两个运动模型组合滤波器。以三维并行的方式滤波，对各模型的共有状态分量进行有限交互以降低计算量，并采用残差滤波和系统误差矩阵模糊自适应的方法提高模型辨识稳定性和滤波精度。仿真结果表明，该算法比传统IMM算法精度更高且执行时间更短，模型辨识的稳定性也更好。

关键词： 食药用菌   表型组学   分析平台   大模型  

摘要： 食药用菌表型组学在真菌的分类鉴定、种质资源的评估、育种等研究中起着重要作用，但目前缺乏采集专用的表型采集设备和数据分析软件。本研究针对上述挑战，设计并开发了一种基于计算机视觉的食药用菌菌丝表型采集与智能分析平台——FPheno2000。该平台具备高质量和规范化采集菌丝体图像的硬件设备，并结合条形码扫描系统实现数据的管理与追溯。菌丝表型数据智能化分析软件可搭配硬件使用，控制表型采集过程，并实现7种菌丝表型的智能化提取与数据管理。在表型分析模块，构建了基于Yolov8和SAM的菌丝形态学表型与生长过程性状提取算法。通过使用赤芝菌丝图像进行测试，该模型分割的平均交并比（mIOU）达到96.3%。菌丝面积、周长、垂边长、长边长等形态学表型的提取值与手动测量高度相关，R2均在0.99以上。构建了基于菌丝面积、周长、垂边长、长边长的菌丝生长模型曲线，拟合结果的R2均高于0.996，多维度提取了菌丝最大生长速率、平均生长速率、生长持续期。综上所述，FPheno2000平台的开发为食药用菌的精准育种提供了强有力的支持和标准化工具。提高了菌丝体表型数据的采集和分析效率，增强了数据的可靠性和定量程度。这一平台的应用将推动食药用菌表型智能分析领域的发展，促进食药用菌产业的进步和提升。

关键词： 红外图像   目标检测   多头交叉注意力   多尺度重塑   双特征交互细化  

摘要： 为了应对红外图像目标检测中目标像素低、背景复杂以及硬件资源有限等问题，提出了一种融合位置编码的多头交叉注意力机制和双特征交互细化结构的目标检测模型。在骨干网络中，引入基于位置编码的交叉注意力模块（Criss-Cross Attention， CCA）和空间金字塔池跨阶段局部模块（Spatial Pyramid Pooling Cross Stage Partial， SPCP）。CCA模块通过行和列的相关矩阵变换，在水平和垂直方向上聚合上下文信息，并通过共享递归交错模块的参数，减少自注意机制所需的参数数量，增强特征提取能力。SPCP模块通过统一不同大小和尺度的特征映射，采用跨阶段局部结构（Cross Stage Partial， CSP）降低参数和计算量，并引入挤压激励注意力机制选择对目标检测更有利的通道。在颈部网络中，引入频域信息和双特征交互细化模块（Dual Feature Interaction Refinement， DIR），进一步提取小型目标船舶的细化特征，增强模型的特征融合能力。改进后的模型在红外船舶检测数据集ISDD上精确度达到89.5%，召回率达到97%，F1分数为93.1%。与基准模型相比，显著提高了检测性能。此外，与其他检测模型相比，所提出的模型减少了计算参数数量。实验结果表明，融合位置编码的多头交叉注意力机制和双特征交互细化结构有效提升红外船舶目标检测的准确性。

关键词： 容积卡尔曼滤波   灰狼优化   强跟踪滤波   渐消因子   目标跟踪  

摘要： 针对容积卡尔曼滤波算法(CKF)滤波噪声先验确定且目标机动时跟踪精度下降两个问题，提出一种结合改进灰狼优化和强跟踪滤波的容积卡尔曼滤波算法(IGWO-STCKF)。首先，分析了CKF计算流程；其次，利用灰狼优化实现过程噪声协方差的自适应，针对灰狼优化(GWO)算法易得到局部最优及搜索慢的缺点，提出采用佳点集理论初始化种群，嵌入调节参数非线性调整策略，越界处理策略和动态权重调整策略形成改进的灰狼优化算法(IGWO)；最后，借鉴强跟踪滤波(STF)，引入双渐消因子调整CKF算法量测更新时的协方差矩阵，实时调整滤波增益，最终形成 IGWO-STCKF算法。将IGWO-STCKF和IGWO-CKF、STCKF、IMM-CKF和CKF算法运用到具有动态噪声的二维机动目标跟踪仿真实验中，对跟踪轨迹图、算法运行时间、位置和速度均方根误差曲线和累计均方根误差值进行分析，结果表明，IGWO-STCKF算法跟踪精度和稳定性更优。

关键词： 绝缘子   目标检测   YOLOv8   特征聚焦扩散金字塔网络   对齐动态检测头  

摘要： 【目的】针对无人机巡检时因绝缘子所处环境复杂、目标小以及恶劣天气等原因导致难以被准确检测的问题，提出了一种改进YOLOv8算法。【方法】首先在YOLOv8的颈部添加了特征聚焦扩散金字塔网络Focusing Diffusion Pyramid Network（FDPN），通过定制的特征聚焦模块与特征扩散机制，能让每个尺度的特征都具有详细的上下文信息，更有利于后续目标的检测与分类。然后针对绝缘子缺陷检测中的小目标漏检的问题设计了一种对齐动态检测头Task Align Dynamic Detection Head（TADDH）来促进定位和分类这两个检测头之间的任务交互，从而提升对小目标检测的准确率。最后对YOLOv8的边框损失函数进行了改进，采用Focal-MPDIoU来代替原来的CIoU损失函数。并设计了多组实验并进行对比，验证了模型的有效性。【结果】实验表明，其改进模型对绝缘子目标检测的FPS为151.4帧/s，Params为2.6×106。正常绝缘子以及两种缺陷绝缘子的目标检测的PmA50%值分别达到了99.5%、93.5%、94.2%，相较于YOLOv8 模型分别提升了0.2%、10.9%、8.6%。【结论】从实验结果可以得出，改进后的YOLOv8模型对缺陷绝缘子的检测精度较原模型有显著的提升，该研究结果对实现电力系统运维的智能化具有较高的应用价值，且具有现实指导意义。