关键词： 3D目标检测   点云编码   点通道注意力机制   残差网络   激光雷达  

摘要： 针对当前3D目标检测在稀疏点云环境下存在的远距离小尺度目标因特征提取能力受限而导致检测精度下降的问题，本文提出了基于多重注意力机制和深层残差网络的CAResPillars。以PointPillars 为基准算法，在点云特征编码阶段引入点通道注意力机制PC-Attention，通过建立点级和通道级的双重注意力权重，自适应增强关键几何特征，缓解稀疏点云信息的不足；在BEV特征提取阶段，采用集成坐标注意力机制的深层残差网络CAResNet42作为主干网络，以强化模型对远距离与小目标的特征建模能力，并减轻梯度消失的问题。在KITTI数据集实验中，改进算法显著提升检测性能，尤其是在目标相对较小的行人3D检测的平均精度提升6.39%，车辆3D检测精度也得到2.06%提高。消融实验验证了各模块的有效性，实车部署进一步证明了算法的鲁棒性和实用性，为实际应用提供了有效的解决方案。

关键词： 目标检测   YOLOv8n   共享卷积轻量化   多尺度特征融合   注意力机制  

摘要： 针对水下检测背景复杂、光线暗淡、目标遮挡重叠等问题,本文提出一种基于YOLOv8n改进的实时水下目标检测算法.首先,构造特征融合模块SEHAP,使P2层与P3层融合,再经过EHAPOKM学习全局到局部的特征,以提高识别小目标和低分辨率图像的准确率.其次,增加一个轻量化的检测头SLDH,使用共享卷积,并将其与ASL缩放特征尺度模块结合,在降低参数量和计算量的情况下,减少精度损失.随后,增加C2f-EGMSC模块,采用分组卷积更好地提取不同层次的特征.最后在部分C2f-EGMSC模块后使用注意力机制BAM,使模型同时关注通道和空间维度信息,提升模型性能,将改进后的模型命名为ESE-YOLOv8.基于RUOD数据集上的实验表明ESEYOLOv8可以达到85.2%的检测精度,相较于原始算法提升1.2个百分点,参数量下降了36.7%.改进后的模型兼顾了轻量化和精度,为水下环境部署提供了可行的解决方案.

关键词： 线结构光   几何中心法   灰度重心法   亚像素提取   最小二乘拟合   三维重建   工业测量   计算机视觉  

摘要： 针对传统线结构光提取算法在速度与精度难以兼顾的不足，提出一种融合几何中心法与灰度重心法的改进提取算法。该算法首先通过阈值化处理减少低像素值对中心线提取的干扰；随后逐行双向搜索最大像素值坐标并存储，若当前行的列坐标差小于设定阈值，则利用几何中心法粗提取条纹中心，否则通过计算与上一行中心坐标的距离将最近点作为当前行中心，实现快速准确的条纹定位；在此基础上，在粗提取坐标的邻域内采用改进的灰度重心法进行亚像素级精提取，在降低计算量的同时提升精度；最后通过最小二乘拟合进一步优化光条纹位置，增强平滑性和连续性。通过与传统算法的对比实验和三维重建验证本文算法的有效性。结果表明：本文算法在提取精度(RMSE=1.081pixel)、运行效率(0.057 s)及重建质量(0.122 mm)等方面均优于对比算法，能够更好地保留工件几何特征，显著优于5 mm的工业误差容限，满足亚像素的高精度工业测量需求。本研究为三维视觉检测提供了高效可靠的解决方案。

关键词： YOLO   目标检测   计算机视觉  

摘要： 目标检测是计算机视觉的基石，在医疗成像、工业缺陷检测、自动驾驶和农业监测等领域有着广泛的应用。YOLO(You Only Look Once)作为单阶段目标检测的开创性算法，以其卓越的实时性和高效性成为计算机视觉领域的核心技术。从2016年YOLOv1的首次亮相到2025年YOLOv12的发布，YOLO通过持续优化网络架构、改进损失函数设计和创新数据增强策略，显著提升了检测性能和应用适配性。本文系统回顾了YOLO长达十年的发展历程，分析了其在不同领域的应用，并探讨了其快速发展背后的驱动力，包括深度学习技术的突破、开源社区的广泛协作以及对实时性和边缘计算的迫切需求。与双阶段算法（如Faster R-CNN）和基于Transformer的方法（如DETR）相比，YOLO在速度和工程部署上展现出显著优势，但在小目标检测、密集场景处理和复杂背景下的鲁棒性方面仍面临挑战。未来YOLO或可通过整合轻量级Transformer模块、优化多任务学习框架以及引入生成式AI增强数据多样性，有望进一步提升精度和场景适应能力。

关键词： 仪表读数识别   角度法读数   目标检测   图像处理  

摘要： 针对泵房内背景复杂、仪表类型众多、拍摄路径不易等问题,提出了一种最小限界视觉指针仪表读数识别方法。该方法采用YOLOv5检测仪表盘上的数字0,确定起始点坐标。随后,采用传统图像处理提取刻度线和指针轮廓,刻度线直线拟合圆心坐标并排序刻度线值。通过定位指针距离最近的刻度线并计算角度,采用角度法读数。通过限定在一个极小的扇形区域内,可以降低角度法读数的误差。以泵房常用压力表为实验对象,读数平均误差为1.2%。

关键词： 目标检测   图像处理   深度学习   RTDETR   无人机图像  

摘要： 为解决无人机视角图像的小目标检测中存在的误检、漏检和检测性能差等问题,提出了一种改进RTDETR模型。在主干网络融入由轻量级可变卷积核(AKConv)和中值增强空间通道注意力机制组成BasicAK MECS模块,增强了特征提取效果;Neck部分引入Slim-neck,轻量化模型的同时提高检测的准确性和效率;在上采样部分,利用动态尺度序列特征融合(DySSFF)模块,提升小目标特征信息提取能力。损失函数使用Inner-SIoU,注入边界框的形状和尺度信息,增强边界框回归效果。实验结果表明,所提出的模型在Visdrone2019数据集上的mAP和mAP,分别提升了2.2%和0.9%,有效提高了模型目标检测能力。

关键词： 深度学习   计算机视觉   YOLOv7   SAR图像   船舶检测   注意力机制  

摘要： 在基于深度学习的合成孔径雷达(synthetic aperture Radar,SAR)船舶目标检测中,SAR图像丰富的上下文信息尚未被充分利用。因此,该研究提出一种新颖的SAR船舶图像检测方法,它结合高维上下文注意力和双感受野增强,通过双感受野增强从SAR图像中提取多维特征信息,从而引导动态注意力矩阵在由粗到细的高维特征提取过程中学习丰富的上下文信息;另外,基于YOLOv7,通过引入轻量级卷积模块、轻量化非对称多级压缩检测头和新的损失函数XIoU,构建了YOLO-HD网络。在E-HRSID和SSDD数据集上进行对比实验,实验中所提方法的检测平均精度分别达到91.36%和97.64%,相比原始模型分别提高4.56百分点和9.83百分点,且相比其他经典模型结果更优。

关键词： 机器视觉   镜头模组   边缘检测   自动装配   建筑监控   图像处理  

摘要： 针对建筑监控系统中镜头模组装配精度不足、人工效率低和一致性差等问题，基于机器视觉技术研究了建筑监控镜头模组的高精度自动化装配方法。提出一种融合边缘检测与直线拟合的视觉引导式自动装配方法，建立了以Canny算子边缘提取、最小二乘法直线拟合和几何参数识别为核心的装配参数计算模型。装配系统采用上、下双CCD工业相机分别采集镜片与安装支架图像，通过图像灰度化、中值滤波和轮廓提取等预处理步骤增强目标特征，并构建基于几何中心和角度信息的空间定位方法，完成镜片的精准对位装配。进行批量镜片装配实验，仿真与实测结果表明，该方法可将镜片的装配间隙控制在0.1 mm以内，凸出量控制在0.15 mm以内，装配精度均值达到98.2%，偏差标准差小于0.013，显著优于传统人工贴装方式。该研究验证了所提出方法在建筑监控镜头模组自动化组装中的准确性和稳定性，为智能监控设备的工业化生产提供了高效、可靠的技术路径。

关键词： 船载地波雷达   目标检测   Mask R-CNN   实例分割   注意力机制  

摘要： 船载地波雷达易受复杂海况和平台运动的影响,导致其对海上船只目标的检测能力降低,尤其是对密集多目标区和弱目标区的探测更加困难。针对上述问题,本文提出一种改进实例分割区域卷积神经网络(Mask Region Convolutional Neural Network,Mask R-CNN)的船载地波雷达目标检测方法。首先,构建船载地波雷达距离-多普勒谱数据集,发展了船载地波雷达船只目标样本自适应特征提取算法;然后,将Mask R-CNN引入船载地波雷达距离-多普勒谱图的目标检测和实例分割,进而结合卷积块的注意力机制实现目标回波深层特性信息的挖掘;最后,通过实测数据和船舶自动识别系统对本文方法进行验证。实验结果表明:与Mask R-CNN、YOLOv7和背景识别CFAR方法相比,本文提出的方法不仅减少了常规背景下的目标漏检情况,而且能够有效检测强海杂波干扰下的弱目标以及多船只回波相互重叠的聚集区域目标,提高了船载地波雷达对海上船只目标的探测能力。

关键词： 轨枕裂纹检测   目标检测   全维动态卷积   轻量化结构   特征融合网络  

摘要： 针对高铁轨枕运行年限增加导致裂纹缺陷增多的安全隐患,以及高铁轨枕表面裂纹漏检与误检问题,提出改进的YOLOv5s轨枕裂纹目标检测算法.在YOLOv5s算法主干网络中使用基于多维注意力机制的全维动态卷积代替传统卷积,提升网络整体的特征提取能力以提高细小裂纹的检测精度;根据ConvNeXt模块和深度可分离卷积提出改进的轻量化C3结构,压缩模型体积和加速网络的收敛以提高检测效率;使用尺度优化的加权GFPN特征融合网络,解决小目标多尺度下采样过程中细节特征丢失的问题,改进的YOLOv5s轨枕裂纹目标检测算法能够有效改善轨枕表面细小裂纹漏检问题.实验结果表明:改进后的算法模型参数量减少了19.7%,精确率、召回率、平均精度均值分别提高了1.8、2.4和4.2个百分点,检测速度达96帧/s.结果表明,提出的轻量化YOLOv5s-OCG算法模型为轨枕表面裂纹的实时性检测提供了一种有效解决方案.