关键词： 智能交通   密集小目标检测   YOLOX   无人机航拍图像   注意力机制  

摘要： 针对无人机航拍图像中背景丰富、多个小目标聚集导致的误检、漏检以及置信度不高等问题，本文提出了一种改进YOLOX的目标检测算法。首先，设计了一种提取高频特征信息的注意力机制（LE-MSA），避免小目标特征消失在冗余信息中。其次，为了防止样本类别不均衡导致的检测效果差的问题，引入了VarifocalLoss损失函数，与BCEWithLogitsLoss损失函数共同参与分类准确度和目标框定位精度的提升。最后，提出了一种包含自适应小目标增强、区域增强方法在内的多策略数据增强方法，以提高模型的泛化能力。试验结果表明，LE-YOLOX算法表现出良好的检测能力，其检测精度达到了90.78%，优于Faster R-CNN（71.30%）、YOLOv5（88.15%）、YOLOv8（87.63%）、YOLOv10（86.1%）和YOLOX（87.82%）。同时，改进YOLOX在实际检测时能够有效解决无人机航拍图像下密集小目标的误检和漏检问题，具有较强的小目标识别和密集目标处理能力。

关键词： 输电线路   山火烟雾   目标检测   YOLOv8s   ODConv   DyHead   WIoU  

摘要： 针对输电线路走廊复杂背景场景下传统预警方法山火检测效果差、速度慢,图像识别误检、漏检率较高等问题,提出了一种基于改进YOLOv8s的输电线路山火检测方法。首先,通过网络收集并对现有数据集筛选,得到以野外荒地为背景的山火图像数据集,更加贴合目标背景。其次,引入ODConv模块,对基线模型的Backbone和Neck部分使用C2f＿OD模块替换原C2f模块进行特征提取,提升模型对火焰烟雾的检测性能;再更换Head部分为DyHead模块,融合尺度、空间和任务3种注意力感知模块,进一步提高检测精度;并使用WIoU损失函数,将检测框回归聚焦于普通质量的预测框,提升模型对复杂背景的泛化性能。最后,设计了3组消融实验和1组对比实验,实验表明:所提算法与原YOLOv8s模型相比,在自建山火数据集上mAP@0.5提高了5.6百分点,P提升了4.51百分点,R提升了5.41百分点,帧率为34.9帧/s,满足输电线路山火精准检测的要求。

关键词： 孪生网络   卫星视频目标跟踪   空间信息   时间信息   运动估计机制  

摘要： 随着卫星视频成像技术的显著进步,卫星视频中的目标跟踪任务引起了越来越多研究人员的关注.然而之前的研究大多通过全局注意力机制获得空间信息,这种方法使得模型关注背景部分从而忽略目标;而且只利用视频帧中目标的空间信息,目标定位不准确.本文对现有的孪生网络目标跟踪模型SiamCAR进行改进,提出时空孪生网络模型Siam-STM.具体来说,本文提出基于注意力机制的空间信息感知模块,聚合图像中的上下文信息并增强卫星视频中小目标特征的辨别力;为了利用视频帧之间的时间信息,本文还提出时间信息感知模块对视频中当前帧和历史帧进行融合,从而学习到不同时刻目标的位置信息,更好的关注目标轨迹,缓解相似干扰物的影响.此外,为了缓解卫星视频中常见的遮挡影响,本文在卡尔曼滤波器的基础上引入线性拟合方法,进而提出一种运动估计机制,可以有效地建模目标的运动特征进而在目标被遮挡时准确定位目标.在SatSOT数据集上通过与现有先进模型的实验对比验证了Siam-STM的有效性.

关键词： 遥感图像   目标检测   旋转目标检测   小目标   高密度   倾斜边界框   跨尺度融合   两阶段检测器  

摘要： 小而杂乱的物体交织在一起，在遥感图像中尤为常见，给目标检测带来了巨大挑战。在旋转目标检测任务中这个困难更加突出。鉴于此，本文提出了基于提案增强的解耦特征挖掘旋转检测器(decoupled feature mining rotational detector based on proposal enhancement， PDMDet)。首先，采用单阶段检测器取代两阶段检测器的提案生成网络，通过生成高质量提案以减少背景冗余。其次，在相同维度使用自注意力，不同维度使用交叉注意力，通过对相同维度特征增强，不同维度特征交错融合提升检测器对不同尺寸目标的识别能力。最后，鉴于分类和定向边界框回归任务对特征的敏感性不同，本文提出解耦特征细化处理两个不同任务。通过实验，PDMDet在DOTA-v1.0，DOTA-v1.5和HRSC2016这3个数据集上分别取得单尺度78.37%、72.35%、98.60%的平均精度均值，检测准确率高于其他算法，在复杂的旋转目标检测场景具有一定的竞争力。

关键词： 道路交通锥   目标检测   轻量化   注意力模块   数据增强  

摘要： 道路交通锥是用于高速公路和城市道路维护的安全隔离标志，采用自动化设备对其进行收放可提高作业效率，并降低传统人工收放方式带来的作业人员安全隐患。对交通锥进行精确的目标检测是确保自动化收放设备正常工作的关键。为提高识别效率，同时保证模型检测准确性并降低模型计算量和内存需求，本文提出了一种轻量化道路交通锥检测的Tra Cone-YOLO(Tra Cone-You Only Look Once)算法。首先，采用基于共享深度可分离卷积的高效检测头，使模型在推理时更加高效；其次，在特征提取过程中使用Rep C2f模块，增强模型提取多尺度特征信息的能力；最后，通过引入ELA(Efficient Local Attention)注意力模块，提出ELA-HSFPN(ELA-Hierarchical Scale-based Feature Pyramid Network)网络结构进行多尺度特征融合，进一步增强模型的特征表达能力。针对原有的交通锥数据集Tra Con缺少不同天气和光照强度的样本，本文对Tra Con交通锥数据集进行了数据增强，以模拟实际场景中的不同天气条件，有效扩充训练样本，从而提升模型的泛化能力和鲁棒性。实验结果表明，改进后的模型与原模型相比，参数量和计算量分别减少了56.2%和55.6%，均值平均精度达92.6%，与原模型相比仅下降0.4个百分点。该算法在实现模型轻量化的同时，能够保持良好的检测性能。

关键词： 红心李检测   YOLOv7-Tiny   遮挡   目标检测  

摘要： 在果园红心李检测任务中,首要任务是准确识别红心李。然而由于红心李枝叶茂盛、果实重叠,增加了识别的难度。基于此,通过修改YOLOv7-Tiny模型的主干,来提升遮挡环境下果实检测的精度。首先,在MobileNetV3主干的MobileBottleneck(Bneck)模块中将SE注意力机制修改为NAM注意力机制,关注训练过程调整权重的信息,提高对果实关键特征的检测,构建新的NBneck模块;然后,在MobileNetV3主干中加入Diverse Branch Block(DBB)模块,增强对被遮挡果实不明显特征的提取能力;最后,构建新的主干DN-MBV3来替换YOLOv7-Tiny的原有主干网络,并减少网络的参数量。在相同试验条件下,与SSD、YOLOv4-Tiny、EfficientDet、Faster-RCNN等模型相比,改进的YOLOv7-Tiny精度明显优于其他网络。与YOLOv7-Tiny相比,红心李的均值平均精度(mAP)提高了4.89个百分点,召回率提升了11.59个百分点,同时模型体积减小了4.3 MB,具有检测精度高、尺寸小等优点。

关键词： 图像处理   轻量化卷积神经网络   非接触式振动测量  

摘要： 针对复杂环境和资源受限条件下的振动测量难题,提出一种结合图像处理技术与轻量化卷积神经网络的非接触式测量方法.通过使用基于深度可分离卷积的倒残差模块,搭建轻量化神经网络模型.同时,引入高效通道注意力(ECA)机制和Mish激活函数以提升模型的预测精度.此外,还结合Canny边缘检测与Hough变换来提取图像特征,作为空间注意力的替代,优化处理效率,提高准确率.实验结果表明,所提出的非接触测量方法在5～50 Hz振动频率范围内的测量误差小于0.2%,验证其有效性和可靠性.

关键词： 表面缺陷检测   计算机视觉   多尺度特征提取   注意力机制   解耦检测头  

摘要： 针对工业场景下资源受限且表面缺陷图像对比度低的问题,提出了一种改进YOLOv5的工业产品表面缺陷检测方法。首先,在骨干网络中引入感受野增强模块,用于从不同层次的感受野提取更丰富的视觉特征;其次,在特征融合网络中添加了混洗注意力模块,更有效地对不同维度的特征图进行融合;最后,采取了任务解耦检测头,使分类和回归两个任务采用相互独立的网络进行预测,降低彼此的干扰,提升检测精度。实验结果表明:该网络的参数量和计算量均低于YOLOX、YOLOv7、deformable DETR等模型,且在管道数字射线(DR)缺陷图像数据集和NEU-DET数据集上mAP@0.5分别提高了2.23百分点和2.99百分点,兼顾了工业场景下对缺陷检测实时性和精确性的要求。

关键词： 智能船舶   内河船舶   PEW-YOLO   目标检测   WIoU  

摘要： 内河船舶目标检测中，众多检测对象属于小目标范畴，其在图像中的像素占比有限，且由于水域环境干扰等问题，导致检测精度不足，误检、漏检现象频发，为此研究了PEW-YOLOv8(YOLOv8+P2检测层+EfficientNetV2+WIoUinner)目标检测算法。新增160×160分辨率的P2浅层次小目标检测层，通过32维特征空间重构实现多尺度特征的动态权重分配，设计高低层特征的双向交互机制，增强对小型船舶目标的特征提取能力；为应对多层次目标检测头导致的模型训练参数量增加的难题，采用改进的EfficientNetV2高效架构优化策略，引入Stems模块采用GELU激活函数避免梯度爆炸和训练不稳定，训练阶段保留扩展4倍的通道数，简化卷积结构显著加速训练过程，同时保证模型训练质量；设计动态非单调聚焦机制的WIoUinner损失函数，构建具有一定尺度差异的辅助预测框，加速边界框收敛速度，使模型在预测框与真实框重合良好时更注重中心点之间的距离，减轻几何度量的惩罚，从而提升模型的泛化能力。通过融合公开的Seaships数据集与自建数据集形成的数据集进行算法与实验验证，结果表明：同YOLOv10相比，PEW-YOLOv8平均检测精度达到94.8%，提升了3%，计算复杂度显著降低，FLOPs优化至3.7 G，降幅达43.1%，展现了在内河船舶目标检测精度和效率方面的优势；热力图分析进一步凸显了模型能有效聚焦内河船舶特征，验证了算法在复杂内河场景下的检测鲁棒性。

关键词： 图像处理   目标检测   注意力机制   多模态融合   Transformer  

摘要： 基于可见光与红外图像融合的目标检测技术旨在利用两种模态的互补特征来提高检测器的性能。然而，现有的方法大多只利用两种模态的相似特征来进行特征增强，忽略了模态间的互补特征以及各自的固有特征。为了解决这些问题，本文提出了一种基于交叉注意力特征增强的跨模态目标检测算法（CAMNet）。首先，本文设计了特征增强模块（FEM），通过Transformer高效的自注意力机制来增强模态内的固有特征。此外，本文提出了交叉注意力模块（CAM），通过交叉注意力机制从通道和空间两个维度来增强模态间的互补特征。最后将这两个模块集成到主干网络的各个阶段，以提高模态间的信息交互能力。结果表明，在VEDAI和FLIR数据集上，与单一模态（RGB）检测结果相比，CAMNet的平均精度（mAP50）分别提升了8.1%和18.1%，与Add融合检测结果相比，mAP50分别提高了6.4%和3.3%。