关键词： 安全工程   煤矿井下粉尘   多尺度特征融合   YOLOv8   目标检测   注意力机制  

摘要： 煤矿粉尘浓度的准确检测对于保障矿工健康和安全至关重要，针对传统粉尘检测方法存在检测速度慢、精度不足等问题，提出了一种融合多尺度特征的煤矿井下粉尘检测方法。首先，采用大核深度可分离卷积替换传统卷积，在不显著增加参数数量的情况下，直接扩大感受野，使得每层网络能捕捉到更广泛的上下文信息；其次，基于一种多尺度大核注意力结构，融合多尺度边缘增强模块，构建C2f＿MEFA结构，利用大内核与门控和多尺度机制相结合，在提升检测精度的同时提高模型的表示能力；然后，通过改进特征金字塔中不同层次的相关性并结合通道和位置两个注意力，提高模型对粉尘的关注度；最后，将YOLOv8的3个检测头更新为4个检测头，增强对微小粉尘的检测能力。结果表明：煤矿粉尘检测模型的平均精度mAP@0.5达到92.7%，mAP@0.5:0.95达到70.6%，相较于基础模型分别提高了2.7百分点和7.1百分点；与其他主流检测模型的对比结果进一步验证了所提模型在煤矿井下复杂环境下具有更强的检测能力。

关键词： 无人机   小目标检测   YOLOv8   DyHead   多尺度特征融合  

摘要： 针对无人机小目标检测中存在的性能低、漏检与误检问题，提出了一种基于YOLOv8改进的YOLOv8-CAS模型。通过构造轻量化C2f-CAS特征提取模块，增强了模型对小目标细节的捕捉能力，同时减少了计算复杂度。引入SimAM注意力机制，通过自适应特征选择增强了模型对关键区域的关注，从而提升小目标的检测精度。引入DyHead检测头，通过动态路由机制有效融合多尺度特征，提升了模型对小目标的定位精度。最后加入P2小目标检测层，通过增强浅层高分辨率特征图的利用，进一步优化了多尺度特征融合。改进模型在VisDrone数据集上相比原始模型的精确率、召回率、mAP@50、mAP@50:95分别提升了10.1、8.1、10.2和6.7个百分点。实验结果表明，YOLOv8-CAS模型在小目标检测任务中表现出显著的性能提升，适用于复杂场景下的无人机目标检测应用。

关键词： 机动目标跟踪   深度学习   长短时记忆网络   交互多模型  

摘要： 近年来，随着传感通信技术的快速发展，高精度实时数据获取能力都得到极大增强，为采用数据驱动方法解决机动目标跟踪问题、克服传统模型驱动的滤波器存在的先验模型信息匮乏、高速目标机动等难题提供便利。特别是，深度学习技术通过构建端到端的神经网络估计映射来实现目标的状态估计，摆脱了对先验信息的依赖，但也存在着依赖训练数据、缺乏物理可解释性等问题。针对该问题，本文结合了模型驱动的交互多模型（Interactive Multiple Model， IMM）算法和数据驱动的长短时记忆（Long Short-Term Memory， LSTM）网络的优势，提出了一种基于深度学习的多状态融合机动目标跟踪算法。该算法由多个基于LSTM网络的跟踪器和单个基于LSTM网络的分类器组成，其为每个跟踪器分配单独的目标运动状态，跟踪器进行并行计算得到状态估计值。之后，通过分类器来确定目标的每个运动状态的概率权重值，并将跟踪器的估计值进行加权平均得到最终估计。仿真实验证明，本文提出的算法在跟踪精度上优于IMM算法和基于端到端LSTM网络的跟踪算法。

关键词： 道路目标信息   YOLOv7目标检测算法   注意力机制   KITTI数据集  

摘要： 为保障自动驾驶系统能够准确且迅速地识别道路目标信息，提出在YOLOv7主干网络中分别融合SE、CBAM、ECA三类注意力模块，设计并优化了一种可执行特征重新校准的网络结构。基于公开的KITTI数据集进行网络模型训练，搭建数据处理平台，对比分析融合SE注意力模块优化前后网络模型的性能以及对Car、Pedestrian、Cyclist三类目标的检测效果。横向对比实验结果表明，融合SE注意力模块优化算法在计算效率和精度之间取得了更好的平衡。消融试验进一步证明了SE模块贡献了主要性能增益，融合SE模块能较好兼顾检测精度和实时性。优化后的网络模型mAP值提升了1.16%，FPS下降幅度控制在7%以内，同时对Car、Pedestrian、Cyclist三类目标检测的精度分别提高了3.17%、3.88%、2.77%，漏检率和误检率得到有效降低。实验结果证明了基于注意力机制优化的YOLOv7目标检测算法对复杂环境目标检测的有效性及其实用价值，为自动驾驶系统的安全性与可靠识别提供了有力的技术支持。

关键词： 目标检测   对抗样本生成   无人机识别   对抗补丁攻击  

摘要： 构成无人机视觉识别系统组成之一的目标检测算法容易遭受对抗攻击,尤其是物理对抗攻击的威胁更大。针对当前物理对抗攻击方法在无人机目标检测场景中攻击效果较差的问题,提出一种尺度自适应的物理对抗攻击方法——SAPA。设计补丁自适应模块,利用目标真实尺寸构造掩码对补丁进行缩放,以适应目标的多尺度变化。设计针对多尺度、多目标攻击的优化函数,将检测网络不同特征层的最大预测分数与TOG算法中目标消失攻击的损失结合。采用多种物理增强变换提升对抗补丁的物理鲁棒性。使用无人机采集多尺度车辆数据对补丁进行优化。在数字域中,对抗补丁的平均攻击成功率为81.4%。在物理域中,对抗补丁在20 m~65 m高度的平均攻击成功率为42.6%。结果表明,SAPA方法在攻击效果和鲁棒性方面优于现有方法。

关键词： PIE-SDK   数字图像处理   产教融合  

摘要： 针对数字图像处理课程面临的学科壁垒、技术迁移困难及产教协同不足等现实困境,文章以航天宏图PIE-SDK为技术载体,通过分析PIE-SDK的教学适配性,构建了“基础理论-二次开发-产业应用”三阶课程体系。通过“一体两翼”课程体系规划与多模块技术方向案例课程群设计,强化学生实践创新能力,同时,采用项目驱动式的实践教学,实现多领域大范围案例涵盖。此模式旨在培养具备跨学科背景和技术迁移能力的计算机二次开发领域技术人才,缩短理论与实践距离,促进产教深度融合。

关键词： 计算机视觉   点云   无监督异常检测   特征嵌入   记忆库  

摘要： 随着工业自动化需求的不断增长,三维点云异常检测在产品质量控制中扮演着越来越重要的角色。然而,现有方法通常依赖单一特征,导致信息损失和精度下降。因此,提出一种基于多表征融合的无监督点云异常检测方法 MRF(Multi-Representation Fusion)。MRF利用多角度旋转和多种着色方案将点云渲染为多模态图像,并使用预训练的二维卷积神经网络提取丰富的语义特征;同时,还采用预训练的Point Transformer提取三维结构特征。之后,通过融合二维图像语义特征和三维结构特征,MRF能够更全面地捕捉点云信息。在异常检测阶段,MRF使用基于正样本记忆库和近邻搜索的方法,可有效地识别异常点云。在MVTec 3D AD数据集上的实验结果表明,MRF的点云级接受者操作特征曲线下面积(AUROC)为0.972,点级区域重叠度(AUPRO)为0.948,显著优于对比方法。可见,该方法的有效性和鲁棒性使它成为工业应用中极具潜力的解决方案。

关键词： 遥感图像   目标检测   YOLOv5   结构优化   损失函数  

摘要： 针对遥感军事目标检测精度低、速度较慢等问题,提出了基于YOLOv5-PRO模型的遥感军事目标检测算法。该算法提出了新的卷积操作方式,避免特征提取时跨行卷积导致的信息丢失;利用EfficientRepGFPN金字塔结构增强多层次特征的融合能力;提出新的损失函数DSLIOU,解决了定位损失EIOU中惩罚项权重分配不均的问题。在Mar20数据集下,仿真结果表明,提出的基于YOLOv5-PRO模型的遥感军事目标检测算法拥有更强的特征提取能力,mAP提升5.2%,检测速度FPS提升11.45。

关键词： 全息凝视雷达   雷达小目标检测   YOLOv8   ECA注意力机制   小目标检测层  

摘要： 小目标检测在低空飞行器管理、环境监测、边境安防等场景中发挥着至关重要的作用,是保障低空空间安全和推动低空经济发展的关键技术之一。现有的雷达目标检测算法在处理“低慢小”目标时,往往受到目标尺寸、信噪比(Signal-to-Noise Ratio,SNR)以及背景杂波等因素的限制,导致检测效果不佳。针对上述问题,本文提出将雷达距离-多普勒(Range-Doppler,RD)平面图输入改进后的YOLOv8模型,并结合实际雷达数据进行验证,实现了小目标检测性能的提升。本文利用全息凝视雷达采集了实测数据并进行数据标注和数据集制备。在模型设计方面,本文引入了高效通道注意力(Efficient Channel Attention,ECA)机制。ECA机制通过使用一维卷积代替传统的全连接层,在不增加额外参数量的前提下,有效地捕获了通道间的依赖关系。这种改进能够增强网络在不同通道上的特征选择能力,从而能够对小目标进行准确检测。同时,本文在模型中增加了小目标检测层,该检测层通过调整特征图的分辨率,使得模型能够对更小的目标进行特征提取和识别,从而弥补了常规检测网络对小目标处理能力不足的问题。此外,本文在实验部分选取了多种模型进行对比。实验结果表明,本文提出的改进模型在多个评价指标上均优于其他模型。与基准YOLOv8n相比,改进模型的精度提升了2.3%,mAP@0.5提升了1.9%,mAP@0.5-0.95提升了3.5%。总体来看,本文提出的模型在精度、召回率及mAP@0.5等指标上均表现出最佳的检测效果,验证了所提方法在雷达小目标检测中的有效性。

关键词： YOLOv8   水下珍品   目标检测   StarNet   注意力机制   Repulsion Loss损失函数  

摘要： 为有效实现水下图像各类珍品快速精准检测,解决水下珍品检测存在遮挡、精度不高及其推理速度慢等问题。文中提出一种基于Star_YOLOv8的水下珍品检测算法。首先,在主干网络融合C2f_StarNB模块有效地捕捉水下图像珍品特征,并实现模型的轻量化快速检测;其次,加入EMA注意力实现通道和空间特征的融合,提升水下图像不同尺度珍品特征的交叉注意力计算效率,减少噪声带来的影响,改善水下图像复杂场景及多尺度目标的显著性特征表达和检测精度;最后,引入动态聚焦Repulsion Loss损失函数,提高模型的收敛能力以及对多尺度分布遮挡珍品的整体检测效果。为验证改进方法的有效性,在水下珍品数据集上展开实验验证,以mAP@0.5指标验证融入的轻量化和注意力方面均优于其他方法,分别取得了8%和9.4%的提升。此外,相较于之前先进的水下珍品检测方法,该方法在mAP@0.5指标上达到0.863的检测性能。实验结果表明,所提方法在水下图像各类珍品的检测精度、速度等模型性能方面有一定提升。