关键词： 桥梁检测   服役性能评估   多尺度损伤   车桥耦合   计算机视觉  

摘要： 桥梁检测与服役性能评估是保障桥梁安全运营的核心。基于多尺度视角，系统梳理桥梁损伤检测与评估领域的研究进展、现有成果及未来趋势，并从宏观、中观及亚微观尺度展开探讨。宏观尺度上，深入剖析桥梁特征检测方法的演变，揭示其向基于车辆响应的快速检测技术转型的趋势；在中观及亚微观尺度上，鉴于桥梁表观损伤的复杂性，现有研究重点聚焦于基于计算机视觉的识别方法。在服役性能评估方面，归纳了现有的桥梁短期状态评估与长期状态预测方法。综合分析表明，当前桥梁检测技术在识别桥梁损伤特征上已具成效，但未来仍需聚焦于基于车辆响应的宏观损伤识别与基于计算机视觉的中观及亚微观损伤识别，这两大方向均展现出巨大的应用潜力。未来研究应进一步优化车桥耦合响应模型，提升其在不同宏观尺度损伤形式下的适用性；深入研究中观及亚微观损伤图像与桥梁力学特征的映射关系；加强多尺度损伤相关性研究，以提高检测准确性；从工程实际出发，探索更具实用性的桥梁服役性能评估方法。

关键词： 多尺度目标   卷积注意力   窗口变换器   LAMP剪枝  

摘要： 针对在复杂道路条件下，目标大小不同导致检测准确性和速度下降等问题，提出空间金字塔剪枝变换器（spatial pyramid pruning transformer - YOLO，SPPT-YOLO)目标检测算法。设计基于卷积块注意力与融合的空间金字塔池化（spatial pyramid pooling based on convolutional block attention with fusion， SPPCBF）模块通过引入卷积注意力，对池化层结构优化来帮助骨干网络捕获多尺度目标特征信息。通过在颈部引入基于卷积网络的窗口变换器（swin transformer with cnn， STRCN）模块更好地整合SPPCBF提取的特征。将STRCN和池化层串联弥补池化层带来的信息损失。最后通过基于层自适应幅度剪枝（layer-adaptive sparsity for the magnitude-based pruning， LAMP）方法，在保持模型精度的前提下进一步优化推理效率。最终在kitti数据集上进行实验，对多尺度目标检测效果更好，平均精度0.5和平均精度分别提高2.1%和3%，检测速度每秒帧率提升39.7。

关键词： 道路病害   深度学习   低光照场景   YOLOv8   目标检测  

摘要： 【目的】针对在低光照环境下道路病害检测的准确性不高，检测模型参数众多导致计算量大，检测效率低下等挑战，结合低光照图像增强网络EnlightenGAN提出了一种基于YOLOv8改进的道路病害检测方法：EnGAN-YOLOv8。【方法】首先，使用低光照图像增强网络EnlightenGAN对低光照图像进行处理，生成接近正常光照条件下的高质量图像，以此减少低光照对道路病害带来的影响；其次，在主干网络中利用RFCBAMConv来对C2f模块进行改进，增强主干网络对低光照下道路病害关键特征的捕捉能力，使得模型在处理病害空间特征时更为出色；接着，采用Slim-Neck架构对检测网络的中间层进行了优化，并对网络结构进行了优化，不仅减少了模型的计算负担，还提高了模型的运行效率。最后，通过引入基WIoU v3边界损失函数，以优化网络的边界框回归能力。【结果】实验结果表明：在公共数据集GRDDC2020上该方法相比于基线模型YOLOv8网络召回率提高了18.4%，同时精度以及平均精度均值分别提高了26.7%和24.9%。【结论】EnGAN-YOLOv8方法不仅提高了检测的准确性，还增强了模型的鲁棒性，为低光照条件下准确检测道路病害提供了一种有效的解决方案。

关键词： 法医病理学   死亡时间   角膜图像   计算机视觉   尸体现象  

摘要： 常规尸表检验可以通过观察角膜混浊等尸体现象粗略推断死亡时间。随着计算机视觉技术的发展，这种传统的形态学观察方法有了新的打开方式，更加客观、精确、标准化且不失便捷。本文通过搜索相关中英文文献，总结近年来应用原位角膜数字图像推断死亡时间的研究进展，介绍计算机视觉技术在这个研究方向上的应用，对其中重点研究的材料和方法、结果进行了比较分析，对关键事项进行了总结提示，包括眼睑开闭问题、图片中感兴趣区域的选取、光源的影响、疾病和损伤的影响、数据处理方法的选择等等，最后对未来的发展趋势进行了展望，希望能为进一步的研究提供参考。

关键词： YOLOv8   注意力机制   轻量化   机器人自动装配   目标检测  

摘要： 针对现有的基于深度学习的目标检测算法在机器人自动装配任务中识别精度低、检测速度慢的问题，提出了一种基于YOLOv8的轻量级装配工件目标检测算法。首先，引入部分卷积PConv(Partial Convolution)对C2f (Faster Implementation of CSP Bottleneck with 2 convolutions)模块进行改进，设计新的Faster＿C2f模块，提高了模型的检测速度；其次，采用SIoU损失函数来优化CIoU损失函数的位置预测精度并提高小目标的定位准确性；然后，使用HS-FPN (High-Level Screening-feature Fusion Pyramid Networks)结构改进Neck部分，大幅度减少了模型的计算量，提高了检测速度；最后，结合iRMB(Inverted Residual Mobile Block)模块与EMA(Efficient Multi-Scale Attention)注意力机制，创新性地提出了iEMA机制，提高了模型的检测性能。实验结果表明，在自制装配工件数据集上，与原始算法相比，改进后的算法F1分数提高了3.2%，mAP值提高了1.7%，每秒检测帧数提高了11%，而模型参数量减少了47%，计算复杂度降低了32%。

关键词： 产品质量检测   目标检测   端边云协同   深度学习  

摘要： 传统质量检测方法存在精度低、速度慢、部署成本高、灵活性差且人工依赖性强等问题，成为了产线节拍加速和效率提升的瓶颈。针对以上问题，本文基于所构建的空调外观质量检测数据集，提出一种可运行于小型无线设备的轻量化目标检测模型（LightDets）。LightDets通过连续上、下采样模块（CUD）快速获取多尺度特征，降低特征冗余度与模型参数量；同时，LightDets采用密集型跳过连接和卷积进行特征复用、集成与融合，提升产品质量检测的精度与效率，实现小型终端设备部署。其次，为满足产线在线检测需求，设计端边云协同的分布式任务调度策略（DTS），联合底层控制器，在空调外观产线上，实现了不良产品高效精准预警与控制：mAP@0.5=98.56%，检测时间降低约70%。

关键词： 深度学习   图像   YOLOv8网络模型   小目标检测   注意力机制   损失  

摘要： 深度学习在目标检测领域的广泛应用显著提升了对大中目标的检测能力。然而，针对小目标检测，由于其固有的尺度小、背景复杂等挑战，传统的目标检测算法常常会出现漏检、误检的情况。因此，对YOLOv8模型进行研究，旨在提高小目标检测的精度。首先，将主干部分的卷积模块替换为RFAConv模块，增强了模型对于复杂图像处理的能力;其次，在Neck部分引入MLCA注意力机制，能够在保持计算效率的同时，帮助模型更高效地融合不同层次的特征；第三，将YOLOv8的Detect头替换为Detect＿FASFF头，以解决不同特征尺度间的一致性问题，并增强模型对小目标的检测能力；最后，将CIoU损失函数替换为Focaler-IoU损失函数，使模型更关注于难以精确定位的小目标。实验结果显示，改进后的模型在小目标稀疏的FloW-Img数据集上mAP@0.5提高了4.8%，mAP@0.5:0.95提高了3%；在小目标密度高的VisDrone2019数据集上，mAP@0.5提升了5.9%，mAP@0.5:0.95提高了4%；同时还在低空数据集AU-AIR以及行人密集检测数据集WiderPerson上做了泛化对比实验。经实验表明，优化后的模型相比较原模型在小目标检测精度上有显著提升，并扩大了模型的适用范围。

关键词： 目标检测算法   不确定度测量   不确定度分解与合成   图像数据   软硬件平台  

摘要： 针对当前目标检测算法不确定性研究将不确定性建模作为优化预测结果的一个步骤，忽视了不确定性本身的性质的问题，提出了一种基于测量不确定度表示指南(GUM)的方案。首先，将目标检测的不确定度来源分解为数据、模型、平台三个互相独立的方面，从三个方面提取不确定度影响因素，构建不确定度测量函数；其次，使用GUM法中的A类评定方法和B类评定方法，对不确定度影响分量进行度量；最后，基于测量函数使用不确定度合成法则，由不确定度分量合成标准不确定度。在目标检测算法上展开实验，结果表明，与峰值信噪比和结构相似性相比，数据的不确定度在捕捉噪声数据方面分别提高了5.30和19.08个百分点；模型不确定度对预测结果的影响很小，在10-6范围内可以忽略；平台的不确定度可以用数值化形式表示由软硬件平台带来的预测结果差异。