关键词： 深度学习   目标检测   YOLOv7tiny网络   绝缘子缺陷  

摘要： 绝缘子缺陷的准确、快速排查处理，有助于电力系统的稳定运行。然而，现有绝缘子缺陷检测算法存在网络结构复杂、推理时间长以及鲁棒性差等问题，不能满足实际巡检的需要。为此，本研究提出一种结合TransFormer和复合FPN的轻量级绝缘子缺陷检测算法。该算法以YOLOv7tiny为基础框架，引入TransFormer架构的轻量型EMO作为主干网络，其次在颈部网络设计一种结合上下文增强和特征细化的复合FPN结构，最后使用Wise IOU做为损失函数。实验结果显示，所提算法Map.5:.95达到70.7%，检测速度达到69.12帧·S-1，模型参数量为4.19M，直观效果图中绝缘子缺陷检测的平均置信度达到0.87。表明所提算法实现了网络的轻量化，降低了推理所需时间，提升了检测的鲁棒性。

关键词： 弱对齐RGBT图像   显著目标检测   多模态特征对齐   多模态特征融合   注意力机制  

摘要： 可见光和热红外(RGBT)显著目标检测(SOD)旨在从可见光和热红外图像中识别共同的显著物体。然而，现有技术大多在完全对齐的图像对上进行训练，忽略了实际成像过程中由于传感器差异导致的“弱对齐”问题，即同一物体在不同模态中虽然结构相关，但是它们的位置、尺度存在差异。因此，如果不经对齐处理，直接使用弱对齐RGBT图像训练模型会导致检测性能严重降低。为应对这一挑战，提出了一个多模态特征对齐融合网络(AFNet)，专门针对弱对齐RGBT SOD。该网络由三个主要模块组成：分布对齐模块(DAM)、注意力引导的可变形卷积对齐模块(AGDCM)和交叉融合模块(CAM)。DAM基于最优传输理论，使热红外和RGB特征的分布尽可能接近，实现特征的初步对齐。AGDCM基于可变形卷积，在学习特征偏移量的过程中引入了注意力权重，使不同的区域可以学习到适合自身的偏移量，实现多模态特征的精准对齐。CAM通过交叉注意力机制融合对齐后的特征，增强融合特征的判别能力并提高计算效率。通过对齐和弱对齐数据集上的大量实验，证明了所提方法的高效性。

关键词： 小目标检测   YOLOv8   BiFormer   损失函数  

摘要： 无人机航拍已经广泛用于数据采集、地形测绘、城市规划等方面，极大地提高了作业效率。无人机航拍影像通常覆盖较大范围，由于检测对象较小，细节信息往往不清晰，影响了目标的检测和识别精度，本文提出了一种基于YOLOv8网络的目标检测算法DT-YOLOv8。首先，通过调整检测头的尺寸和网络结构，嵌入Biformer注意力机制，增强模型对小目标的关注和检测能力。其次本文设计了一种能够相互交互融合特征的DAT检测头，使分类和定位分支不再独立，实现更强的特征表达和提取能力。最后，本文提出EIoU-NWD损失函数，将Wasserstein距离结合Focal-EIOU作为定位回归损失函数，捕捉目标框之间的空间关系，增强模型对小目标检测的回归精度和优化权值。在公开数据集VisDrone2019上的实验结果显示，与原始YOLOv8相比，DT-YOLOv8的参数量减少了52.63%，同时，其mAP50和mAP50:95分别提高了11.7%和8.2%。进一步在DOTA数据集上进行模型泛化试验，实验结果表明，本文算法在小目标检测方面展现出显著的优势和潜力。

关键词： 绝缘子缺陷   目标检测   YOLOv5s   混合注意力机制   损失函数  

摘要： 针对绝缘子缺陷目标过小容易遮挡，复杂背景下难以准确识别检测，网络模型较大部署至微型智能设备中较为困难的痛点，提出一种以YOLOv5s为基础模型并改进的缺陷检测算法。算法将C3模块中的Silu激活函数改进为Mish激活函数，并去除原模块桥分支上的卷积层，同时在主干网络之后融合HAM混合注意力机制，以便更加高效精准的筛选出目标特征；在预测部分使用选用α-IoU损失函数加快模型收敛速度，提升收敛效率；使用k-means聚类算法重新设计先验框，提高模型精度；并且使用GrabCut算法将图片进行背景融合，达到数据增强的目的。实验结果表明，本文所提出的算法相较于YOLOv5s检测精度提高7.08%，单张图片检测速度达到19.5ms，浮点运算量为4.102G。在确保检测精度的情况下，能够更好的将该模型应用于绝缘子缺陷检测当中。

关键词： 运动目标   核函数   SAR   序贯图像  

摘要： SAR图像中高动态运动目标散焦严重，导致传统的动目标检测方法难以实现有效探测。为此，本文利用SAR序贯复数图像特点，提出了基于核函数深度关联的动目标检测方法。首先，分析了高帧频序贯SAR图像获取方式和运动目标频谱特性；其次，借鉴光学图像动目标检测思路，引入了核函数理论，并按照是否有运动目标经过，将SAR图像像元分为两类；再次，将复数图像域动目标检测转换为沿一维时序扰动的检测，理论分析了基于核函数深度关联的运动目标和杂噪分离的机理，联合实部数据和虚部数据目标检测结果，可进一步提高运动目标检测性能，并给出了复数图像域检测流程；最后，开展了低信杂噪比条件下高动态目标检测仿真实验，验证了本文所提方法的有效性。

关键词： YOLOv8   C2f(Faster Implementation of CSP Bottleneck with 2 convolutions)   无人机   小目标检测   Inner-EIoU  

摘要： 针对当前无人机视角下小目标检测性能低，漏检、误检的问题，提出基于YOLOv8改进的BDS-YOLO（BiFPN-Dual-Small target detection-YOLO）模型。使用RepViTBlock（Revisiting Mobile CNN From ViT Perspective Block）与EMA（Efficieent Multi-Scale Attention）注意力机制构造C2f-RE（C2f-RepViTBlock Efficient multi-scale attention）改进骨干网络中深层的C2f（Faster Implementation of CSP Bottleneck with 2 convolutions）模块，提升模型对小目标特征的提取能力并降低参数量。使用BiFPN（Bidirectional Feature Pyramid Network）重构颈部网络，使不同层级的特征得以相互融合。在改进颈部网络的基础上构造双重小目标检测层，结合浅层和最浅层特征提高模型对小目标的检测能力。引入Inner-EIoU（Inner-Efficient-Intersection over Union）改进损失函数，使用更合理的宽高比衡量方式并解决IoU（Intersection over Union）自身的局限。改进模型在VisDrone2019数据集上相对原始模型的精确率（Precision）、召回率（Recall）、mAP50、mAP50-95分别提升了8.5、7.7、9.2和6.3个百分点，参数量仅为2.23M，模型大小降低了19.1%在实现一定轻量化的情况下显著提升了的性能。

关键词： 目标检测   域自适应   缺陷检测   纹理增强   频域信息  

摘要： 织物缺陷目标检测在纺织生产过程中是不可或缺的关键步骤。然而，在实际情况下获取大量标注数据是十分困难的。无监督域自适应方法为该问题提供了有效的解决方案，能够在没有目标域数据标注的情况下提升模型在目标域的性能。然而，现有的方法虽然在经典数据集上表现出色，但在应用于更复杂、纹理丰富的织物缺陷检测任务时，模型性能会明显下降。为了解决这一问题，我们提出了一种基于纹理知识引导（Texture Knowledge Guided，TKG）的跨域织物缺陷检测方法，旨在增强目标检测迁移模型在织物图像上的检测性能。TKG方法包含三个关键模块：纹理增强模块、联合注意力模块和一致-对抗模块。具体而言，纹理增强模块通过傅里叶变换来增强输入图像中的纹理信息，使得模型能够更好地捕捉到复杂的纹理特征；联合注意力模块引入了一种注意力机制，能够捕获更为全面的纹理和结构信息，通过自适应地调整不同区域和通道的权重，增强模型对关键纹理和缺陷区域的关注；一致-对抗模块通过一致性训练和对抗性训练增强模型对目标域数据的适应性，提升模型在目标域的检测性能。实验结果表明，TKG方法在织物缺陷目标检测任务中与现有方法相比表现出显著的优越性，在斜纹到平纹的跨域检测实验中，TKG方法在mAP50指标上实现了最高3.1%的性能提升，展示了该方法在实际织物生产环境数据中优秀的跨域缺陷检测能力。

关键词： 复杂场景   目标检测   小目标   多尺度特征融合   YOLOv8  

摘要： 为解决施工场景下安全帽佩戴检测时，由于人员密集、遮挡和复杂背景等原因造成小目标出现漏检和错检的问题，提出了一种基于YOLOv8n(You Only Look Once v8n)的双重注意力机制的跨层多尺度安全帽佩戴检测算法。首先，设计增加微小目标检测头，提高模型对小目标的检测能力；其次，在特征提取网络中嵌入Double Attention注意力机制，更关注复杂场景下目标信息的特征捕获；再者，将特征融合网络替换成基于重参数化泛化特征金字塔网络（RepGFPN）改进后的跨层多尺度特征融合（Selective Layer Generalized Feature Pyramid Network, S-GFPN）结构，实现小目标特征层信息和其他特征层的多尺度融合，建立长期的依赖关系，从而抑制背景信息的干扰；最后，采用MPDIOU(Intersection over Union with Minimum Points Distance)损失函数解决尺度变化不敏感的问题。在公开数据集GDUT-HWD上实验结果表明，改进后的模型比基线模型mAP@0.5的值提升了3.4个百分点，对各色安全帽的检测精度值分别提升了2.0、1.1、4.6、9.1个百分点，在密集、遮挡、小目标、反光和黑暗五类复杂场景下可视化检测效果也优于基线模型，为实际施工场景中安全帽佩戴检测提供了一种有效方法。

关键词： 海洋底栖生物   水下目标检测   小波池化   多尺度特征融合  

摘要： 针对水下环境复杂性带来的多尺度目标检测挑战，提出了改进算法WPS-YOLOv8。首先，设计了小波池化卷积模块(wavelet pooling convolution， WPConv)，该模块通过小波池化技术降低通道压缩后特征图的分辨率，有效抑制了传统下采样过程中产生的频率混叠伪影，提升了特征提取质量和表达能力。其次，提出了局部逐点分组重排卷积模块(partial pointwise group shuffle convolution， PGConv)，该模块通过结合局部卷积与逐点卷积，能够在减少信息冗余的同时保持通道间的信息交互，弥补了深度可分离卷积的不足，增强了特征融合效果。最后，提出了ShapeLoss损失函数，综合考虑影响不同尺度目标检测精度的因素，通过集成Shape-IoU和Shape-NWD两种损失测度，有效提升了对多尺度目标的总体检测精度。实验结果显示，相较于YOLOv8，WPS-YOLOv8在URPC2018和UTDAC2020水下数据集上的平均精度均值(mean Average Precision， mAP)分别提升了8.6%和4.4%，展现了其在水下多尺度目标检测中的出色表现。

关键词： 开放世界目标检测   反向传播梯度   图分割算法   特征范数   卷积神经网络  

摘要： 开放世界目标检测(Open-World Object Detection,OWOD)将目标检测任务拓展至真实多变的环境中，要求模型能够准确识别已知和未知对象，并逐步学习新知识。针对现有开放世界目标检测方法中未知类的召回率偏低和误识别的问题，提出了一种梯度区分与特征范数驱动的开放世界目标检测研究方法(Gradient-discriminative and feature norm-driven open-world object detection,GDFN-OWOD)。针对未知类召回率偏低的问题，提出梯度区分性表征模块(Gradient-DiscriminativeRepresentation Module,GDRM)，利用反向传播的梯度差异准确区分未知类别和背景，以提高未知类召回率；此外，引入基于图分割的框聚类算法(Graph-Based Segmentation for Bounding Box Clustering,GSBC)，将物体边界框的确定建模为图分解问题，减少冗余的边界框，进而减少模型的计算量；针对未知类误识别问题，采用基于特征范数的分类器(FeatureNorm-Based Classifier,FN-BC)，选择性能最优的卷积层识别已知和未知类别，以达到更高的识别准确率。在OWOD数据集上的实验结果表明，在T1、T2、T3任务中未知类召回率分别提升了1.1、2.1、0.9个百分点，绝对开集误差(A-OSE)分别降低了35.1%,28.7%,12.2%。与现有的开放世界目标检测方法相比，有效缓解了未知类的召回率偏低和误识别的问题。