关键词： 高精度   计算机视觉   机器人设计   颅骨打孔  

摘要： 传统的颅骨打孔手术需要医生长时间精细操作,不仅耗费大量体力和耐力,还易出现操作精准度下降的情况,加之传统打孔手术大多依靠医生的经验和高超的技术水平,在面对复杂病情时容易出现手术效果不佳、并发症等严重问题。在此背景下,引入高精度和高稳定性的机器人势在必行。

关键词： 小目标检测   无人机航拍图像   YOLOv8n   特征提取  

摘要： 针对无人机航拍中存在的复杂背景下微小目标辨识难度大、检测精度较低等问题，本文提出一种基于YOLOv8n改进的聚焦小目标的航拍图像检测算法FocusedSmallTargetDetection-YOLO(FSTD-YOLO)。本研究设计的MRFF特征提取模块（Multi-Receptive Field Feature Extraction Module）能够增强复杂背景下模型的学习能力，避免随着网络加深而产生的小目标信息丢失、特征学习不足等问题。通过引入微小目标检测头，移除效率不高的大目标检测头，使模型更专注于小目标的检测以减少非相关尺寸目标的关注。通过引入多重注意力机制模块增强模型对于多尺度目标的识别能力。实验中，本文使用Inner-MPDIoU损失函数替代CIoU损失函数，更精确地衡量预测框与真实框之间的差异，促进航拍图像中低Io U样本的快速收敛。实验结果表明，在VisDrone数据集上，与YOLOv8n相比，FSTD-YOLO的m AP@0.5和m AP@0.5～0.95分别提高了9.1%和6.1%。同时，参数量减少了13.0%，权重文件大小减少了11.1%，更有利于移动端的部署。

关键词： 图像处理   颅骨剥离   卷积神经网络   SegResUnet   半监督学习  

摘要： 为提高医学影像分析中颅骨剥离的精度,尤其是具有明显病理影响(如脑肿瘤)的多模态大脑MRI影像、2D/3D混合扫描的大脑MRI影像,研究基于SegResUnet的半监督学习大脑MRI影像颅骨剥离(脑区分割)。以卷积神经网络为基础,采用高效分割网络———SegResUnet对多模态数据参数进行训练学习,通过残差分割模块强化U型结构中编码器和解码器的特征提取效能,并借助半监督学习模式辅助训练,提升模型在3D带标签数据和2D无标签数据上的分割精度。将基于SegResUnet的半监督学习大脑MRI影像颅骨剥离方法应用于751例三中心公开数据集,其脑区分割实验结果表明,单模态分割精度最高能达到98.57%,与混合模态分割精度持平;单模态平均分割精度能达到98.35%,相比经典的Unet模型精度提升0.2%。

关键词： YOLOv8   复杂道路场景   可变形卷积   注意力机制   目标检测   轻量化  

摘要： 复杂道路场景下的目标检测由于检测目标形状不规则、远处目标精度低和推理速度慢,导致现有模型性能严重不足。针对此问题,该文提出一种基于YOLOv8改进的算法MDSD-YOLO。在Head部分,设计了MLCA注意力和DCNv4融合改进的MD-C2f模块,适应不规则目标并增强小目标检测精度。在检测头后引入SEAM注意力模块,优化目标相互遮挡时的检测精度。在主干网络中设计了基于DualConv轻量化卷积的D-C2f模块,在提高精度的同时降低了模型的参数量,显著增强了模型的实时性。实验结果显示,改进后的模型在SODA10M和KITTI数据集上表现优异,mAP50分别达到67.0%和94.4%,比YOLOv8n基准模型提升8.7百分点和5.3百分点;mAP50:95分别达到44.8%和70.5%,比基准模型高出5.5百分点和4.2百分点。实验表明该模型推理速度快、检测精度高,在复杂道路场景中的目标检测具备有效性和优越性。

关键词： 目标检测   YOLO11n   红外船舶检测   多尺度模型  

摘要： 提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO，旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetV2网络，增强背景区分能力；设计的ASF-P2优化颈部网络，以提升对低分辨率图像和极小目标的检测能力；研究的TAADH检测头替换原有检测头，提升定位和分类性能；同时，融入AFGCAttention注意力机制，提高全局信息处理能力和模型的泛化能力。实验结果表明，与基准模型YOLO11n相比，AGT-YOLO的召回率提高了4.4%，平均精度mAP@50提高了3.1%，并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。

关键词： 目标检测   红外小目标   模型轻量化   YOLOv7s   注意力机制   轻量级Neck网络   NWD  

摘要： 针对红外图像背景复杂、信噪比低、检测目标尺寸小和亮度弱等检测难点,提出一种基于YOLOv7s的轻量级红外小目标检测算法ISTD-YOLO(Infrared Small Target Detection-You Only Look Once)。首先,对YOLOv7s网络结构进行轻量化重构,分别将特征提取网络和特征融合网络重新调整,设计出一种三尺度轻量级网络架构,提高对小目标的检测性能;然后,采用VoV-GSCSP来取代模型颈部网络的ELAN-W模块,以降低计算成本和网络结构的复杂性,提高推理速度;其次,在颈部网络中引入一种无参注意力机制,增强局部上下文信息的关联性,更准确地提取目标的定位;最后,选用归一化高斯Wasserstein距离(Normalized Gaussian Wasserstein Distance,NWD)优化常用的IoU指标,来计算预测框与真实框之间的重叠关系,增强对小目标的定位和检测精度。实验结果表明,ISTD-YOLO可以有效改善检测效果,对比基线模型,在HIT-UAV与IDSAT数据集上的检测精度分别提高8.52%与4.77%;模型体积仅有21.8 MB,参数量减少69.8%,计算量下降17.6%;相较于当下主流算法,ISTD-YOLO在各方面指标均得到有效改善,能够实现对红外小目标的高质量检测。

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m_(AP)@0.5达到92.7%,m_(AP)@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： Canny-YOLO算法   弹壳缺陷检测   边缘特征融合   小目标检测  

摘要： 在复杂工业场景下,传统目标检测算法对微小缺陷的识别精度不足,健壮性弱。基于此,提出一种基于改进Canny-YOLO算法的弹壳表面缺陷检测方法,融合Canny边缘检测与YOLOv5模型的多尺度特征提取优势。改进的Canny算法通过自适应阈值调整与多方向梯度响应优化,增强对裂纹、飞边等微小缺陷的边缘感知能力。YOLOv5模型引入多通道输入与注意力机制,实现语义特征与边缘特征的动态融合,并通过锚框优化提升小目标定位精度。实验表明,改进算法在复杂光照与表面反光场景下表现出优异的健壮性与实时性,为军工自动化生产线提供了高效可靠的检测方案。

关键词： 计算机视觉   立体匹配算法   相位   PBGM   结构三维形变  

摘要： 传统计算机视觉方法通常聚焦于结构平面内的动力响应,因此本文提出基于图像相位立体匹配时序分析测量方法实现对结构三维形变的无靶标鲁棒监测。该方法利用2D-Gabor滤波器和高斯金字塔梯度算法对图像进行预处理,运用基于相位的稠密光流追踪算法与改进的半全局块匹配(SGBM)算法,实现对结构感兴趣区域位移的全场测量,进一步提出一种直观的位移-应变转换方法,实现结构三维应变的测量。通过基于物理的图形模型(PBGM)的虚拟现实试验,验证了本文方法与3DDIC和有限元分析形变对比误差均小于2%;在实验室户外桥梁的振动试验中,与传统测试方法对比形变误差可控制在8%以内,符合工程应用精度。本方法在确保精度的前提下实现了结构三维形变无靶标鲁棒监测,更好地解决了传统结构形变监测中受环境影响程度大、成本高等问题。

关键词： 智能交通系统   计算机视觉   障碍物检测   图像处理  

摘要： 为完善智能交通系统道路检测和障碍物检测的准确度,利用双目视觉来模拟实现智能驾驶中对障碍物的检测.首先,基于计算机视觉技术的原理,对采集到的图像进行灰度变换图像增强,使图像清晰地显示出来.然后,利用灰度直方图再基于阈值的方式进行分割,通过最大熵法和类间最大距离法确定最佳阈值,并对图像进行二值化处理,最后通过基于灰度的快速模板匹配算法进行图像配准.结果表明,基于双目视觉的障碍物检测识别率在98.3%以上,测距误差低于5%,比单目视觉检测法的识别性能更优.