关键词： 毫米波图像   图像处理   超分辨率重建   生成对抗网络  

摘要： 针对图像采集设备和环境干扰等因素导致毫米波图像质量不够理想、现有算法重建后图像容易丢失细节，提出了基于增强型超分辨率生成对抗网络(Real-ESRGAN)改进的毫米波图像增强算法，用多级残差密集连接模块（Residual in Residual Dense Block，RRDB）构建生成器网络，以高效率、高稳定性提取到毫米波图像的特征信息；结合特征激活前的感知损失、Smooth L1损失和对抗损失使模型稳定收敛，减少重建后图像细节丢失；提出以PatchGAN为基本结构的判别器，减少计算量，提高了网络的训练和收敛速度。实验结果表明，本文的方法相比Real-ESRGAN在PSNR、SSIM的比较中分别高出0.3795dB，0.0211，在NIQE、PI的比较中分别降低了1.6412，1.1191。

关键词： 深度学习   异构调制器   跨层级特征融合   YOLO   计算机视觉   航拍微小目标检测  

摘要： 针对航拍图像中目标尺寸微小、纹理特征模糊及分布密集带来的检测难题,提出一种基于改进YOLO架构的DI-YOLO检测模型.当前主流检测方法在微小目标结构信息保留及多尺度特征提取与融合方面存在明显不足.本方案创新性地构建内容感知特征增强模块(CARAFE),通过动态特征选择机制实现跨层级特征的自适应融合;同时设计并行异构特征调制模块(PHFM),有效协调全局上下文建模与局部细节特征的关联性;并引入形状感知交并比损失函数(Shape-IoU)和微小目标检测头,进一步提升边界框回归精度和微小目标检测能力.通过在VisDrone2019和DOTAv1.5基准数据集上的对比实验,本模型较基准模型YOLOv10取得显著提升:在VisDrone2019数据集上mAP@0.5和mAP@0.5:0.95指标分别提升12.7%与13.7%, DOTAv1.5数据集上对应提升12.1%与10.2%,且在计算效率方面保持优势.消融实验进一步验证了各模块的有效性,为航拍场景下的高精度目标检测提供了新的解决方案.

关键词： 深度学习   柑橘采收   目标检测  

摘要： 有效识别套袋柑橘目标是实现数字农业产量估测的重要一步。针对在果实重叠和枝叶遮挡环境下识别套袋柑橘较困难的情况,基于YOLOv8n目标检测模型提出了DH-YOLO(YOLOv8n-Dy Sample-HWD)套袋柑橘目标检测模型。主要对YOLOv8n模型的网络结构做了以下改进:首先,使用Dy Sample模块替换原模型中的上采样模块,提升模型的准确率;其次,在保证模型的准确率和召回率的同时,引入HWD轻量级下采样模块来减少模型内存,与原始模型相比,更方便部署。所提出的套袋柑橘目标检测模型在准确率和平均精度方面均提高了0.5个百分点,模型内存减少了0.2 MB,具有更高的识别精度和更强的部署能力,该模型可用于自然环境中套袋柑橘采收和产量预测工作。

关键词： 单目3D目标检测   实例分割   特征融合   残差卷积   辅助学习  

摘要： 单目3D目标检测旨在定位输入单个2D图像中物体的3D边界框，这在缺乏图像深度信息的情况下是一个极具困难的任务。针对2D图像在推理时的深度信息缺失以及深度图背景噪声干扰导致检测效果不佳的问题，本文提出一种融合深度实例的单目3D目标检测方法 MonoDI。其关键思想在于利用有效的深度估计网络所生成的深度信息结合实例分割掩码得到深度实例再与2D图像信息融合来帮助物体3D信息的回归。为了更好地利用深度实例信息，本文设计了一个迭代深度感知注意力融合模块（iterative depth aware attention fusion module,iDAAFM），将深度实例特征与2D图像特征融合以得到含有物体清晰边界和深度信息的特征表示；另外，在训练和推理过程引入残差卷积结构代替一般的单一卷积结构，以保证网络在处理融合信息时的稳定与高效。同时，设计了一个3D边界框不确定性辅助任务，在训练中帮助任务学习边界框的生成，提高单目3D目标检测任务的精度。在KITTI数据集上对此方法进行验证，实验结果表明，本文方法 MonoDI在对中等难度下的车辆类别检测的平均精度比基线方法提高了4.41个百分点，且优于MonoCon、MonoLSS等对比方法，同时在KITTI-nuScenes跨数据集实验中取得了较优的结果。

关键词： 粮虫目标检测   YOLOv8n   C2f模块   SPPF模块   损失函数  

摘要： 针对复杂背景下粮虫目标检测算法存在的精度低、漏检、复杂度高等问题，提出一种改进YOLOv8n的粮虫目标检测算法SL-YOLO。首先，将轻量化网络StarNet中的Star Block引入C2f模块，减少模型的复杂度；其次，在SPPF模块中引入可分离大核注意力机制LSKA，在优化模型感知能力的同时结合小目标检测头增强模型对小目标的检测能力，从而提高检测精度；最后，引入WIoU作为新的边界框损失函数，提高模型的收敛速度与回归精度。实验结果表明，SL-YOLO在自建数据集上的mAP50和mAP50～95指标分别达到96.1%和59.7%，相较于YOLOv8n分别提升1.4和1.1个百分点，所提算法具有更优秀的检测能力。相比于其他主流算法，SL-YOLO同样展现出明显的性能优势。

关键词： YOLOv8   EfficientViT   RepGFPN   注意力机制   损失函数  

摘要： 水下目标检测由于在海洋探测、海洋开发等领域广泛应用而备受关注。由于水下环境的复杂性，包括光线衰减、散射等影响，导致水下目标检测效果不佳。针对上述问题，提出一种基于YOLOv8的水下目标检测框架：ERMS-YOLOv8，旨在提升水下目标检测性能。首先，替换主干网络为EfficientViT(Efficient Vision Transformer)，增强模型对水下生物的特征提取能力，减少特征信息丢失。其次，在Neck部分采用RepGFPN（Reparameterized Generalized-directional Feature Pyramid Network）网络模块，增强模型对水下生物高层语义和低级空间特征的提取和融合能力，从而使得模型获取更加丰富的特征信息。然后，引入MLCA（Mixed local channel attention for object detection）注意力机制，使得模型同时融合通道信息、空间信息、局部通道信息和全局通道信息，增强模型的表征能力。最后，引入SIOU损失函数，提升模型对目标边界信息的提取能力，从而进一步提高检测精度。实验结果表明，改进后的算法在UPRC2021数据集上和DUO数据集上mAP值分别达到83.9%和84.4%，与原始的YOLOv8算法相比较，mAP值分别提高了2.9%和2.1%。实验结果表明，ERMS-YOLOv8在水下目标检测中具有优越的性能。

关键词： 道路破损   轻量化   小波变换   损失函数   通道剪枝  

摘要： 针对当前道路破损分类检测任务中道路破损精度相对较低，模型计算量和参数量较大，对需要部署的终端设备性能要求较高等问题，提出一种轻量化的检测模型。该算法利用离散小波变换中的haar小波对数据进行预处理，增强图像特征，使用线性插值的方法恢复图片原尺寸，与原通道拼接后采用通道注意力机制动态调整各通道重要性;提出一种多尺度加权特征融合金字塔网络（multi-branch auxiliary weight feature pyramid network，MAWFPN）结构替换原有的颈部网络，在维持模型精度的基础上降低网络的参数量;更换损失函数为ShapeIou，提升了检测效果的同时增加了模型的稳定性;引入层自适应幅度的剪枝技术（layer-adaptive sparsity for the magnitude-base pruning，LAMP）对模型进行裁剪，大幅降低模型的参数量与计算量。实验结果表明，改进后的算法相较于基准模型mAP50提升1.6%，参数量和计算量分别降至基准模型的28.4%和47.7%，模型大小降低至基线的29.6%。经过优化后的算法不仅提升了检测性能与特征提取的精准度，同时大幅降低了模型的尺寸，增强其在资源受限的终端上部署的能力。

关键词： 无人机   海上搜救   目标检测   YOLO   抗干扰损失函数  

摘要： 提高无人机对海上目标检测与识别精度，对于增强海上搜救行动的效率和成功率具有重要意义。针对海上目标分布离散、尺度变化较大、复杂背景干扰较强问题，提出一种无人机多尺度特征融合与抗干扰目标检测算法（UAV-YOLO）。首先，在主干网络部分引入Swin Transformer结构，利用多尺度特征融合和高效自注意力机制，有效增强模型对离散目标特征提取能力，减轻目标分布不均对检测精度造成的影响；其次，在SPPF(Spatial Pyramid Pooling-Fast)和C2PSA(C2 Partially Shifted Attention)融入选择性卷积注意力机制，自适应调整感受野范围，提升模型对尺度变化显著的海上目标检测精度；最后，设计一种抗干扰损失函数MS-IoU(Marine Search Intersection over Union)，针对复杂背景引起误检、漏检问题进行优化。为验证本文所提方法有效性，基于SeaDronesSee数据集进行消融实验，结果表明，相较于基础算法YOLOv11,UAV-YOLO算法在mAP50方面提升3.1%，达到67.8%。此外，优化后算法检测速度为193帧/秒（Frame/s）；满足目标检测流畅度要求大于60帧/秒的标准。就本文案例而言，UAV-YOLO通过多尺度特征融合与损失函数抗干扰特性，提高目标检测识别率，并保证实时检测效率。

关键词： 内部污染茧   YOLOv7   轻量化   注意力机制   目标检测  

摘要： 针对内部污染茧检测模型体积大、运算量大、识别速度慢等问题，提出了一种基于YOLOv7改进的内部污染茧检测模型LEF（Lightweight and Enhanced Features）-YOLOv7，该模型遵循传统的光照法选茧原理，根据内部污染茧和上车茧透光性不同产生的图像差异进行目标检测。首先，在YOLOv7中引入Ghost模块，以较低的计算成本增加特征图的数量，从而减少运算量和内存数据搬运；其次，减少特征融合网络中的卷积数和分支，采用步长为2的3×3卷积进行下采样，进一步减少模型运算量和内存访问；再次，引入卷积注意力机制增强模型的特征提取能力，削弱背景干扰；最后，采用DIoU（Distance-IoU）损失函数以降低预测框损失计算对模型性能的影响。实验结果表明，LEF-YOLOv7模型的对数平均漏检率为0.01，较原模型降低了0.05，检测精度为99.58%，同时，运算量与参数量分别降低了91.84%和83.13%，模型体积压缩了约117.7MB，检测速度达36.69FPS，约为原模型的3.3倍，符合轻量化的要求。该方法能够在保持较好性能的同时降低模型的复杂度，可为生产型企业进行内部污染茧检测提供技术支持。