关键词： 复杂交通场景   车辆目标检测   YOLOv11n   C3k2-CTA   C2CGA  

摘要： 针对复杂交通场景中,车辆因遮挡、复杂背景干扰引发的特征表征模糊和检测精度下降问题,提出一种基于YOLOv11n改进的CCT-YOLO检测算法。基于带有通道转置注意力的频率感知级联注意力(FCA-CTA)设计C3k2-CTA模块,通过增强频域通道注意力对车辆的多尺度特征判别能力;融合分组策略与空间级联分组注意力(CGA)模块,提出部分空间级联分组模块C2CGA,在降低参数量的同时,提升遮挡目标检测性能;设计一种任务对齐动态检测头,通过共享卷积减少模型的参数量,提高网络的细节捕获能力。试验结果表明:在KITTI和BDD100K数据集上,相较于原始YOLOv11n,CCTYOLO的mAP@50分别达到89.5%和52.6%,参数量减少15.5%,提出算法具有合理性。

关键词： 旋转目标检测   结构重参数化   YOLOv8   任务动态对齐  

摘要： 针对遥感目标图像检测中存在的小目标检测困难、尺度变化大、方向任意以及在小型设备中检测精度不足等问题,提出了一种基于改进YOLOv8的轻量型遥感图像旋转目标检测算法LR-YOLO(Lightweight Rotating-YOLO)。首先,利用结构重参数技术并加入EMA注意力机制设计特征提取模块C2f-RA,增强网络的特征提取和特征表达能力,有效过滤复杂背景噪声的干扰。其次,在网络架构中采用ADown下采样,在减少特征图的尺寸的过程中防止上下文信息丢失过多。最后,针对检测头分类和定位两个分支缺乏交互,导致预测不一致的问题,提出任务动态对齐检测头ETDA-Head,促进分类和定位任务间的协同作用,以提高网络模型的精度。实验结果表明,改进后的算法在DIOR-R数据集和HRSC2016数据集上mAP@0.5上较基准模型分别提升1.4%和1.6%,参数量减少56.25%,相较于代表性的RoI Transformer算法检测精度提高了16.9%。这表明LR-YOLO算法有效地提升了检测精度,并显著降低模型的复杂度,验证了其有效性。

关键词： bridge precast components   section geometry parameters   size identification   computer vision   deep learning  

摘要： To overcome the limitations of low efficiency and reliance on manual processes in the measurement of geometric parameters for bridge prefabricated components,a method based on deep learning and computer vision is developed to identify the geometric *** study utilizes a common precast element for highway bridges as the research ***,edge feature points of the bridge component section are extracted from images of the precast component cross-sections by combining the Canny operator with mathematical ***,a deep learning model is developed to identify the geometric parameters of the precast components using the extracted edge coordinates from the images as input and the predefined control parameters of the bridge section as output.A dataset is generated by varying the control parameters and noise levels for model ***,field measurements are conducted to validate the accuracy of the developed *** results indicate that the developed method effectively identifies the geometric parameters of bridge precast components,with an error rate maintained within 5%.

关键词： 林草火灾   火灾测距   双目视觉   目标检测   立体匹配  

摘要： 林草火灾已成为严重的公共安全问题,经常导致重大人员伤亡和财产损失。本文提出了一种目标检测与立体匹配相结合的火灾目标测距方法,实现对火灾目标的识别和定位。采用3层SGBM算法与YOLOv5目标检测相结合,进行WLS滤波;通过改进3层SGBM算法,对目标深度信息进行不同尺度的优化,提高了大尺度深度图像的准确性和稳定性,提出了一种基于正三角形的火灾目标检测框中心点距离计算方法,剔除无效点,提高测距精度。试验结果表明,测试距离中检测目标占比在4%以内时,改进的SGBM算法能够达到较高的精度,相对定位误差在2%以内。本文方法具有较高的精度和可靠性,可以应用于林草火灾监测预警和灭火救援等领域。

关键词： Transformer   光学遥感图像   目标检测   特征融合  

摘要： 针对光学遥感图像目标分布密集、尺度多变、小目标特征信息不足致检测精度不高的问题,提出了一种面向光学遥感图像目标检测的LQ-Mixer-YOLOv8检测模型。能有效整合卷积神经网络CNN和Transformer在提取图像局部(高频)和全局(低频)特征信息的优势。为了进一步提升模型的性能,实验设计了DMulti-DWconv卷积模块和自适应细节融合模块ADI,引入坐标注意力机制CA、挤压增强轴向注意力机制SeaAttention和频率斜坡结构等来提升网络特征性能,将WIoU损失函数与NWD小目标检测算法联合使用,进一步提高对光学遥感图像中小目标的检测精度。实验结果表明,LQ-Mixer-YOLOv8模型在NWPU VHR-10和DIOR数据集的测试集上分别取得了96.3%和96.6%的平均精度。在NWPU VHR-10数据集上,将其与Faster R-CNN、YOLOv3、YOLOv7S、YOLOv8S、Swin-Transformer和RT-DETR等主流模型对比,平均精度(mAP@0.5)分别提高10.3、6.0、1.6、2.1、7.8和6.5个百分点;在DIOR数据集上,将其与对应的主流模型对比,平均精度(mAP@0.5)分别提高了10.5、7.3、2.3、2.7、7.5和6.7个百分点。该方法具有检测精度高、计算复杂度低等特点,能更好地完成光学遥感图像目标检测任务。

关键词： 输变电设备   目标检测   YOLOv8   注意力机制   SIoU   Grad-CAM  

摘要： 在变电站的实际工作环境当中,输变电设备的红外图像会由于不同的拍摄场景和光照强度等问题影响最终的数据质量,对红外图像中输变电设备的定位及识别造成很大的影响。为了解决这个问题,提出一种基于CA-YOLOv8的目标检测算法,它通过在YOLOv8的网络结构中添加经过改进的CA模块以提高骨干网路的特征提取能力;同时,模型采用SIoU作为回归损失,既解决CIoU的梯度消失问题,又减小自由度的总数,提高模型的收敛速度。在实测数据集上采用Grad-CAM++对模型进行视觉可解释性展示和实验验证,本文算法比目前主流的YOLO系列算法具有更高的准确率,并通过损失训练过程和实际预测结果验证了本文算法能够快速准确地实现输变电设备的识别和定位。

关键词： 激光物理   激光器件   光电测量   最新研究成果   量子光学   图像处理   光电子   科研论文  

摘要： 一、征稿范围国内外激光与光电子科技领域的最新研究成果、技术应用、科研论文等。主要栏目包括:综合评述、激光器件与激光物理、光电测量与检测、图像处理、量子光学、光通信与网络、光电技术与应用以及其他光学方向的创新技术。

关键词： 桥梁位移检测   计算机视觉   特征光流法   复杂测量条件  

摘要： 为了解决传统接触式位移传感器在实际桥梁位移检测中存在的安装复杂、测量范围受限等问题,将SURF(Speeded Up Robust Features)特征点检测与KLT(Kanade-Lucas-Tomasi)特征追踪算法相结合,提出了一种基于计算机视觉的特征光流桥梁位移测量方法。利用消费级相机对实验室斜拉桥模型进行测试,并与传统激光测量方法进行了对比,验证了本文所提方法的有效性。同时,从有无靶标、相机距离、光线强弱3个方面探讨了该算法的鲁棒性,最后将本文所提方法与主流视觉方法进行了对比分析。结果表明,特征光流法能够精确测量桥梁的振动位移,最大误差仅为0.73 mm,为桥梁在复杂环境下的非接触式实时位移监测提供了新的思路。

关键词： 无人机   航标识别   YOLOv7   目标检测   准确性  

摘要： 随着航道管理对效率和准确性的要求不断提高,传统的人工巡检方法已难以满足现代化航道管理的需求。为了提升航标巡检的效率与精准度,文中提出了一种基于无人机的白天航标巡检方法。该方法结合无人机的航拍能力与先进的YOLOv7目标检测算法,通过无人机自动飞行、图像采集、目标检测与数据反馈,实现在白天环境下对航标的高效、精准检查。通过该方法,能够有效减少人工巡检的时间和成本,同时大幅提高航标检测的准确性,避免了传统人工巡检中的误差和遗漏。改进后的模型平均检测精度(mAP)由0.95提升至0.99,置信度由0.85提升至0.98。

关键词： 视觉SLAM   动态场景   深度学习   目标检测  

摘要： 同时定位与地图构建(SLAM)技术是无人机或机器人在未知复杂环境中进行自主探索的关键研究方向。借助该技术,机器人能够通过其传感器获取的数据,实时计算自身的位姿,同时构建外部环境的高精度地图。基于这些信息,机器人不仅能够制定路径规划,还可以动态修正位姿误差,从而显著提升在未知环境中导航的准确性和稳定性。在使用视觉传感器的SLAM系统中,位姿解算通常依赖于几何算法和特征匹配技术。这些方法通常假设外部环境由静止的物体构成,即基于场景静态化的前提。然而,在实际应用中,动态物体如行人和车辆经常出现,这对系统的性能和鲁棒性提出了严峻的挑战。因此,引入深度学习技术与视觉SLAM算法相结合,在现有的ORB-SLAM2算法框架上新增一个动态目标检测线程,用于识别动态物体,并在里程计的计算中剔除动态点,以减少动态目标对系统定位精度的影响。实验结果表明,该方法能够显著降低绝对轨迹误差,提升SLAM算法在动态场景下的适用性和稳定性。