关键词： YOLOv8   车辆漆面缺陷   目标检测   双向特征金字塔网络   损失函数  

摘要： 针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题，提出了一种基于改进YOLOv8的车辆漆面检测方法。具体地，为了提升划痕状缺陷检测能力并降低模型规模，将可变注意力机制(Vision Transformer with Deformable Attention，DAT)引入主干网络来增强长距离特征依赖关系；同时，使用幻影卷积(GhostConv)替换网络中的卷积模块(Conv)。然后，为了提升特征提取能力，并进一步降低模型规模，结合FasterBlock模块与高效多尺度注意力机制EMA(Efficient multi-scale attention，EMA)提出了C2f-E(C2f Module Based on EMA Attention Mechanism)模块。再者，为了提高小目标检测性能，基于双向特征金字塔网络(Bidirectional Feature Pyramid Network，BiFPN)进行设计，并增加了小目标检测头与多尺度特征融合支路，提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后，为解决难易样本的平衡问题，提高针对小目标缺陷的检测性能，使用WIoUv3(Wise-IoU version 3)作为训练网络的损失函数。改进网络被称为EDW-YOLOv8。在自建的包含1684张图片的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明，相较于YOLOv8n，改进网络的平均精度(mAP50)提高了5.5个百分点、模型规模减小了1.4M。

关键词： 计算机视觉   YOLOv5s   多尺度跨层特征融合   PCB缺陷   小目标检测  

摘要： 如今，各种工业电子产品已经融入了人们生产和生活的方方面面，而PCB的质量对工业电子产品的性能具有决定性的作用，因此对PCB出厂质量的严格把控具有重要意义。PCB易出现的6类缺陷是评价PCB质量的主要参考依据，针对现有的目标检测算法模型对PCB缺陷的检测精度低、体积庞大等问题，提出了改进的YOLOv5s-CMS模型的解决方案。根据PCB缺陷的特点，YOLOv5s-CMS模型采用聚焦小目标信息的特征提取网络(CCG， C2f-C3-Ghost)替换原有的特征提取网络，使模型在特征提取阶段更加关注小目标的空间和梯度流信息；在特征融合阶段，提出了一种多尺度跨层小目标特征融合网络(MCSTF-Net， Multi-scale Cross-layer Small Target Feature Fusion Network)来替换路径聚合网络(PANet， Path Aggregation Network)，在提高模型对PCB缺陷检测精度的同时大幅降低模型的参数量；为进一步提升模型对小目标特征的理解程度，将CCG网络和MCSTF-Net分别与SE(Squeeze-and-Excitation)注意力机制相结合，在抑制无关通道的同时突出目标特征信息丰富的通道。消融实验结果表明，YOLOv5s-CMS模型对PCB缺陷检测的精确率P、召回率R、mAP0.5和mAP0.5:0.95分别达到了98.1%、97.8%、98.4%和61.2%，相比于YOLOv5s原模型而言分别提高了2.2%、1.3%、0.8%和5.0%，模型参数量同比减少了约46.1%。

关键词： 实时图像目标检测   轻量级网络   多尺度特征提取   注意力机制   特征融合  

摘要： 近年来，轻量化目标检测领域取得了显著进展。然而，现有主流方法缺乏多尺度语义信息的提取，且忽略了深层语义特征与浅层细节特征之间的关系。针对上述缺陷，提出了金字塔池化多尺度增强网络（Pyramid Pooling Enhanced multi-scale Network，PPMENet），通过设计一个高效金字塔池化模块（Efficient Pyramid Pooling Block，EPPB）来提取多尺度深层语义信息，以加强模型的特征表达能力。另一方面，设计了跨语义交互注意力模块（Cross Semantic level Interaction Attention Module，CSIAM）以增强不同语义特征之间的联系。MS COCO 2017测试集的实验结果表明，PPMENet取得了28.0%AP，仅有2.16M模型大小和0.97GFLOPs，并获得了218 FPS的推理速度，与其他方法相比，PPMENet取得具有竞争力性能的同时，维持着较低的参数量和计算量，在精度和执行效率间取得了较好的平衡。

关键词： 电力安全工器具   YOLOv5   目标检测   实时检测   电力安全  

摘要： 在变电站内进行施工和日常的安全巡检过程中，工作人员的安全问题非常重要。现场使用的安全工器具是否准备齐全，直接关系到人员的生命安全。本文使用计算机视觉进行识别的方案，提出一种基于YOLOv5的改进安全工器具的神经网络识别方法，用于电力现场的安全工器具检测，首先在原版YOLOv5中加入坐标注意力模块，提升对小目标特征提取的能力;其次用加权双向特征金字塔网络结构替换原有特征金字塔网络结构，进一步提升特征提取的能力。实验结果表明:改进的算法改善了原版网络对小目标容易漏检、误检的问题，且保持了对中大型目标的较高识别精度，具有较强的实用性，也能满足实时检测的要求，对现场实际施工和运维起到了安全保障作用。经实验对比，该方法对于安全工器具的实时检测有着良好的实际效果。

关键词： 深度修复   多任务学习   图像处理   深度图像   图像识别  

摘要： 深度图像修复旨在从稀疏深度图像中恢复出稠密的深度图像，然而目前许多深度修复算法所修复出的深度图像往往存在细节结构缺失、深度不连续和边界模糊等问题。针对这些问题，文章提出了一个基于边界预测辅助的稀疏深度修复方法：以深度图像修复为主任务、边界预测为辅助任务，通过建立交叉引导模块实现主任务与辅助任务间的信息交互，通过辅助任务的学习为修复主任务提供有效的边界约束，同时由网络的中间特征提取模块进行多感受野特征的提取和学习，以更好地获取上下文信息。利用室内数据集NYUv2和户外数据集KITTI进行一系列实验，其结果表明，所方法是有效的，并在定性与定量比较方面优于一些主流的深度修复方法。

关键词： 目标检测   道路标线   注意力机制   特征融合   transformer  

摘要： 针对自动驾驶研究中道路标线在外部环境干扰下可能存在检测精度不足以及实时性较差的问题，提出了一种多尺度特征的改进DETR(detection transformer)的目标检测方法。首先将原有的主干网络Resnet替换为MobileNetV3网络来提高检测的实时性，接着通过将注意力特征融合模块(attentional feature fusion， AFF)引入到编码器结构中，将主干网络提取的最后三层特征图与每层编码器的输出进行特征融合，并改进了原有DETR网络的连接结构，增强了编码器的多尺度特征处理能力，提升了道路标线的检测精度，最后在CeyMo道路标线数据集上进行实验和评估。结果表明在道路标线的检测过程中，改进的DETR模型检测精度相比较原有模型提升了3.8%，每秒帧数提升了23帧，尤其是对小目标标线的检测效果良好。

关键词： POMDP   Tube-based-MPC   航路规划   强化学习   目标跟踪  

摘要： 无人机在未知环境中自主飞行时，定位与感知层面存在着难以消除的不确定性因素。因此，开展航路规划方面的研究对不确定性因素的干扰下增强航路的有效性进而提升无人机的目标跟踪能力具有重要意义。当前，名义信念状态优化（NBO）为目标跟踪的不确定性提了供理论依据，基于管道的MPC（Tube-based-MPC）为规划和控制分离架构提供了支持，实现了将MPC应用到实时航路规划系统的目的。基于此，本文提出一种在线航路规划方法以解决未知环境下的目标跟踪，避障问题。首先，将航路规划问题抽象成一个部分可观测马尔科夫（POMDP）模型，并运用卡尔曼滤波对置信状态进行估计，将目标定位的不确定性度量融入到框架中。其次，基于简化的三维运动模型构造了基于管道的MPC（Tube-based-MPC）优化框架对POMDP进行求解，通过构建包含置信状态和未知障碍物的非线性优化问题，实现未来一定连续时间跨度的航路规划。然后，在优化问题中充分考虑无人机和障碍物形状，并引入全维度避障距离度量，显著拓展优化问题的可行域。最后，引入Q-Learning强化学习框架，以MPC作为策略函数逼近器，提升目标跟踪的闭环性能。仿真实验和硬件在环实验验证了所提框架的有效性。

关键词： 遥感图像   复杂背景   YOLOv5s   多尺度目标检测   解耦头  

摘要： 针对复杂背景遥感图像中小目标密集、目标尺度变化大等因素给目标检测带来的特征提取困难、精度不佳的问题，本文在YOLOv5s基础上提出一种多尺度信息增强的目标检测算法(DL-YOLO)。首先，改进算法在主干网络顶部采用基于快速空间金字塔池化设计的空洞卷积快速空间金字塔池化，通过其中的感受野增强模块(RFEB)融合多尺度目标的细节信息与语义信息，提高了网络的特征提取能力。其次，改进算法的检测头部分采用以YOLOv6s解耦头(DH)为基础设计的轻量高效解耦头(LEDH)来替换原有的检测头，该解耦头中设计了轻量化空洞卷积模块(GDConv)来增强分类与回归任务关联信息的学习，以及引用轻量化卷积(GhostConv)实现轻量化，在提高各尺度目标检测精度的同时，也降低了解耦头参数量。DIOR数据集上的实验结果表明，与YOLOv5s相比，本文提出的DL-YOLO算法在P、R、mAP0.5、mAP上分别提高了1.6%、2.1%、2.1%和4.7%。本文所提算法的综合指标超过了众多现有优秀的目标检测算法，对遥感图像中多尺度目标检测具有实际应用意义。

关键词： 小样本目标检测   丰富语义信息   特征信息匹配   空间上下文   像素关系映射  

摘要： 小样本目标检测中支持样本稀缺，可利用的类别信息不足，有效利用有限样本特征信息尤为重要。通过丰富支持样本和查询样本中可用的语义信息，实现查询特征和支持特征更全面的信息匹配，有助于小样本场景下模型理解目标类别对目标的理解，进而有效地实现目标检测任务。对此，提出一种基于空间上下文和像素关系的模型。利用空间上下文学习模块辅助像素构建局部上下文区域，为中心像素获取区域内像素语义，丰富图像特征信息。此外，针对空间上下文容易引入噪声信息的问题，设计了像素上下文关系模块利用图像中的原始特征知识探索像素之间的关系，构建类内和类间关系映射图，以纠正空间上下文学习模块容易引入噪声信息的缺陷。通过大量实验结果表明，在PASCAL VOC数据集进行三种方式划分时，与VFA(Variational Feature Aggregation)相比，在样本极其稀缺的1-shot设置下平均精度（AP）分别提升了2.7、2.0和1.3个百分点，在所有设置15个评价指标下平均提升了0.8个百分点。在MS COCO数据集10-shot和30-shot下，与VFA方法相比平均精度分别提升了0.4和0.6个百分点，与Meta FRCNN(Meta Faster R-CNN)相比，50%的交并比平均精度分别提升了11.4和8.7个百分点。所提方法通过更有效地利用有限特征信息提升模型对新类样本的识别能力，对只能获取极为少量样本的特殊场景下的目标检测模型泛化能力提升具有参考价值。

关键词： 跨域小样本目标检测   域适应   多尺度特征融合   上下文引导   解耦目标检测  

摘要： 为解决跨域小样本目标检测(CD-FSOD)场景下目标域数据稀缺，源域和目标域之间数据不平衡导致模型容易对有限的目标域数据过度拟合的问题，提出了一种域适应增强和多尺度特征融合的跨域小样本目标检测方法(DAMFF-Net)。提出采用域适应图像级数据增强方法，利用不同域图像之间的前景背景混合增强，同时利用跨域分布距离度量函数选择与目标域样本分布相近的增广数据，提高了增强数据的多样性和合理性；引入双分支的多尺度特征对齐融合模块，有效避免了传输过程中的信息丢失；提出基于上下文引导的解耦检测头，将物体分类和定位在原始基础上进行解耦，并结合了局部特征、周围上下文提取以及全局特征细化等操作，增强特征的上下文感知能力，提升模型在跨域小样本目标检测任务中的精确性和鲁棒性。在Sim10K→Cityspaces和KITTI→Cityspaces数据集上与最优的跨域小样本目标检测算法(AsyFOD)相比，平均精度(AP50)分别提高了6.2%和9.9%。实验结果表明，本文的算法具有更好的优越性。