关键词： 目标检测   算法改进   输电线路   深度学习  

摘要： YOLOv8n泛化性能和对部分小目标检测效果欠佳，且训练时参数量较大，为了更好地检测出输电线路上的鸟巢和绝缘子，采用一种动态标签分配策略DynATSS，在每次迭代中引入预测，更好地定义了正负样本，能选择更多的经预测为高质量的样本作为正样本，预测相较于预定义Anchor也更加准确；将原始检测头替换为新检测头ODH，提高了模型的检测精度，同时参数量也得到了相应的减少，原始耦合头引入的分类与回归任务之间的冲突也得到了有效解决；将模型的原始损失函数C-IoU替换为W-IoU，在锚框与目标重合度较高时削弱了几何因素的惩罚，同时较少的干预训练使得模型的泛化能力也得到了提高。采用5432幅图像进行了训练，结果表明，改进后的YOLOv8nDOW算法，mAP50较原始的YOLOv8n模型提升了1.7%，mAP50-95提升了1.5%，符合巡检输电线路的准确性、实时性要求。

关键词： 计算机视觉技术   机电设备维护   图像处理   故障诊断   效率提升  

摘要： 随着工业自动化持续提速,机电设备运行的稳定高效,对于各行业发展意义重大。以往机电设备维护模式存在诸多不足,无法契合现代生产要求。作为前沿科技的计算机视觉技术,以自动化、高效、高精度等特性,为机电设备维护领域带来革新机遇。本文深度探究计算机视觉技术在机电设备维护中的运用,对其原理、应用场景、实施方法予以详尽阐释,针对面临的难题进行深入剖析并给出可行解决办法,期望能为提升机电设备维护效率开拓新思路,助力行业迈向智能化发展。经对众多实际案例与研究成果剖析,证实计算机视觉技术于该领域成效良好,具备广阔应用前景。

关键词： 目标跟踪   接收信号强度   无线传感网络   事件触发   无迹卡尔曼融合滤波  

摘要： 针对资源受限移动无线传感网络下的目标跟踪问题,考虑到运动建模和接收信号强度(Received-SignalStrength, RSS)量化的不确定性,提出了一种基于RSS环境自适应事件驱动的鲁棒无迹卡尔曼融合滤波方法.首先,设计了环境自适应事件驱动机制,使移动目标能适应周围锚点分布动态调度接近期望数量的锚点,同时动态触发锚点数据传输,以降低无线传感网络节点的计算、电能和通信负担.其次,引入随机均匀分布的噪声协方差来刻画运动建模和RSS量化的不确定性,并结合多重Sigma点均匀随机采样加权平均,构建了鲁棒平方根无迹卡尔曼融合滤波算法,以减少不确定性对目标跟踪性能的不利影响.最后,数值仿真结果表明:所提方法在保证触发接近期望数量锚点的同时,有效提升了目标跟踪的稳定性、鲁棒性和精确性.

关键词： 目标检测   模型剪枝   YOLO   Loss   轻量级网络  

摘要： 红外弱小目标检测是实现自动化红外智能安防、监控、制导的前提条件；红外弱小目标检测存在误检漏检率高、信息丢失严重等问题。为了实现实时高精度红外弱小目标检测，提出了一种基于YOLO的轻量级红外弱小目标检测算法。首先，针对红外弱小目标特征信息，提出了双检测头轻量级网络结构E-YOLO，解决目标信息在特征提取过程中消失问题；然后，提出了基于特征空间的滤波器剪枝算法，通过计算滤波器之间的相似度，裁剪冗余滤波器，提高推理速度；最后提出了cosPIoU-Varifocal损失函数，使用目标尺寸自适应惩罚因子，结合角度平衡，在平衡样本和重叠区域损失的同时，完成正样本加权处理，解决冗余锚框干扰问题。最终，在SIRST和IDSAT数据集下进行验证，mAP为96.6%、98.2%，算法计算量和网络模型可分别压缩至0.9GFLOPs、190 KB，推理时间为3 ms以下。与现有算法相比，所提出的算法在平均检测精度、参数量和模型体积等方面均获得了改善，满足实时性检测需求。

关键词： 目标跟踪   仿射变换   协同控制   分布式控制   无人艇  

摘要： [目的]针对不规则水域环境下无人艇集群系统的队形描述能力和机动性要求，基于仿射变换提出一种分布式协同机动目标跟踪控制方法。[方法]首先，针对无人艇欠驱动系统无相对度的问题，提出基于输出重定义的动态转换方法，简化控制方法设计。然后，设计分布式目标速度观测器估计目标未知速度。基于目标速度观测值，结合仿射变换理论和自适应反步控制技术设计分布式目标跟踪控制方法，实现对动态目标的机动跟踪。结合最小参数学习法与径向基神经网络技术设计自适应律，解决无人艇模型不确定性和外界复杂干扰问题。[结果]仿真实验结果表明，所提控制方法能够在不规则水域环境中实现对动态目标的稳定跟踪。当目标穿越狭窄地形时，无人艇集群系统可灵活调整队形避开障碍物，展现出强大的控制性能和灵活性。[结论]所提控制方法通过仿射变换提高了无人艇集群系统的灵活性，实现了对动态目标的仿射机动跟踪，提高了其在不规则水域执行跟踪任务时的安全性，对无人艇目标跟踪控制技术的发展具有重要意义。

关键词： 目标检测   YOLOv8   轻量化   HGNetV2   共享卷积  

摘要： 在医药与化工行业生产中，工人往往通过反应罐中的梯子来标识液位高度。反应罐中环境复杂多变，传统的图像处理算法对于梯子的检测与定位存在准确率不高的缺陷。基于深度学习的YOLOv8算法检测精度较高，但庞大的计算量限制了其在工业现场的应用。为此，设计一种基于YOLOv8的轻量级梯子自动检测与定位算法HFDLYOLO。具体来说，首先使用HGNetv2替换YOLOv8n的主干网络，用于减少参数量和计算量，在主干网络中嵌入无参注意力机制SimAM，用于提高检测精度。在此基础上，结合部分卷积思想，设计C2f-FCP模块代替Neck部分的C2f模块，实现多尺度特征融合；其次，选用一种轻量级且高效的上采样器Dysample来改进Neck部分特征融合网络的上采样算子，以进一步提高算法性能；最后，引入一种轻量级共享卷积检测头LSCD-head，用于减少模型尺寸，提高检测效率。实验结果表明，HFDL-YOLO算法的平均检测精度相较传统YOLOv8n提高了1.1%，而模型大小、GFLOPs、参数量分别降低了54.0%、51.9%、57.0%。在亮度不均、角度各异的情况下，HFDL-YOLO算法以更低的运算成本更精准地实现了反应罐中梯子的自动检测与定位。

关键词： 无人水产养殖   YOLOv8   目标检测   河蟹计数   DeepSORT  

摘要： 为实现淡水池塘中无人水产养殖船的精准投饵，提出了YOLO-Crab+改进的DeepSORT的河蟹计数方法。首先，针对水下河蟹图像模糊、对比度低等问题，提出了一种基于CLAHE预处理下的YOLOv8的河蟹检测模型YOLO-Crab。YOLO-Crab在主干中增加坐标注意力机制，提高检测精度，同时，通过SimSPPF池化和GSConv+Slim Neck设计减轻模型量级。改进的DeepSORT算法用DIOU匹配替代IOU匹配来解决水草遮挡导致的河蟹ID跳变问题。实验表明，YOLO-Crab模型检测精度和F1分别达到了97.3%和94%，计数方法平均精度为81%。同时，将模型移植到Jeston AGX Orin上，检测精度达到95%，检测速度为60 f/s，提升了50%，计数精度为78%，能够为无人水产养殖船精准投饵提供可靠依据。

关键词： 军事飞机目标检测   YOLOv8   深度特征提取   动态上采样   统一参数化  

摘要： 针对空天背景下军事飞机目标检测中存在的低对比度、小尺寸及形态多变导致的漏检率高、特征交互不足等问题，提出基于YOLOv8改进的SDU-YOLOv8网络。通过构建SSGBlock深度特征提取模块、动态可学习的Dy-RepGFPN特征融合网络以及参数共享的UCDN-Head检测头，实现特征提取、融合与检测头的协同优化。在自建军事飞机数据集上的实验结果表明，SDU-YOLOv8网络较基准YOLOv8的mAP@0.5提升2.5%，达到95.7%，参数量减少6.7%，计算量降低9.9%，在小尺寸、低对比度及形变目标的检测鲁棒性显著增强；新方法在保持轻量化的同时实现了检测精度与效率的均衡优化，为空天侦察场景下的军事飞机检测提供了高效解决方案。

关键词： 深度神经网络   图像识别   卷积神经网络   目标检测   图像分割  

摘要： 通过多层次的非线性变换,深度神经网络(DeepNeuralNetworks,DNNs)实现了对图像数据的高效特征提取与深度学习。文章旨在探讨DNNs的基本原理、最新进展及其在图像识别与分析中的应用。同时,分析了卷积神经网络(CNN)、循环神经网络(RNN)及其变体等架构在图像特征提取、分类、目标检测与图像分割等任务中的表现,重点讨论了这些技术在医疗影像诊断、自动驾驶、安防监控等领域的实际应用价值。

关键词： 目标检测   深度学习   YOLO   轻量化  

摘要： 针对移动端对复杂交通场景的车辆监测需求,提出一种既能保证车辆检测准确度,又对移动端的性能要求较低的目标检测模型。首先将YOLOv5s的主干网络替换成改进的MobileNetV3s,大幅度缩减模型体积,针对检测精度降低的问题,提出了将RepVGG模块改进为QARepVGG模块;然后采用基于QARepVGG与PConv和PWConv改进的网络模型提高检测精度;最后定义新的损失函数XIOU加速模型收敛,提高检测准确性。提出的YOLOv5s-MNV3s-fastEffQAR模型在UA-DETRAC-YOLO数据集中的表现与YOLOv5s模型相比,参数量和计算量分别减小了68.46%和57.67%,训练后的模型大小为原始模型的33.4%,精度仅下降0.3%。实验表明,提出的目标检测改进方法,实现了在压缩模型大小、降低参数量的同时,几乎不损失检测精度,非常适用于移动端。