关键词： 碳滑板   改进式   图像处理   集电靴   区域定位   厚度测量  

摘要： 为实时监测集电靴碳滑板磨损情况,保证地铁正常稳定运行,提出一种改进式地铁集电靴碳滑板厚度非接触式测量方法。测量方法主要包括碳滑板区域定位与厚度测量两部分。碳滑板区域定位主要通过边缘检测、二值化、长直线检测以及形态学操作等图像处理技术实现。厚度测量先定位碳滑板上边缘长直线与底座下边缘长直线,再计算上下长边缘所有像素同一纵坐标的高度差值,然后按照投票机制找出投票最多的高度差并根据像素尺寸换算出实际高度差,最后减去底座下边缘到碳滑板下边缘的固定值即可实时计算得到碳滑板当前真实厚度值。经上海地铁17号线实际应用验证,该方法测量结果与人工测量结果误差小于等于0.02 mm,单图平均检测时间149.5 ms。

关键词： 可见光谱   伪装目标检测   双通道解耦   信息协同   跨模态交互  

摘要： 面向可见光谱图像的伪装目标检测任务旨在利用可见光谱信息检测和周围环境具有视觉一致性的伪装目标。这种视觉一致性导致的目标边界区分难和辨识性特征学习难等问题,限制了现有目标检测方法在伪装目标检测任务中的有效性。为此,本文提出一种跨模态动态协同双通道网络(CDCDN),探索了全局-局部多层次视觉感知和视觉-语言模型(VLM)在伪装目标检测中的应用潜力。具体而言,首先,针对目标边界区分难,设计了动态协同双通道模块,通过双通道将检测过程解耦为全局信息定位和局部特征细化,从多层次的视觉角度进行针对性的检测和优化。在此基础上构建了动态信息协同及融合机制,通过全局门控约束与局部感知校正实现了全局与局部信息的相互补充和校正,从而增强了目标检测模型在目标边界模糊场景中的空间捕获能力。其次,针对辨识性特征学习难,设计了跨模态场景对象匹配模块,通过引入VLM来建立视觉和语言模态的跨模态交互,增强了目标与背景在特征空间中的差异性,从而提升了目标检测模型在缺乏辨识性特征场景中的语义区分能力。在MHCD2022和COD10K两个数据集上分别评估了mAP@0.5、mAP@0.5∶0.95和mAP@0.75指标。CDCDN在MHCD2022数据集上分别达到67.6%、42.6%和48.4%,在COD10K数据集上分别达到67.9%、40.6%和41.0%。与五种主流的目标检测方法Faster R-CNN、DETR、Lite-DETR、YOLOv5、YOLOv10相比,CDCDN在三个指标上均取得了最优的检测精度。荒地、草地、树林和雪地四种常见伪装场景的可视化检测结果进一步验证了CDCDN具有良好的场景适应性。在消融实验中,逐步消融CDCDN中的关键组件,以系统地评估其贡献,结果显示各个关键组件都有助于模型检测性能的提升。综合实验结果表明,CDCDN可准确检测和周围环境具有高度视觉一致性的伪装目标,为伪装目标检测提供了一种新的解决方案。

关键词： 目标检测   高速公路   YOLOv5   注意力机制   特征融合   Ghost模块  

摘要： 针对高速公路施工场景中背景干扰复杂、车辆种类多样以及目标特征稀缺等问题,提出了一种改进的YOLOv5高速公路施工车辆检测算法。首先,引入空间感知通道注意力机制(spatial-aware channel attention,SCA),通过动态调整通道权重,增强与施工车辆相关的特征表达能力,同时抑制背景干扰;其次,采用改进的加权跨层特征融合网络结构(weighted cross-layer feature fusion network,WCL-FFN)替代原有的路径聚合网络(path aggregation network,PAN),优化了特征融合过程,减少了计算冗余,并显著提高了多尺度目标检测性能;此外,结合幻影操作降低网络计算量与参数量,提高检测效率;最后,使用高效交并比损失函数(efficient intersecion over union,EIoU)替代传统交并比损失函数(intersecion over union,IoU),改善了边界框回归精度,进一步提升了检测精度和网络收敛速度。为验证算法的有效性,在施工车辆数据集上进行了实验,结果表明:本文提出的改进YOLOv5模型的均值平均精度(mean average precision,mAP)达到90.5%,与YOLOv5s相比,mAP提高了8.9%;与YOLOx相比,提高了6.2%;与YOLOv8相比,提高了3.5%。该方法在复杂场景中表现出更强的鲁棒性,提供了高速公路施工车辆检测的高效解决方案。

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。