关键词： 大鲵   目标检测   YOLO v11   深度学习   大鲵检测装置  

摘要： 为实现野外复杂环境下大鲵的快速准确识别，提出一种基于YOLO v11n改进的识别模型。采用在Backbone层引入高效注意力模块（Efficient multi-scale attention module，EMA），同时将CIoU（Complete intersection over union）损失函数替换为Wise-IoU（WIoU）损失函数，在Head层引入轻量级自适应提取卷积LAE（Lightweight adaptive extraction of convolutions）。通过消融实验和对比实验可知：改进模型在召回率、精确率、F1分数和帧率等方面，分别达到94.85%、95.39%、95.12%和77.20 f/s，模型内存占用量为11.56 MB，浮点运算量为8.65×109；与基础YOLO v11n相比较，召回率、精确率、F1分数和帧率，分别高5.70、6.13、5.92个百分点和27.1 f/s。本文所提出模型YOLO v11n-EWL在模型的稳定性、识别速度及精度等方面都有显著提高。改进后的模型可满足大鲵在野外的实时检测需求且可长期适应户外工作，并构建一套大鲵全天候图像智能识别及行为检测系统。本文可为野外复杂环境下的大鲵实时检测提供理论技术支撑。

关键词： 图像处理   实例分割   RGB-D   YOLOv8-seg   苹果树   修剪   位姿估计  

摘要： 针对果树智能化选择性修剪作业中缺乏执行末端位姿的预测方法，提出一种基于RGB-D图像的修剪点定位与执行末端位姿估计方法。首先，利用RealSense D435i深度相机获取苹果树的RGB图像和深度信息，并通过改进的YOLOv8-seg模型对RGB图像中的树干与一级枝根部预设区域进行分割。其次，利用OpenCV图像处理方法，计算出树干直径、侧枝直径和侧枝生长间距，基于人工剪枝规则，判断并定位修剪点像素坐标。最后，结合修剪点坐标与深度信息，基于点面映射原理推导出修剪点对应的修剪位姿。结果表明，改进的YOLOv8-seg模型在自建数据集掩膜预测的精确率和召回率分别达到了95.31%和93.79%，修剪决策判断的正确率为88.3%，执行末端位姿估计的成功率为89.9%，单个图像的平均推导时间为5.4 s，可以为苹果树修剪机器人的研发提供技术支持。

关键词： 雷达/红外   信息融合   目标跟踪   滤波   抗干扰  

摘要： 针对主动雷达/红外成像复合制导过程中导引头可能受到的干扰，提出了一种在滤波过程中进行量测重构的抗干扰融合跟踪方法。该方法在雷达和红外数据关联判别的基础上，基于并行滤波思想，将所有量测传递给滤波器，根据数据关联和新息检测的联合判别结果实现受扰传感器识别，并选择出受扰程度较小的量测组合用于滤波更新，实现自适应抗干扰输出。在拖曳式雷达诱饵干扰场景下的仿真结果表明，相比于最小方差加权融合跟踪，该方法有效抑制了受扰量测对目标状态估计的影响，提高了制导精度。

关键词： 伪装目标检测   弱监督   涂鸦注释   图推理网络   上下文信息  

摘要： 伪装目标检测（camouflaged object detection,COD）是计算机视觉领域一项具有挑战性的基础研究.由于像素级注释的成本较高，研究者们通常采用涂鸦注释作为弱监督信号.然而，涂鸦标注存在信息过于稀疏且缺乏边缘信息等固有局限，这严重制约了模型的预测可靠性.针对这些问题，本文提出一种新颖的交互图推理网络（interactive graphical reasoning network,IGRNet），该网络通过图表示来推断伪装区域及其边缘之间的内在关系.具体而言，引入了图推理网络建模像素间的长距离依赖关系，设计了高效的图交互单元（graph interaction unit,GIU）增强异构特征的表征能力.同时，为提升模型的场景理解能力并充分利用不同特征间的互补性，构建了上下文增强模块（context enhancement module,CEM）实现多特征融合与上下文信息挖掘.此外，提出了自监督伪装检测损失(self-supervised camouflage detection loss,Lscd)来引导网络学习结构信息，进一步增强前景-背景的区分能力.在3个标准基准数据集上的大量实验表明，本文方法不仅显著优于现有弱监督算法，在某些评估指标上甚至超越了全监督方法的性能.

关键词： 田间劳作   行为检测   Faster R-CNN   特征金字塔网络   内容感知特征重组  

摘要： 针对劳作行为检测时存在的检测精度不高和漏检等问题，利用Faster R-CNN和FPN提出一种改进的劳作行为检测模型。首先，在Faster R-CNN框架基础上，引入特征金字塔网络FPN，用于提高较小目标的检测能力。然后，为提高模型对不同尺度目标的泛化能力，加入多尺度MS训练；并利用内容感知特征重组CARAFE上采样算子替换FPN中的双线性插值上采样方式，实现大范围内像素的关联。最后，在自建的数据集FWBD上对改进的Faster R-CNN-FPN检测模型进行训练和测试。结果表明：1）与YOLOv3模型相比，改进的劳作行为识别算法mAP为69.40%；2）与原始模型Faster、Faster-CARAFER、Faster-MS相比，改进的算法模型mAP值最高，达到了71.05%，说明改进的算法模型能有效地实现田间劳作行为的检测，对农业的生产实践具有实际应用价值。

关键词： 深度学习   计算机视觉   目标检测  

摘要： 为提升海洋环境中的船舶检测精度与实时性，通过在YOLOv5s中引入4倍下采样层，增强了对小目标的检测能力。实验使用包含1160张图像的数据集，在配备高端GPU的计算机上，利用Python和PyTorch框架实现模型训练与验证。结果表明，改进后的YOLOv5s模型平均准确度（mAP）达到97.2%，精确率和召回率分别达到97.5%和97.7%，较原始YOLOv5有显著提升，同时降低了漏报率和误报率。研究表明，该改进方法有效提高了船舶检测的准确性和效率，适用于海上交通管理、船舶监控及搜救任务，为实际应用提供了可靠的技术支持，并为小目标检测领域提供了重要参考。

关键词： 三维目标检测   跨模态融合   Mamba   鸟瞰视图   自动驾驶  

摘要： 针对现有基于鸟瞰视图（BEV）的跨模态融合方法，在初期融合阶段忽视了对BEV特征局部信息的有效保护，导致浅层跨模态交互不足，进而制约后续深层融合效果和三维目标检测精度的问题，提出基于Mamba模型的分级跨模态融合三维目标检测方法。将Mamba的状态空间建模机制与分级融合机制深度结合，使跨模态特征映射至隐藏状态空间以进行交互，丰富局部信息，降低跨模态特征之间的差异性，增强融合特征表达的一致性。在浅层融合阶段，设计特征通道交互机制，通过交换不同传感器模态的特征通道提升局部细节保留能力，并改进了Mamba视觉状态空间模块以强化浅层特征间的交互；在深层融合阶段，引入注意力机制与门控机制构建隐藏特征转换，用于识别并融合模态间互补的长距离依赖特征；最后，通过通道自适应模块计算归一化原始特征上的通道关注，自适应学习模态内通道关系以增强单个模态的BEV特征表示,弥补Mamba模型在建模通道间关系方面的不足。实验结果表明，所提方法在nuScenes和Waymo数据集上取得了优于TransFusion、LoGoNet等方法的检测性能，在nuScenes测试集的平均精度均值（mAP）达到72.4%,nuScenes检测得分（NDS）为73.9%，相较于基线BEVFusion＿mit分别提高了2.2和1.0个百分点。

关键词： 疟原虫检测   目标检测模型   深度学习   血涂片  

摘要： 目的 了解目标检测模型自动检测血涂片中疟原虫的效果，辅助疟疾实验室诊断。方法 收集2008—2022年武汉市境外输入性疟疾现症病例的血涂片，采用自动图像采集系统获取镜下图像，由专业镜检人员进行标注，创建疟原虫薄血膜图像数据集。通过训练检测模型进行疟原虫和白细胞（WBC）的检测，推理出阴阳性、感染率、感染虫种，并展示于应用界面中。采用真阳性、真阴性、假阳性、假阴性的样本数量，计算准确率、精确率、召回率、F1分数来评估模型的性能。参照疟疾镜检人员的技术考核方式，模拟镜检过程，取10张血涂片对模型综合结果进行评分。结果 薄血膜图像数据集共包含3 704张图像，由专家使用边界框进行注释，注释包含7 835个虫体和786个WBC标注。经YOLOv8模型混淆矩阵分析，模型整体正确率为85.5%、精确率为98.5%、召回率为93.3%、F1分数为95.8%、平均精度@50分数为96.2%。Pv和Pm的检测精确率较高，分别为96.9%和93.8%。Pf和WBC的检测精确率较低，分别为87.2%和87.8%。除Pf的F1分数为89.7%外，其他类别检测的F1分数均高于90.0%。4种疟原虫和WBC检测整体召回率为93.3%，召回率由高到低为Pm (94.9%)、WBC(94.2%)、Pv (94.1%)、Po (93.6%)、Pf (92.4%)。共有64个目标被误检，误检率为6.7%。模型与专家检测结果正确率均为100%，机器得分90，无阴阳性误判现象，但鉴别虫种存在误检。结论 目标检测模型能较好的识别定位疟原虫、白细胞及红细胞，评分结果趋近于镜检专家，具备较高的检测能力，可应用于临床疟原虫镜检的辅助诊断。

关键词： 红外遥感   超分辨率   CIoU   小目标检测   YOLOv8  

摘要： 针对远距离、弱能量、低分辨率的红外图像目标检测中存在的识别率低、虚警率高等问题，结合超分辨率和深度学习，设计了一种基于YOLOv8n的深度学习网络SR-YOLOv8。本文在主干网络搭建了SRNet网络，对输入图片进行超分辨率预处理来增加小目标的像素数量，在颈部部分设计了GCAM（Global Context Aware Module， GCAM）模块以增强目标与背景的区分度，抑制复杂背景的影响，改进了CIoU损失函数，提出β-CIoU作为新边界框损失函数，该函数能够依据检测目标的大小灵活地调整损失值，提高模型检测性能。在红外遥感数据集SIRST上的mAP0.5和mAP0.5:0.95分别达到0.844和0.351，较原始模型YOLOv8n分别提升了4.7%和11.4%，有效解决了漏检和误检问题。

关键词： 边缘驱动   低照度图像   YOLOv8n网络   特征融合  

摘要： 针对低照度环境下，目标特征不明显、细节丢失严重、场景适应性差等问题导致目标检测精度低的问题，提出了一种基于边缘驱动的目标检测方法ED＿YOLO。首先，设计了HESM模块，通过Sobel算子提取边缘信息，引导多元特征交互，提升有效信息的敏感度。其次，提出了C2f＿DRM模块，高效整合局部细节与全局上下文信息。然后，构建了LFAM模块，在共享卷积的基础上，优化不同尺度特征的自适应调控方法，有效减少细节信息丢失。最后，引入RepGFPN模块，利用重参数化技术，提高模型的多尺度特征提取能力。在ExDark数据集上的实验结果表明，所提出方法的mAP50(%)达到了72.17%，与原始YOLOv8n相比，提高了2.87%，取得了较好的检测效果。