关键词： 目标检测   牛类行为识别   轻量级模型   复杂畜牧场景   RT-DETR  

摘要： 针对复杂养殖场景下肉牛行为识别存在的遮挡严重、多尺度目标共存、模型计算量大等问题，本文提出一种轻量级视觉识别模型Cattle-RT-DETR。首先，为解决现有数据集复杂场景缺失问题，构建牛舍、牧场等多场景下的牛类行为识别数据集，精细化标注躺卧、站立及爬跨交配等5类行为；其次，设计轻量化多尺度特征提取主干网络Res2NetXE-nano，在降低参数量的同时增强细节纹理捕捉能力；再次，进一步提出跨尺度窗口内频交互模块，融合多尺度频率分解与动态权重分配，显著提升遮挡场景下的定位精度；最后，提出综合损失Inner-MPDIoU-ESVFL，缓解类别不平衡与小目标漏检问题。研究结果表明，在牛类行为识别数据集上模型精度m AP、AP@50和AP@75分别达到62.23%、83.78%和72.73%，较基线RT-DETR-R18提升0.5%、1.03%和1.28%；参数量15.376MB较基线降低22.65%;FPS达到195.5帧/s，较基线提升161.36%；在跨物种、跨域泛化测试中，AP@50分别达到99.5%、91.7%，验证模型对畜牧场景下动物行为识别的普适性。本研究可为复杂场景下的牛类行为实时监测提供一种高效解决方案，为智慧畜牧业的智能化管理提供了新的技术支撑。

关键词： 刨花板表面缺陷   目标检测   多尺度   正偏态分布   YOLO  

摘要： 【目的】针对刨花板表面缺陷尺度变化大、多尺度缺陷共存及缺陷数量随缺陷尺度呈正偏态分布导致检测精度低的问题，提出了一种具备自适应感受野能力的目标检测方法（PBDNet），用于提升刨花板表面缺陷检测的精度和速度。【方法】PBDNet通过引入空间分割与通道融合策略（SPDConv）作为下采样方法，将特征张量在空间上分割并在通道上拼接，减少了下采样过程中的信息损失，为正偏态分布中高峰一侧的缺陷保留了更多的细粒度特征，提高了检测模型对缺陷数量随缺陷尺度呈正偏态分布时的检测能力。此外，在PBDNet中提出的特征提取模块（C2f＿SD），通过将可切换空洞卷积与差分卷积添加到C2f特征提取模块中，显著提高了模型对不同尺度缺陷的检测能力。【结果】对比实验及消融实验结果表明，PBDNet在mAP50值和Recall值上均优于主流缺陷检测算法。相较于YOLOv8s，PBDNet的mAP50值和Recall值分别提升了4.8%和6.4%，达到0.881与0.840，同时在保持推理速度小于3 ms的情况下模型参数量减少了42.2%。【结论】PBDNet检测方法能够满足刨花板表面多尺度缺陷正偏态分布时的检测需求，为实时精确检测的需求刨花板表面缺陷检测产业化应用提供了一种高效、精准、可边缘部署的自动化检测方法。

关键词： 裂纹追踪   Transformer   计算机视觉   语义分割   结构健康监测  

摘要： 基于深度卷积网络的语义分割模型在结构损伤检测领域展现出了良好的应用效果，但在面向航空结构损伤检测时，由于裂纹通常在图像中的占比很小，多层的卷积和池化操作会导致裂纹信息丢失，严重降低分割精度。因此，对基于Transformer的语义分割模型开展研究，设计了适用于航空结构表面损伤检测的裂纹智能追踪通用模型（Transformerbased Model for Intelligent Crack Tracking,TICT）来实现对裂纹的精准分割和智能追踪。首先，使用自适应动态图像块划分机制将图像分割成不同大小和重叠程度的图像块；然后，将图像块输入基于Transformer的编码器中，提取包含裂纹图像上下文信息和局部细节信息的多尺度特征；再使用一个轻量级的多层感知机和注意力模块作为解码器生成裂纹掩码图像；最后，通过图像形态学操作对掩码图像中的裂纹连通域进行修正，并映射回原始图像得到精确的裂纹分割区域；通过对疲劳试验过程中实时采集图像重复上述操作，即可实现对裂纹的自动化持续追踪。在金属元件和全机疲劳试验的裂纹图像数据集上对TICT模型进行训练与测试，TICT模型在多种金属元件和全机结构裂纹图像测试集上mIoU达到了78.31%，证明了TICT模型对各种结构构型、背景复杂及特征微小的航空结构表面裂纹均能够实现精准分割，具有良好的泛化性和鲁棒性。

关键词： 表观缺陷检测   水下偏振成像   图像处理   浑浊水体   混凝土结构  

摘要： 混凝土结构表观缺陷的水下检测精度深受水体环境和图像质量的影响。为切实提高浑浊水体环境下的水下图像质量，本文基于室内水下成像实验，提出一种专门适用于浑浊水体的混凝土结构偏振图像复原方法。首先，深入剖析混凝土结构信息光与浑浊水体后向散射光之间的偏振特性差异。其次，结合Stokes矢量来计算水下图像的偏振参量图像。接着，利用限制对比度自适应直方图均衡化（CLAHE）提升图像对比度，最终结合水下偏振成像模型实现图像复原。本文选取了十种图像处理方法与所提方法进行对比分析，并运用四种无参考图像质量评价指标对图像予以评估。实验结果显示，在浑浊度为50NTU的泥沙水体环境中，本文方法对平均梯度、EME、UCIQE和UIQM指标数值的提升幅度分别达到252%、561%、241%、93%。本文方法能够获取对比度高且细节清晰的水下混凝土结构表观缺陷图像，为混凝土结构水下表观缺陷图像提供了一种全新的图像复原方法。

关键词： 飞机蒙皮   目标检测   YOLOv8   知识蒸馏   模型压缩  

摘要： 基于深度学习的缺陷检测已成为当前研究的热点。然而，深度学习模型庞大的计算量以及飞机蒙皮缺陷目标尺寸的多变性，给模型在边缘设备??的部署与实际应用带来了显著挑战。为应对此问题，提出一种基于YOLO-LASD的飞机蒙皮缺陷检测算法。该算法在Yolov8 网络的基础上，进行了三项技术创新：（1）元素融合网络：替代YOLOv8原有结构，显著提升特征表达能力并降低计算复杂度；（2）轻量感知组归一化共享头：融合共享卷积、组归一化及响应校准层，自适应处理多尺度目标，有效解决小目标与大目标的检测失衡问题；（3）特征平滑蒸馏方法：结合通道特征知识传播蒸馏与输出层蒸馏，通过多层级知识迁移抑制轻量化导致的精度退化。在飞机蒙皮缺陷数据集上的实验结果显示，所提算法在预测准确率可达到95.5%，相比Yolov8n模型参数量压缩53.3%，计算量下降44.4%，验证了该方法的高效性与实用性。

关键词： 小样本目标检测   微调   多维特征知识转移   聚合重构数据增强  

摘要： 近年来，目标检测获得了广泛关注和研究，并取得许多成果。然而，要想获得一个性能优越的检测模型，需要大量标签样本进行训练。与之形成鲜明对比的是，人类仅需借助少量示例，就能快速学习新知识。为缩小两者间的差距，小样本目标检测得到越来越多关注。小样本目标检测方法旨在通过数量有限的标签样本，实现新类知识学习，且在此过程中，不会灾难性遗忘先前学习的基类知识，进而提升新类检测性能。然而，现有的小样本目标检测方法存在以下问题：1) 过度关注模型精度而忽略了模型效率；2) 只关注模型分类性能而忽略了模型定位性能。为解决这些问题，本文提出了一种新颖的基于聚合重构数据增强和多维特征知识转移的小样本目标检测方法。具体而言，首先提出聚合重构数据增强策略，通过从生成图像中提取目标对象，进行缩放后聚合在随机选择的基类样本中，从而在增加数据多样性、缓解数据稀缺的同时，增强模型对于不同数据集的泛化能力。然后，进行类间语义特征知识转移，实现分类器权值理想初始化，提高模型收敛速度；并显式建模类间定位特征知识，提高模型定位能力。实验结果表明，本文方法在小样本目标检测任务中表现良好，与现有方法相比具有一定的竞争力。

关键词： 单光子激光雷达   三维成像   盖革APD   目标检测   深度像  

摘要： 在单光子激光雷达三维深度图像重构过程中，线性/指数拟合法处理时间较长，且重构三维像的信噪比不高，增加了后续目标检测的难度，为此，本文提出一种基于全图统计的改进拟合法，在时空域上利用全局噪声优化噪声函数的拟合效果，提升深度图像的重构信噪比和实时性。实测数据实验表明，在60帧条件下，所提方法相较于传统拟合法，目标还原率提升41.21%，信噪比提高3.23倍，同时运算效率显著优化。在深度图像重构的基础上，进一步采用三维连通域标记的方法，将连通域标记目标提取方法从二值图像扩展到三维深度图像，提升深度图像中的目标特征表征效果和不同深度目标的区分能力。结果表明，利用全局噪声的改进拟合法以及三维连通域标记的目标提取方法，具有良好的信噪比提升能力和三维深度像的目标特征提取能力。

关键词： 计算机视觉   目标检测   注意力机制优化   多尺度特征融合   模型轻量化   损失函数优化  

摘要： 针对资源受限场景中多尺度目标检测模型难以兼顾高精度与低参数量、低计算复杂度的问题，提出了一种基于YOLOv8的边缘端轻量级多尺度目标检测方法。首先，在主干网络的跨阶段部分双特征融合模块中嵌入了自主设计的轻量级通道-空间注意力模块，通过融合高效通道注意力机制和多尺度深度可分离低秩卷积，在模块复杂度较低的同时实现通道和空间双维度特征增强。其次，设计了跨层自适应加权融合模块，建立跨层连接，通过自适应加权机制融合浅层细节特征与深层语义信息。再次，将颈部网络跨阶段部分双特征融合模块中的瓶颈结构替换为通用倒置瓶颈，在维持检测精度的同时降低计算复杂度。最后，提出了聚焦式尺度自适应动态交并比损失，通过尺度自适应调制项与聚焦机制，动态调整误差惩罚力度并强化对难检测目标的关注。在BDD100K数据集上，与当前先进的YOLO11m模型相比，LMS-YOLO-m在mAP@50与mAP分别提升了0.5%和0.1%，参数量减少了2.4%，计算量降低了5.8%，结果表明该方法在检测精度更高的同时具有更低的参数量和更低的计算复杂度。

关键词： 无人机航拍   目标检测   损失函数   空间金字塔   解耦检测头   多尺度  

摘要： 针对无人机航拍图像中目标小而密集，且极易出现漏检和误检等情况，文章提出一种改进YOLOv8n的无人机航拍复杂背景下多尺度目标检测模型UCM-YOLOv8。首先设计一种集聚合与扩散特性于一体的金字塔式网络结构，让每个尺度的特征都具有详细的上下文信息。其次，提出任务动态对齐检测头，从多个卷积层中学习交互特征，提高检测精度。此外，将卷积加性自注意力机制与C2f模块有效融合，进一步增强特征表达能力。最后，为抑制低分辨率图像产生的有害梯度，运用Wise-Inner损失函数替换原CIou损失函数。在VisDrone2019数据集上进行对比实验和消融实验，mAP50值较基线模型提升了10.8%，参数量减少了9.6%。证明本模型在无人机航拍视角下的小目标检测效果优异，适合无人机航拍图像的应用。

关键词： 目标检测   信息提取   车站平面图   注意力机制  

摘要： 由于车站平面图设计规范不统一，设备图元的形态和表达方式差异较大，导致车站平面图信息提取困难，识别成本较高。基于此，本文提出了一种融合自适应注意力的车站平面图信息提取网络，称为自适应多尺度YOLO(Adaptive Multi-Scale YOLO， AM-YOLO)。该算法基于YOLOv8改进而来，针对车站平面图尺寸较大的特点，引入滑动窗口切割策略显著缓解特征损失；针对车站平面图中设备图元交错、位置关系复杂的问题，提出自适应通道空间注意力机制提高网络对特征信息的提取效率；针对设备图元纹理和外观相似问题，设计多尺度感知模块，扩大网络感受野以提高对平面图中高级语义信息的提取能力。对比实验结果表明，本文方法对车站平面图的平均检测精度达93.2%，相较于YOLOv8检测精度提升9.3%。该算法实现了对车站平面图中各类复杂设备的准确识别和信息提取，有效提高了车站计算机联锁系统及相关应用的开发效率。