关键词： 遥感图像   旋转目标检测   YOLOv8   特征提取  

摘要： 针对遥感图像中目标因朝向任意、尺度变化显著及密集排列等导致的检测精度不足问题，提出一种基于改进YOLOv8的遥感图像旋转目标检测方法GALR-YOLOv8。首先，构建了GhostC2f特征提取模块，通过特征图冗余抑制与参数复用策略，强化特征提取效率；其次，设计了角度分布焦点损失函数，通过概率密度离散化建模方法改善旋转检测框角度预测；最后，引入了大核分离卷积注意力机制，借助形状适应以及大感受野的优势，强化跨尺度目标尤其是微小目标的特征捕捉能力。在遥感数据集DOTA上的实验结果表明，GALR-YOLOv8的旋转目标检测精度mAP达到了79.6%，相比于基线模型YOLOv8n-obb提升了1.8%；相比其他主流方法检测精度达到最佳，且计算量、参数量与检测速度也具有优势，对实时性与硬件资源敏感的场景也同样适用。

关键词： 深度学习   目标检测   机器视觉   算法优化   特征融合  

摘要： 随着深度学习技术的持续进步,机器视觉对目标检测也有了显着突破。但在应对复杂环境的过程中还面临着精度不高,实时性不强以及小目标检测能力弱等系列挑战。如何提高目标检测的准确率,成了目前急需解决的一个课题。本论文围绕深度学习这一核心,系统地研究目标检测算法优化问题,重点从网络结构设计、损失函数构造和多尺度特征融合三个层面探索性能提升的途径。引入轻量化结构与神经架构搜索机制,增强模型的表达能力,提高部署效率;采用改进的分类与回归损失函数,加强训练的稳定性,提高定位精度;构建多尺度特征融合与注意力引导机制,提高对不同规模目标的适应性与鲁棒性。为复杂环境下的目标检测系统提供理论支持与算法基础,具有重要的应用推广价值。

关键词： 深度学习   目标检测   YOLO11n   WTConv卷积   轻量级上采样算子  

摘要： 【目的】针对无人机所拍摄的图像当中，存在小目标较多、目标之间存在遮挡、漏检、误检、精度不足问题，提出了一种基于YOLO11n的改进模型。【方法】首先，将C3K2模块中的Bottleneck模块里的第二个卷积层替换为WTConv，使得模型复杂度减小，减少计算的负担，解决了由于神经网络扩大感受野时过度参数化的问题；其次，将颈部网络中的上采样算子修改为CARAFE模块，用于增强卷积神经网络特征图的上采样方法，更好地聚合上下文内容，保留细节；其次，将CAA注意力机制引入C2PSA模块，使得模型可以更有效地捕捉上下文信息，提高特征表示的质量；最后，添加ESH模块，提高模型对小目标检测的准确性和多样性。【结果】实验结果显示：经过改进后的模型相较于原始的YOLO11n模型在小目标检测性能方面更加优秀，在VisDrone2019数据集上的准确率、召回率和mAP50 分别达到了47%、37.1%和37.3%，相较于原模型分别提高了 4.5%、5.0% 和 5.8%。【结论】改进的模型增加了对小目标的信息提取能力，同时在精度上有了提高，对于实际的应用有更好的参照。

关键词： 粮田害虫   YOLOv8   目标检测   害虫识别   动态上采样  

摘要： 由于自然场景下粮田害虫检测任务易受目标重叠、尺度不一和复杂背景问题的影响，使得模型对关键特征的感知能力不足并导致其泛化能力下降。为此本文对YOLOv8模型进行了改进，提出了一种基于YOLO-RDHL的粮田害虫检测方法。首先，在颈部网络引入改进后的HC-DySample模块，增强了模型对害虫目标特征的捕获精度和重叠区域感知能力。其次，在主干网络和颈部网络的C2F模块中加入并行的多分支卷积模块(DBB)，提高了模型对多尺度特征的表达能力。然后，在主干网络中引入改进后的RAMLCA自注意力机制，增强了模型在复杂背景下对目标特征的识别能力。最后，将检测头网络替换为改进后的LSCDv2模块，有效提高了模型的检测速度。实验结果表明，YOLO-RDHL模型相比YOLOv8模型在Precision、Recall、mAP50、mAP50-95指标上分别提升了5.1百分点、4.4百分点、4.8百分点、1.7百分点。在推理时间和占用内存方面，YOLO-RDHL与YOLOv8模型相比无明显差距。YOLO-RDHL在保持较低推理时间和占用内存的同时，显著提升了检测精度，体现出更优的性能平衡。本研究为自然场景下粮田害虫识别和预警提供了理论和实践支撑。

关键词： 自动驾驶   YOLOv8   MAFPN   PIoUv2损失函数  

摘要： 自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战，现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此，提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络（Multi-Branch Auxiliary FPN，MAFPN）优化原颈部结构，增强复杂交通场景中的多尺度特征融合能力；在骨干网络中提出C2f＿DEConv模块，将标准卷积替换为细节增强卷积（Detail-Enhanced Convolution， DEConv），通过高频特征保持与局部纹理强化，显著提升对小尺度车辆及遮挡目标的细节捕捉能力；引入PIoUv2（Powerful IoU version 2）损失函数优化改进边界框损失，通过动态尺度敏感因子与几何约束优化，改善目标边界框的回归精度。在KITTI数据集上的实验表明，DMP-YOLO的各项性能指标都有显著提升，其中mAP@0.5达到89.0%，较基线YOLOv8提升2.6%，mAP@50：95提升了2.9%，为自动驾驶场景下的高精度实时检测提供了有效解决方案。

关键词： 图像处理   生成对抗网络   缺陷损失函数   铺粉缺陷图像   激光粉末床熔融  

摘要： 在激光粉末床熔融(LPBF)增材制造中，铺粉缺陷样本稀缺及其类别不平衡影响铺粉缺陷检测算法的泛化能力。为此本文提出了一种铺粉缺陷图像生成网络DPR-GAN。通过在BicycleGAN网络判别器中引入谱归一化层，提高图像生成质量的稳定性；在生成器中引入ECA通道注意力机制，加强生成网络对缺陷特征的感知；并构建缺陷区域重建损失，加强缺陷细节的生成，以提高缺陷区域的生成质量；最后依据缺陷语义标签图像生成区域、类别可控的铺粉缺陷图像。实验结果表明：与现有方法相比，本文网络生成各类缺陷图像更为真实，缺陷细节提升明显，峰值信噪比与结构相似度相比于BicycleGAN平均提升4.34和3.56%。经本文网络数据增强后，基于Mask-RCNN和YOLACT网络的铺粉缺陷目标检测与实例分割的mAP@0.5较传统增强方法分别平均提升3.09%和2.39%，验证了本文网络的有效性与应用价值。

关键词： 激光焊接   过程监测   熔池   镜面微区   图像处理  

摘要： 焊接过程监测是智能激光焊接流程中的关键环节之一；熔池则是获取过程信息的常用观测对象。本文利用照明光束和高速摄像仪分居熔池表面法线两侧，通过观察照明光束在熔池表面的镜面反射区域以获取表面特征。结果表明：熔池表面中的镜面微区（点状斑点）表现出时而聚集、时而分散的特征，且呈现出从匙孔口向熔池两侧及熔池尾部“翻滚”状的运动特征。熔池表面图像经过滤波降噪、图像增强、形态学操作等预处理后，再通过非锐化掩模图像增强算法与固定阈值图像分割相结合的方式，可实现熔池表面和镜面微区总面积的提取。熔池表面面积相对较大，其时变行为无明显的周期性；镜面微区总面积的时变行为则呈现出规则的周期性特征，其波动周期约为0.5-0.6ms。进一步分析表明镜面微区总面积的时变行为更能表征熔池表面的波动特征。通过原位观察熔池表面中镜面微区总面积的变化规律，有望获得激光焊接匙孔内光斑中心在匙孔前壁表面的运动特征。

关键词： 前视声呐   目标跟踪   ByteTrack   图像序列  

摘要： 前视声呐在水下远距离目标检测与跟踪中发挥着重要的作用。然而,前视声呐图像序列帧率较低、目标特征不清晰,容易出现目标丢失的问题。在使用前视声呐进行目标跟踪时,需要对声呐载体旋转和目标遮挡进行补偿,避免目标丢失。为解决以上问题,结合声呐图像序列的特征和目标特征,改进现有的跟踪算法。针对Byte Track算法应用在声呐跟踪上容易出现目标丢失问题,结合前视声呐图像特征,改进关联方式,在第1关联提出了一种基于卡尔曼滤波的运动特征和目标外观特征结合的方式作相似性度量,提升了跟踪的准确性。针对前视声呐载体旋转导致目标运动过快的问题,利用声呐姿态数据对Byte Track算法加入旋转补偿,提升了匹配的准确性;最后,通过相似性度量算法对比实验,证明了改进后的关联方式和目标外观特征结合的方式的优越性。对比了Deep Sort、TransTrack和Byte Track主流目标跟踪算法,改进后的模型跟踪准确度为76.8%,跟踪召回率为80.6%;改进后的Byte Track与改进前的Byte Track相比,跟踪精度提升了9.4%,召回率提升了10.8%,ID切换次数降低了46%。检测与跟踪融合实验表明,改进后的目标检测跟踪融合算法拥有更低的漏检率、误检率,更低的身份切换次数,更能适应前视声呐水下目标的检测和跟踪场景。

关键词： 小麦赤霉病   病害识别   YOLOv8s   目标检测   网络轻量化   上采样   特征融合  

摘要： 针对现有检测模型对小麦赤霉病斑识别精度较低从而妨碍后续防治工作的问题，本研究提出一种改进YOLOv8s模型的小麦赤霉病斑检测算法YOLOv8s-SCR。以YOLOv8s为基础网络，结合ShuffleNet v2的优点，引入SE通道注意力(Squeeze and Excitation Channel Attention)机制进行改进，在实现网络模型轻量化的同时，增强模型对关键特征的关注度；利用CARAFE(Content Aware ReAssembly of FEatures)模块可自适应训练的特点，替换掉原YOLOv8s最临近插值上采样，可以在上采样过程中提供更丰富的语义信息；采用多尺度且可训练的RFB(Receptive Field Block)模块，通过融合不同尺度的特征进一步提升模型的检测性能。经过实验测试，改进后的YOLOv8s-SCR模型相较于原模型，网络参数量降低约22%，运算量减少约25%。在测试集上，模型的检测平均精度均值从原模型的84.6%提升到90.5%，提升5.9个百分点，验证了改进模型在小麦赤霉病检测中的有效性。综上，本研究提出的YOLOv8s-SCR模型能够快速且有效地检测出小麦穗上的赤霉病斑，从而为后续的防治工作提供有力支持。

关键词： 多模态显著性检测   显著基元   融合权重   语义差异   特征对齐  

摘要： 针对现有多模态显著性检测方法容易受到低质量辅助模态干扰，导致模型鲁棒性差的问题，本文提出了一种显著基元动态加权的多模态显著性目标检测方法。方法通过捕捉不同显著物体的共同特征，并进行聚类得到显著基元，实现对显著区域的清晰定义。其次，利用显著基元，动态调整不同模态在融合阶段的权重，使得高质量模态的语义信息在融合过程中能够得到充分利用，同时有效抑制低质量辅助模态带来的潜在干扰。此外，方法还引入了基元引导的特征对齐机制，有效缩小了主模态与辅助模态之间的语义差异，提高了模型的检测性能。与此同时，算法能够更准确地捕捉跨模态间的共同特征，进一步提升了检测的准确性和稳定性。为了验证所提算法的有效性，本文方法在六个RGB-D数据集和三个RGB-T数据集上进行了全面的定性和定量评估。实验结果表明，在面对低质量辅助模态的情况下，本文提出的方法表现出了良好的稳定性和鲁棒性。