关键词： 表面缺陷   改进YOLOv8n算法   目标检测   注意力机制   知识蒸馏   机器视觉   缺陷检测系统   损失函数  

摘要： 针对铸件表面缺陷检测存在精度欠佳、检测速率低等问题，提出一种基于改进YOLOv8n的铸件表面缺陷检测算法SPI，并通过通道级知识蒸馏（Channel-Wise Knowledge Distillation， CWD）对算法进行蒸馏训练。首先，设计S-FasterNet网络，并将其替换为YOLOv8n的主干网络，该网络在降低冗余运算和内存访问量的同时，能分别在水平和垂直维度获取丰富的上下文信息，保留铸件细微部分的特征；然后，提出P-C2f模块，在降低信息损失的同时增强网络的特征表达；同时，引入Inner-CIoU边界框回归损失函数，以提升模型的定位性能；此外，以目标检测网络SPI为基础，利用CWD技术进一步提高模型的检测精度；最后，结合CWD-SPI检测算法和MySQL数据库，开发了铸件表面缺陷检测系统，该系统能够实时执行多种缺陷检测任务，并将检测结果进行存储和分析，有助于实时统计铸件的缺陷信息，提高了检测过程的灵活性和适应性，能够更好地应对不同检测需求。试验结果表明，CWD-SPI目标检测算法在铸件缺陷数据集上的平均精度均值A为85.9%，相较于原YOLOv8n算法提升5.9%，其精确率（Precision）提高5%；改进后的算法能够在增强铸件表面缺陷检测性能的同时，满足铸件缺陷检测的实时性要求。

关键词： 遥感图像   目标检测算法   特征增强   多尺度池化算法   极端长宽比目标  

摘要： 目标检测是分析与处理遥感图像的基本任务之一，其目的在于识别遥感图像中物体的类别和位置信息。极端目标是指图像中拥有极小和极大长宽比的物体，这些物体在遥感图像中广泛存在且难以被现有的目标检测算法检测，如何检测这些物体是一项有挑战性的任务。针对这一问题，本文提出一种基于特征增强的极端目标检测网络（FEEODNet）。该网络包含一个双分支融合网络，一个分支利用浅层特征提取细节信息用于检测小目标，另一分支利用深层特征提取语义信息用于检测大目标。两分支融合后，通过注意力机制模块增强特征，从而提升目标检测性能。此外，为了提取目标的全局信息，本文对语义信息特征图通过串联的非对称卷积块生成不同形状的感受野，以适应极端目标的多样性和复杂性，并利用多尺度最大池化算法筛选热图中的关键点，从而更准确地确定不同尺度目标的中心点。最后，在NWPU VHR-10和RSOD数据集上进行测试，结果表明，本文提出的方法在两个数据集上的mAP分别为96.92%和96.43%，优于目前主流的目标检测算法，说明本文所提方法能有效检测遥感图像中的极端目标。

关键词： 个人防护装备   计算机视觉   深度学习   YOLO   ChatGPT   智能建造   安全管理  

摘要： 为提升工程施工领域中个人防护装备检测的效率与准确性，探索了基于ChatGPT多模态能力的检测方法。通过构建GPT插件，分别实现了安全帽佩戴情况检测、安全帽颜色分类以及多类别个人防护装备检测，并以YOLO系列模型作为基准进行了对比。实验结果表明，GPT模型在检测精度、召回率及泛化能力方面表现优异，尤其在数据资源有限和复杂环境下，展现了显著的优势。此外，GPT插件能够通过自然语言指令结合多模态数据进行检测，无需依赖高性能硬件支持。研究表明，基于ChatGPT的检测方法不仅优化了检测流程，还为基于物联网技术的智慧建造与施工安全管理提供了新的技术思路。

关键词： 钻杆计数   旋转目标检测   显著性峰值   深度学习   钻场识别  

摘要： 煤矿开采过程中瓦斯气体的控制是保障矿工安全的关键环节，因此，实现井下钻杆的自动计数对煤矿智能化建设至关重要。为实现钻井过程中实时监测钻杆深度的需求，研究采集煤矿井下多种场景的监控视频，并构建面向旋转边界框的煤矿打钻识别与计数大规模图像数据集CMDRC＿OBB。针对井下光线变化、强光干扰、视角变化以及钻机卡钻、钻机运动不规律等问题，提出一种融合旋转目标检测与显著性峰值推理算法的实时钻杆计数方法DPC＿OBB＿SPC。该方法包括目标检测识别和钻杆计数推理两个阶段：（1）在目标检测识别阶段中，利用数据增强技术提升模型在光照变化、视角变动条件下的泛化能力，并引入C2f-DG模块提高特征提取效率，降低参数量与计算量，实现模型轻量化。（2）在钻杆计数推理阶段中：利用第一阶段目标检测模型追踪到钻机尾部的运动规律，结合关键点显著性峰值的变化和状态转换机制对钻机运动进行周期统计，以实现精确计数。实验结果显示，相较于原始模型，改进后的目标检测算法YOLOV8＿OBB＿DG在精度方面mAP@0.5提升了2.52%、mAP@0.5:0.95提升了4.75%，同时参数量Params从3.1×106降至2.3×106，运算量FLOPs由8.3×109降至7.0×109。最后，将提出的计数方法DPC＿OBB＿SPC在包含钻机进钻和退钻的八个测试视频上进行钻杆计数实验并与基于计算机视觉的简单峰值计数法和加权峰值计数法设置对比试验，实验结果表明，DPC＿OBB＿SPC方法平均预测精度MNA值达到97.95%，计数准确度明显优于其他两种算法的86.61%和90.97%，并且FPS平均达到76帧以上，充分满足实时性要求。实验充分验证提出的钻杆计数方法DPC＿OBB＿SPC对井下环境的自适应能力以及钻杆计数准确性和鲁棒性。

关键词： 自动驾驶   传感器融合   3D目标检测   早期融合   注意力机制  

摘要： 针对自动驾驶领域远距离目标的漏检问题，提出一种融合相机与毫米波雷达数据的改进CenterFusion的3D目标检测模型。首先，引入早期融合策略将雷达数据映射到图像平面上，并将其与图像数据结合形成多通道输入，以增强网络模型的抗干扰能力。其次，在特征融合网络后引入注意力机制，使模型聚焦于融合特征图关键信息提取，有效提高了3D目标检测的准确度。然后，进一步改进损失函数解决正负样本不均衡问题。最终，模型在NuScenes数据集上进行对比实验和消融实验，结果表明，改进模型相较于传统的CenterFusion模型平均检测精度均值提高了1.5%，NuScenes检测分数提高了2.1%，有效提高了远距离目标的检测能力。

关键词： 改进YOLOv9算法   大重叠度影像   无人机遥感   低空遥感   影像目标检测  

摘要： 针对无人机执行低空飞行任务时，因重叠航拍的方式导致数据冗余，从而增加后续数据处理复杂度的问题，提出基于改进YOLOv9的大重叠度无人机低空遥感影像目标检测方法;通过阴影补偿和影像增强移动并拼接相邻的无人机低空遥感影像，采用背景差分的方式，分割拼接遥感影像中的前景目标区域;将分割的前景影像区域输入到改进YOLOv9算法中，得出遥感影像的特征提取结果，并计算提取影像特征与设定标准特征之间的匹配度，得出无人机低空遥感影像的目标检测结果;通过实验得出结论：优化设计方法的影像特征提取一致性系数更高，目标检测的成功系数取值更大、目标位置检测误差更小，即优化设计方法的目标检测效果更优。

关键词： 小目标检测   无人机   YOLOv8   特征融合   注意力机制  

摘要： 针对无人机航拍图像目标检测算法精度较低且模型相对复杂的问题，提出小目标检测算法SODM-YOLOv8。首先，设计小目标检测模块，通过大尺寸特征图来检测小目标，保留了小目标的细节特征，提高了对小目标的关注度；其次，设计DC-C2f模块，通过双流卷积结构对原有卷积进行改进，以降低模型参数量；再次，在小目标检测模块中引入高效多尺度注意力机制EMA，提升算法对多尺度特征的融合能力；最后，引入Inner-WIoU损失函数，即采用Inner-IoU的思想改进WIoU损失函数，以提高模型的泛化能力。在VisDrone2019数据集上的实验结果表明，SODM-YOLOv8算法的mAP@0.5达到43.8%，相较其他目标检测算法均有一定提升，其中比YOLOv8模型的mAP@0.5提高了5.2%，参数量下降了28.3%。在DOTA1.0数据集上的实验结果表明，所提算法的mAP@0.5达到72.3%，比YOLOv8提高了1.4%。

关键词： 目标检测   寄生虫卵   部分卷积   特征融合   注意力模块  

摘要： 针对寄生虫卵显微图像虫体较小、背景遮挡、分辨率低等检测难题，提出一种基于YOLOv8s的轻量目标检测模型LCN-YOLOv8(Lightweight Convolution Network YOLOv8)。首先，融合部分卷积与分离增强注意力模块，设计特征提取模块PA-C2f(Patial Attention C2f)替换模型中全部C2f模块，减少参数量的同时保持高效特征提取能力；然后，引入空间深度转化卷积代替常规卷积降低模型复杂度，减少低分辨率虫卵特征的丢失；最后，设计轻量高级特征筛选金字塔网络作为颈部网络，加强模型的多尺度特征融合与检测被遮挡虫卵的能力。与基线网络YOLOv8s相比，所提出的LCN-YOLOv8模型在单虫卵与多虫卵数据集上的mAP(mean Average Precision)@0.5:0.95分别提高1.7个与1.6个百分点，模型参数量减少6.0×10～6，浮点运算量下降7.5GFLOPs。实验结果表明，LCN-YOLOv8在检测精度与模型复杂度之间取得较好的平衡，能够辅助诊断寄生虫疾病。

关键词： YOLOv5s   结直肠息肉   目标检测   局部上下文信息增强   大核分离卷积注意力   软非极大值抑制  

摘要： 在医学影像领域，结直肠息肉的早期检测对预防结直肠癌等疾病至关重要。在实际医疗操作中，自动化检测结直肠息肉的准确率受制于多种特殊条件。为此，提出基于改进型YOLOv5s的结直肠息肉检测模型QB-YOLO。首先，在原骨干网络中引入一种局部上下文信息增强模块——通道注意力机制（CAM），替换原模型中的空间金字塔池化SPPF模块，以增强模型对结直肠息肉的目标关注度；其次，在骨干网络中添加大核分离卷积注意力模块（LSKA模块），加强模型捕捉结直肠息肉图像中局部细节的能力；最后，将软非极大值抑制Soft-NMS引入模型以应对部分结直肠息肉可能会密集分布的情况，使模型更高效地处理重叠目标和密集目标。实验表明，改进后模型的准确率、召回率、平均精度相较于原始模型提升4.1%、8.5%、3.9%。

关键词： SAR图像   舰船目标检测   YOLOv8   注意力机制  

摘要： 由于SAR图像舰船目标小、图像分辨率低、场景背景复杂等原因导致目标检测困难。针对上述问题，本文提出了一种基于改进YOLOv8n的SAR图像舰船目标检测方法。首先，将YOLOv8n的主干网络替换为CSWin Transformer，使网络能更好提取有用的细节特征。其次，设计了一种下采样弥补模块（Downsampling Compensate Module，DCM），弥补了下采样过程中可能丢失的有用信息。然后，设计了一种C2f-DWR(CSPLayer＿2Conv-Dilation-Wise Residual)模块，增强了网络的多尺度特征提取能力。再者，嵌入了一种双动态token聚合器D-Mixer，赋予网络更强的归纳偏置能力和更大的有效感受野。最后，通过改进的混合域注意力机制，提高了模型的鲁棒性和泛化能力。SSDD数据集上的实验结果表明，与基线网络相比，本文方法在mAP@0.5和mAP@0.5:0.95性能上分别提高了1.7%和4.2%，显著提高了SAR舰船目标的检测性能。