关键词： 深度学习   目标检测   红外图像   YOLOv8   行人车辆  

摘要： 为解决交通安全系统中红外道路行人及车辆目标检测中的漏检、误检及精度较差的问题，对基础YOLOv8进行改进，提出改进SDL-YOLO算法。通过引入空间深度转换卷积SPDConv以增强多尺度特征捕获，解决图像分辨率较低及目标检测困难问题；其后引入一种轻量级上采样算子DySample，通过动态采样策略以优化复杂场景特征图，改善目标边界模糊及环境遮挡问题；最后将检测头改为轻量化共享卷积检测头LSCD，以减少模型参数及计算量，在提升检测精度的同时保证轻量化。与此同时，在公开红外夜景数据集上使用量化评价指标P、R、mAP及FLOPs对算法进行综合评估。实验结果表明，SDL-YOLO相较原始算法，其精确率P提高1.5%、召回率R提高1.5%、平均精度mAP50及mAP50-95分别提高1.5%及1.7%，同时具有较低的模型复杂程度FLOPs。通过检测效果可视化分析进一步论证了SDL-YOLO算法在提升检测精度、改善漏检及误检方面的有效性。

关键词： 无人机   目标检测   YOLOv8   特征融合   注意力   轻量化   损失函数  

摘要： 针对无人机航拍图像中小目标实例多、目标之间相互遮挡所导致的误检、漏检等问题，提出了一种改进YOLOv8目标检测算法。首先，将优化后的加权双向特征金字塔网络（BiFPN）应用于YOLOv8中，重构了网络结构，实现了高效的多尺度特征融合，提升了检测精度。其次，引入感受野注意力（RFA）机制，并构建感受野注意力卷积（RFAConv）模块替代了主干网络中的CBS模块，增强了特征提取能力，特别在小目标和遮挡目标检测上表现出色。为了减小模型参数量并有效抑制信息损失，设计了C2f＿GhostBottleneckV2轻量化模块，替代了部分C2f模块，优化了远程特征传输。最后，提出了一种结合Inner-IoU和Wise-IoU v3的新型损失函数——Inner-WIoU，通过动态非单调调频机制和辅助边框的设计，提高了模型对目标位置和形状的描述能力。实验结果表明，改进后的算法在VisDrone2019数据集的验证集与测试集上将mAP@0.5分别提高了3.6%和3.3%， 在TinyPerson v2数据集的验证集与测试集上将mAP@0.5分别提高了1.7%和2.4%，这证明了所提算法在无人机航拍图像目标检测中的有效性和创新性。

关键词： 红外小目标   目标检测   多尺度特征融合   跨越连接   特征平衡   无人机  

摘要： 提出了一种基于编码-解码结构的红外无人机检测模型——FENet。在该模型中，设计了多尺度特征注意模块，强化目标特征表达以增强模型的判别能力，并采用低级特征分布策略补充小目标丢失信息。此外，通过局部上下文通道注意力模块优化特征传递，平衡不同层的特征信息。并设计自适应多尺度检测的联合损失函数优化整体监督与像素级监督之间的权衡，降低漏检率并提高精度。在无人机红外数据集AntiUAV410上的实验结果表明，FENet在平均交并比上提升了1.93%，检测精度提升了1.74%，误报率降低了30.16，这些结果表明，FENet在检测性能上显著优于现有的代表性方法，展现了较高的检测精度和鲁棒性。

关键词： 葡萄病害   目标检测   YOLO v5s   注意力机制   微信小程序  

摘要： 针对田间环境下葡萄病害尺度多样、表征相似及模型复杂度较高的问题，提出一种基于YOLO v5s-RCW的葡萄病害检测方法。以YOLO v5s为基线网络，在特征提取结构中引入感受野注意力卷积模块（Receptive-Field attention convolution，RFAConv），有效解决了传统卷积操作在处理不同尺寸病害目标时参数共享的限制；同时，以智能交并比损失函数（Wise intersection over union，WIoU）替换完整交并比损失函数 (Compatible intersection over union，CIoU)，优化了不同尺寸锚框的惩罚机制，显著降低了病害尺度变化引起的性能波动。结果表明，该模型相比YOLO v5s，准确率、召回率和平均精度均值分别提高7、6、1.7个百分点，且通过在主干网络添加卷积块注意力模块（Convolutional block attention Module，CBAM），进一步提高了模型的特征判别能力，参数量降低18.3%。将YOLO v5s-RCW模型部署至云服务器，用户通过微信小程序调用转化为应用程序编程接口（Application programming interface，API）的检测功能，可实现对葡萄病害的便捷性检测，模型推理平均用时13.9 ms，提高了病害检测的效率和准确性，为葡萄病害检测提供了技术支持。

关键词： 图像处理   语义分割   椭圆拟合   PDC钻头复合片   磨损定级  

摘要： PDC钻头复合片的磨损是增加钻井成本的主要因素，对复合片磨损程度进行分级是修复钻头的前提。针对目前复合片磨损定级存在效率低、标准性差、精度不足等问题，提出一种基于改进的HRNet和椭圆拟合的磨损定级方法。首先，对复合片轮廓进行提取，为了提高复合片的分割精度，同时降低模型复杂度，使用深度可分离卷积替换HRNet网络的常规卷积，并对网络特征提取层的4个不同分辨率输出通过CGAF特征融合模块进行特征融合，避免通道堆叠带来的信息丢失，同时对融合特征图引入EMA注意力模块，进一步提高网络特征提取能力。然后，对复合片轮廓进行拟合，还原完整复合片轮廓，以RANSAC椭圆拟合算法为基础，通过数据预处理、拟合椭圆筛选以及内点补充提高分割复合片的拟合精度。最后，对拟合图磨损轮廓点进行筛选，确定定级线位置，根据IADC分级标准，对复合片进行磨损定级。实验结果表明，改进后的HRNet网络的平均交并比、类别平均像素准确率与原网络相比分别提升1.22%和0.75%，达到97.60%和98.79%，参数量降低72%，模型大小减小70%。所提椭圆拟合算法与常规算法相比，具有更好的拟合效果。整个定级方法，定级准确率达到96.5%，单张复合片定级所需平均时间仅为0.261s。基本满足PDC钻头复合片磨损定级标准化、高效率、高精度的要求。

关键词： Transformer   猪只计数   CBAM   SimSPPF   Wiou   Soft-nms  

摘要： 猪只计数是大规模养猪场在养殖过程中的一项非常重要的工作。在复杂的猪圈环境中，由于猪的应激反应和诸多的障碍物，想要进行准确且自动化的计数是一个非常困难的工作。为了提高在复杂环境下识别，该文提出了一种基于YOLOv8的猪只数量目标检测模型（SCS-YOLOv8），旨在提高养殖场中猪只计数的准确性和效率。首先，该模型在第5层的C2f层融入Swin Transformer模块，增强模型的特征提取能力。同时，在第10层增加卷积块注意力模块（CBAM）注意力机制，增强模型对小目标和遮挡目标的检测能力，提升模型的鲁棒性。此外，还引入了简化的空间金字塔池化快速模块（SimSPPF）模块降低计算量，提高了推理速度，采用基于动态非单调聚焦机制的边界框回归损失（WIoU）损失函数更好地处理猪只的遮挡问题和目标较小的问题，提高模型在复杂场景下的检测性能，并结合软非极大值抑制方法（Soft-NMS）防止两个重合度过高的目标漏检。实验证明，该模型在自制数据集和科大讯飞公开数据集上均取得了优异的性能，其中在自有数据集上的mAP50-95值达到了77.2%，较初始YOLOv8x提高了4.8%，相较于其它yolo模型都有不同程度的提升。同时该模型在科大讯飞的数据集上也有着不错的表现，证明了其良好的泛用性和鲁棒性。

关键词： 航拍检测   目标检测   注意力机制   交通安全   深度学习  

摘要： 针对当前无人机在航拍检测任务中存在的对小型目标的检测精度低、漏检误检，模型参数量大导致检测效率较低等问题，以及满足对高速公路实时检测的要求，提出更适用于无人机航拍检测任务的SCW＿v8n算法。首先在C2f模块中创新性融入设计的MCCA注意力机制，增强对目标细节信息特征的提取，这会导致模型参数量变大从而影响检测效率；故将原模型中的骨干网络替换为ShuffleNetV2网络，在完成轻量化的同时提升对目标的检测效率和精度；最后将CIoU 损失函数替换为WIoUv3损失函数，增强模型的泛化能力。实验表明：SCW＿v8n检测模型的平均精确率（map@0.5）提升9.8个百分点，达到了86.5%，整体性能相较于原始模型有了明显的提高。

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： 单阶段目标检测   深度学习   轻量化模型   经典卷积架构   Transformer架构  

摘要： 单目视觉目标检测凭借其低硬件成本与高实时性的显著优势，已逐渐成为自动驾驶、智能监控等领域的核心技术，发挥着不可或缺的作用。然而，几何歧义性、遮挡鲁棒性及小目标检测精度等问题仍是当前研究的瓶颈。本文主要从算法层面出发，从算法演进、性能评估与轻量化设计三个维度系统性地量化分析单目视觉目标检测技术的进展：首先，将单阶段检测算法解构为经典卷积架构与Transformer架构进行剖析、总结其结构创新与性能瓶颈，揭示精度-速度-复杂度的权衡规律；其次，从网络设计-算法优化-模型压缩三个层面探讨轻量化技术与目标检测算法的融合策略，并整合目标检测用于训练和评估的三种主要官方数据集中的多维度评价指标，搭建基于MS-COCO-2017数据集的跨模型对比框架，对不同架构的单阶段检测器进行横向性能对比；最后，展望多模态融合、轻量化改进等前沿方向，旨在为单目视觉目标检测算法的工程化应用与理论突破提供系统性参考。

关键词： 无人机遥感技术   林业资源调查   图像处理  

摘要： 为解决传统技术模式中存在的林业资源调查效率低、数据误差高的实际问题,文章将以无人机遥感技术为研究对象展开分析,结合某地区的实际情况,在说明该技术在林业资源调查与监测中的可行性后,对其中的关键技术应用方案展开研究,包括森林资源的调查、造林面积核查以及森林防火救灾等几方面,希望为类似地区的林业资源管理提供支持。