关键词： 樱桃   成熟度检测   YOLOv8n   多尺度特征提取   目标检测   深度学习  

摘要： 精确检测樱桃果实情况对提升果实品质、优化采摘时机及实现果园自动化管理具有重要意义。然而，由于樱桃果实体积小、颜色多样、背景复杂及重叠遮挡等因素，检测仍面临诸多挑战。为此，提出一种基于YOLOv8n架构的轻量化改进模型ACS-YOLOv8n，以提升检测精度与效率。该模型在主干网络中引入自适应下采样模块（ADown），融合平均池化与最大池化优势，结合多路径卷积操作，有效保留全局信息与局部显著特征，增强小目标检测能力。同时，采用Context Guided Block(CGB)替代传统C2f模块，通过局部、上下文与全局特征的联合提取，提升模型对目标与环境关系的感知能力与多尺度特征提取效果。在Neck部分，引入基于GSConv与VoV-GSCSP的Slim-Neck结构，优化特征融合方式，显著降低计算冗余，兼顾速度与精度。试验结果显示，ACS-YOLOv8n在复杂果园环境下的精度达92.94%，召回率90.66%,mAP50为96.57%；相较YOLOv8n，精度提升2.62个百分点，召回率提升1.57个百分点，平均精度提升2.08个百分点，同时模型参数量与计算量分别减少31.90%和33.33%，模型体积为原始模型的71.43%。该模型在复杂环境中表现出良好的检测效果与鲁棒性，为樱桃自动采摘与果园智能化管理提供了有效技术支撑。

关键词： 深度学习   YOLOv8   多头注意力机制   计算机视觉   缺陷检测   防腐涂层  

摘要： 钢结构耐腐蚀能力差，需要防腐涂层进行保护，涂层老化会导致防腐效果降低甚至失效，因此对其防腐涂层的维护至关重要。本文自主构建了用于服役钢结构防腐涂层缺陷检测的数据集，并提出了一种基于多种注意力机制改进的YOLOv8算法，用于检测钢结构防腐涂层中的缺陷。对Backbone中的C2f模块加入了多尺度的可变形注意力机制，提高对小目标的检测能力。Head采用了融合自注意力机制的Dynamic Head，增强尺度感知、空间感知和任务感知。优化分类损失函数为Slide Loss解决数据集中样本不均衡的问题，优化IoU损失函数为Shape IoU提升多尺度目标的检测能力。所提出的改进算法解决了传统机器学习图像分类模型无法进行多缺陷检测、且泛化性能不强的缺点，与YOLOv8基线算法相比，改进算法分别提高了5.82%的精确率、5.01%的召回率、4.78%的m AP指标。

关键词： 破片群   YOLO模型   目标检测   注意力机制   多尺度特征融合  

摘要： 战斗部破片群的飞行参数对毁伤威力评估具有重要意义。针对复杂背景下破片小目标检测精度低、特征表达不足的问题，提出一种基于多尺度特征融合与混合注意力机制的轻量化检测（Multi-Scale Mixed Attention YOLO，MSMA-YOLO）模型。在YOLOv8框架上引入多尺度空间金字塔池化（Multi-Scale Spatial Pyramid Pooling Fast，MS-SPPF） 模块，通过多尺度注意力机制增强特征聚合能力；设计轻量化混合注意力两层卷积特征融合 （Mixed Attention Two Convolutions Fusion，MA-C2f）模块，优化浅层与深层特征融合；并结合动态卷积（Dynamic Convolution， DyConv）实现动态偏移学习，以提升特征表征的完整性与适应性。在自制破片数据集上的实验结果表明：MSMA-YOLO模型的精确率、召回率和平均检测精度mAP0.5分别达到76.2%、71.2%和72.2%，较基线模型YOLOv8n提高4.3%、2.5%和2.8%，模型参数仅增加0.363×106，体积增加约0.8 MB；所提模型在检测精度与计算效率之间实现了优良平衡，可为破片飞行参数提取与毁伤评估提供可靠的目标检测基础。

关键词： 膨大期柑橘   旋转拍摄   果实估产   YOLOv8n-SC   DeepSORT  

摘要： 【目的】为实现复杂果园环境下柑橘果实的精准估产，克服传统方法的局限性，本研究旨在构建一套基于视频流的自动估产模型，并系统评估光照条件与拍摄角度对模型识别准确率的影响。【方法】以膨大期柑橘树为对象，采用环绕旋转方式采集视频数据。提出改进的YOLOv8n-SC检测模型，通过增加小目标检测头、引入CBAM注意力机制及优化损失函数，提升对小尺寸和低对比度果实的识别能力；结合DeepSORT算法实现果实的持续跟踪与计数，并对比不同光照（自然光/人工光源）和拍摄角度（俯拍/平摄）条件下的模型性能。【结果】改进的YOLOv8n-SC模型在检测任务中召回率与mAP50分别达到97.6%和93.7%；在人工光源结合平摄条件下模型表现最优，多目标跟踪准确度与跟踪精度分别为90.8%和94.0%，平均计数精度（ACP）达89.46%，可有效实现单株柑橘果实的自动化统计。【结论】本研究提出的估产系统能够适应复杂果园环境，实现高精度柑橘计数，证实人工光源与平摄相结合为最优数据采集策略，为柑橘产量自动化预测提供了可靠技术支撑。

关键词： 卫星遥感   YOLO11   目标检测   卷积操作   注意力机制  

摘要： 现阶段卫星遥感图像尺寸较大,检测目标大多较小且分布不均,存在大量目标聚集在一起的现象,且不同目标尺度差距较大,背景较为复杂,使得在土地利用和环境灾害检测方面面临相当大的挑战.因此,本文提出一种改进YOLO11的遥感图像检测方法.首先,在YOLO11中的C3k2模块中引入注意力机制,设计了C3k2＿DAB模块,在控制模型复杂度的同时提高模型在复杂背景影响下的检测性能.其次,在颈部网络后加入PKI模块,促进了局部和全局上下文信息的自适应特征提取.最后在检测端引入新的检测头PConv检测头,在减少冗余计算和内存访问的前提下更快速地提取空间特征.实验结果证明,改进的YOLO11网络模型在遥感图像目标检测任务中取得了优异性能,相较于原YOLO11模型mAP@0.5提高了2.4%, mAP@0.5:0.95提高了2.1%,且优于其他主流目标检测模型,为遥感目标检测算法的应用提供了新思路.

关键词： 人工智能   图像处理   道路裂缝   精准自动识别  

摘要： 将人工智能与图像处理技术结合,可实现道路裂缝精准自动识别。利用图像处理技术完成裂缝图像的预处理、特征提取,借助人工智能算法构建识别模型,经过训练与优化提升识别精度。该方法能提高道路检测效率与准确性,降低人力成本,为道路养护与管理提供有效的技术支持。

关键词： 乳腺癌   计算机辅助技术   深度学习   图像分割   计算机视觉  

摘要： 乳腺癌是全球女性中最常见且致死率较高的恶性肿瘤之一,其诊断和治疗高度依赖医学成像技术.其中,病灶分割在精准识别病理区域、辅助诊断及治疗规划方面发挥着关键作用.近年来,深度学习算法在乳腺癌病灶的自动分割任务中取得了显著进展,为深度学习在这方面的研究奠定了基础.系统梳理了近年来相关研究,重点探讨深度学习技术在不同医学成像模式下分割方面的应用,旨在为乳腺癌病灶分割的进一步研究提供参考.首先,简要介绍相关数据集和图像分割常用指标.然后,系统综述基于深度学习的乳腺癌影像分割方法,归纳不同算法在不同成像模式下的应用情况.最后,总结当前技术存在的挑战,并结合现有研究的局限性,对未来发展方向进行展望.

关键词： 海事雷达   扩展目标跟踪   相关滤波器   贝叶斯滤波   多视野融合  

摘要： 该文针对复杂海面背景下雷达目标跟踪的关键技术展开研究。基于特征辅助的经典贝叶斯跟踪方法在海面雷达目标跟踪问题中已取得一定进展，但在强杂波淹没与目标相互作用的复杂场景中，其鲁棒性显著降低。为解决这些问题，该文提出了一种自适应多视野聚焦贝叶斯融合相关滤波器。该方法在目标状态概率分布区域内生成多个子视野，并在每个视野中部署独立的相关滤波器构建局部响应图，实现多假设状态建模。在跟踪器的迭代过程中，各滤波器生成的响应图不仅用于状态估计，还引导子视野分布在时序中动态聚焦于目标存在的高置信区域，从而增强跟踪器对复杂运动的适应能力。此外，针对复杂海面背景下跟踪器容易出现虚警和漏警的问题，算法引入了虚拟视野模拟聚焦模型，有效抑制了复杂环境因素导致的滤波器漂移现象。最终，该文在贝叶斯多量测跟踪框架下融合多视野量测，构建全局状态估计，获得了更精确的目标状态融合估计。基于仿真与实测雷达数据的实验结果表明，所提算法在中心定位误差指标上平均误差为3.47像素，较典型特征辅助相关滤波方法平均降低约70%，在定位精度指标上整体提升了约21%，显著提升了目标跟踪精度与抗干扰能力，验证了多视野聚焦相关滤波机制和贝叶斯融合策略的有效性。

关键词： 目标检测   视觉退化   Kolmogorov-Arnold网络   可解释性   注意力机制  

摘要： 尽管目标检测技术已在理想条件下取得显著突破，但在雾、雨、雪等极端天气下检测性能会严重下降，制约了其在自动驾驶、城市安防等关键领域的应用。为此，提出可学习的激活函数可以更有效地建模恶劣天气图像退化引入的复杂非线性畸变。基于此实现了一种基于Kolmogorov-Arnold定理的新型检测框架——KADet。该框架包含三个核心组件：动态Kolmogorov-Arnold变换器(DKAT)采用可学习非线性激活函数增强特征提取能力；Kolmogorov-Arnold空间通道网络(KA-ScNet)通过集成KAT-conv和空间通道卷积技术，增强对退化场景中背景与检测目标关系的学习能力；改进的损失函数约束激活函数的优化方向。并结合可学习激活函数进行可解释研究，展现了模型决策过程。实验表明，KADet在多个合成和真实世界恶劣天气数据集上均优于现有方法，在雾天、雨天和雪天条件下平均精度(mAP)显著提升，验证了可学习激活函数在应对天气退化导致的目标检测性能下降问题的有效性。此外，通过可视化KAT模块的函数曲线，揭示了模型应对不同退化特征的策略，验证了其良好的可解释性和可信度，为计算机视觉在复杂环境下的应用提供了新的理论基础和技术路径。

关键词： 目标检测   YOLOv8   通道注意力   特征融合   可变形卷积  

摘要： 针对复杂场景下多尺度目标检测任务中存在的跨层级特征交互不足、特征表达能力有限等问题，提出一种基于YOLOv8的改进模型CAFR-YOLO。首先，设计了一种新颖的跨尺度特征重组流程，构建了通道注意力引导的跨尺度特征重组模块(CAFR)。该模块通过以特定层级为融合主干，结合尺度对齐、注意力加权融合及特征子集拼接策略，有效缓解了传统特征金字塔结构中跨层级交互不足的问题。其次，在局部层面，主干网络中引入C2f＿DCNv3模块，利用可变形卷积的动态采样特性显著提升了模型的几何适应性；在全局角度，结合可切换空洞卷积(SAC)与C2f模块构建C2f＿SAConv模块，通过动态空洞率优化了多尺度语义特征融合，二者从不同维度增强了模型对复杂场景的鲁棒性。最后，采用SPDConv 替代传统卷积架构，通过空间-通道维度的特征重组增强了模型表征能力，同时降低了计算复杂度。实验结果表明，在PASCAL VOC数据集上，CAFR-YOLO取得了86.3%的mAP@0.5和67.2%的mAP@0.5:0.95，计算量与原模型相当；在MS COCO数据集上，map@0.5和mAP@0.5:0.95分别提升了3.5%和3.9%。与现有主流方法相比，CAFR-YOLO在多项指标上均表现出显著优势，在保持计算效率的同时，显著提升了多尺度目标检测的精度和鲁棒性，为实时目标检测任务提供了新的解决方案。