关键词： 目标检测   YOLOv8   复杂场景   注意力机制   安全帽  

摘要： 为解决复杂施工场景中安全帽佩戴检测因人员密集、遮挡和目标体积小，导致模型出现漏检和误检的问题，本文提出一种基于改进的YOLOv8的安全帽佩戴检测算法。首先，引入基于大核深度可分离卷积的CMUNeXtBlock模块，通过将深度可分离卷积和反向瓶颈技术相结合，提高网络的全局感知能力；其次，设计C2FICB模块替换主干网络中的C2f，融合不同通道和空间位置之间的语义特征，强化网络对多尺度的泛化性，并在颈部网络设计P2微尺度目标检测层，提高网络捕捉局部特征的能力；最后，提出一种基于感受野注意力卷积的RFAConv head(RFAHead)检测头，优化空间特征的表达，进一步强化模型对全局特征的提取能力。实验结果表明在数据集Safety helmet上，改进后的模型比基线模型mAP@0.5的值提升了5.2%，mAP@0.5-0.95的值提升了3.9%，有效提高安全帽佩戴检测模型的精度。

关键词： 小目标检测   YOLOv5   AKConv   DWR   SIoU  

摘要： 无人机凭借高效、安全、灵活的优势,已被广泛应用于多个领域,为确保无人机检测的可靠性,提升其对小目标检测的准确性显得至关重要.针对无人机小目标检测存在的漏检、误检问题,提出了一种基于YOLOv5改进的无人机检测算法BVD-YOLO(balanced visdrone detection YOLO).具体为,引入可变形卷积(AKConv)替换部分骨干网络的卷积模块,增强检测性能的同时,降低模型复杂度;颈部与骨干网络引入C3-DWR模块,以通过少量计算代价提高模型对重叠目标的辨识度;在颈部引入加权双向特征金字塔模块(BiFPN),实现更深层次的特征融合;添加额外的P2检测头,增强模型对小目标的检测能力;采用基于双框向量角度的SIo U损失函数使边界框的回归处理更加精确.实验结果表明,在Visdrone2019数据集上,BVD-YOLO算法的m AP@0.5达到了0.330,mAP@0.5-0.95达到了0.180,并且相较于基线模型YOLOv5精度分别提升了4.7%与2.8%.与主流目标检测算法以及YOLO系列模型相比,BVD-YOLO更加有效地完成了无人机小目标检测任务,实现了计算资源与检测性能之间较好的平衡.

关键词： 航空发动机   叶片损伤   目标检测   YOLOv8   深度学习   孔探检测  

摘要： 准确发现和识别发动机内部损伤对发动机维护具有重要意义。针对传统人工孔探检查经验依赖度高、准确性不高的问题，提出了一种基于改进YOLOv8的航空发动机叶片损伤识别模型。构建了航空发动机叶片损伤数据集，针对叶片损伤在图像中占比小、信息容易丢失的问题，在主干网络部分引入通道-空间注意力融合模块（CBAM），并使用动态非单调加权交并比损失函数（WIoU）替换原函数，优化模型分类性能，提高模型鲁棒性；针对叶片损伤类型各异，特征统一度不高的问题，引入动态可变形卷积（DCNv3）模块，构建C2f＿DCNv3模块，提高模型对于不同种类损伤的适应性和泛化能力。研究结果表明，所提出的改进模型在发动机叶片表明损伤方面的检测平均精度均值（mAP@50%）达到92.30%，相比原YOLOv8n模型提高了2.4%，相比YOLOv5和YOLOv6分别提高了9.57%和10.75%，在模型计算量小于YOLOv8s约72.47%的情况下，精度提高1.37%，证明了改进后模型在兼顾计算量和检测精度的情况下具有较高的综合性能，有利于提高航空发动机孔探检测的自动化和智能化水平。

关键词： 计算机视觉   高级辅助驾驶系统   车辆检测   夜间场景   注意力机制   特征增强  

摘要： 针对低光照条件下车辆与背景难以区分以及光源干扰导致车辆检测难度较大的问题，本文提出了一种改进的轻量级车辆检测模型——全局增强-局部注意力YOLO（GALA-YOLO）。现有的深度学习目标检测模型大多针对白天场景设计，忽视了夜间环境中的特殊挑战，而夜间低光照场景下的车辆检测已成为高阶辅助驾驶系统研究中的难点和重要组成部分。该模型基于轻量级的YOLOv8s进行优化，引入全局增强（GA）和局部注意力（LA）模块，分别嵌入不同层次以提升特征表达能力。GA模块使用大卷积核捕捉图像的全局信息（如物体空间分布和光照强度），并针对夜间环境进行自适应调整；LA模块是一个多尺度卷积注意力模块，采用不同大小的卷积核捕捉多尺度局部信息，综合考虑复杂夜间环境中不同层次的细节。进一步地，本文对CIoU损失函数进行了改进，通过采用MPDIoU，以更灵活地捕捉边界框形状特征，有效提升了模型的鲁棒性和收敛速度。实验结果表明，GALA-YOLO在夜间场景数据集上的mAP达到了59.2%，较现有最优目标检测模型提升了0.8%；在KITTI数据集上，车辆检测的mAP达到了76.7%，相比当前最优检测模型提升了0.5%。研究结果验证了本文所提方法在夜间环境中的有效性和正确性，为高级辅助驾驶系统的智能检测与安全预警研究提供了一种参考。

关键词： 云边协同   嵌入式人工智能   物联网   目标检测   实验教学  

摘要： 针对嵌入式人工智能实验教学中存在的视觉检测场景多样化、检测任务开发流程复杂、实验硬件设备选型困难、通用性不足、部署难度大，以及深度学习算法对学生入门门槛高、教学成本较高等问题，结合云端与边端深度学习算法的优势与局限性，设计并开发了一套基于云边协同的嵌入式人工智能与物联网实验教学系统。该系统由以下核心模块组成：自主研发的支持多种协议与多传感器接口的边缘端数据采集板、一站式低代码深度学习算法开发平台，以及云边协同一体化的人工智能与物联网算法实验平台。实验教学结果表明：该云边协同实验教学系统能够实时采集传感器数据，支持多种常用的轻量化深度学习网络模型的开发和部署，满足嵌入式场景下的目标检测要求，同时适应不同专业背景的专业硕士研究生在人工智能实验教学与科研中的多样化需求，有效提升了学生的工程实践与创新能力。

关键词： 惯导维修   YOLOv8   目标检测   PCB缺陷检测   深度学习  

摘要： 惯导维修中线路板缺陷检测存在复杂度高、精度低以及效率低下的问题，提出一种改进的YOLOv8模型（PNC-YOLOv8）。首先，该模型引入高分辨率小目标检测层构建多尺度特征金字塔，有效增强微小缺陷的特征表达能力；其次，在主干网络嵌入新型NAMAttention注意力机制，通过建立跨通道长程依赖关系提升复杂背景下的特征判别能力；最后，在特征融合阶段集成CBAM注意力模块，通过通道-空间协同注意力机制实现局部关键特征的强化。结果表明：PNC-YOLOv8模型平均精度达到93.8%，与基础模型YOLOv8相比，平均精度提高了3.9%，与其他主流检测模型相比，性能也有显著提升，同时其单帧检测速度达到了100 ms。

关键词： 合成孔径雷达(SAR)   定向边界框(OBB)   非局部平均去噪(Fastnlmd)   ConvNeXtV2   聚焦扩散金字塔网络(FDPN)  

摘要： 针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像舰船目标容易被背景和噪声淹没、舰船目标尺度变化大、目标检测定位不准确等问题，提出一种基于聚焦扩散机制的SAR图像舰船旋转框目标检测方法：FCFO＿NET。首先采用非局部平均去噪技术（Fastnlmd）对SAR图像进行预处理，以消除噪声并改善图像质量。其次，优化YOLOv8的主干网络，采用ConvNeXtV2架构的纯卷积神经网络，有效应对复杂背景下检测效果不佳的问题。接着，创新性地构建了聚焦扩散的金字塔网络结构（FDPN），高效捕获并整合跨多个尺度的丰富信息。最后，引入定向边界框（Oriented Bounding Box，OBB）旋转框目标检测头更准确地定位舰船目标。在SSDD+数据集上的实验结果表明，所提方法在平均精度（mAP）上达到98.9%的准确率，F1分数达到96.7%，分别比基线模型提高2.3、3.1个百分点。实验结果证明了FCFO＿NET的有效性。

关键词： 车辆检测   轻量化   YOLOv8   REPVGG   坐标注意力机制   Wise-IoU  

摘要： 针对当前复杂多变的道路车辆状况且检测平台资源有限的问题，提出了一种改进YOLOv8的车辆目标改进算法，采用改进的REPELAN模块替换C2f模块，以减少参数量，实现模型轻量化。使用一种轻量化共享卷积检测头(LSCD head)取代原始检测头，在减小模型的基础上提高精度。在骨干网络中引入坐标注意力机制，以提高对车辆目标的检测性能。使用WISE-IoU损失函数替换YOLOv8网络中的原CIOU损失函数，以加快网络收敛速度。使用处理后的KITTI和SODA10M数据集进行实验。结果表明，改进后的算法相比YOLOv8n，mAP0.5、mAP0.5～95、召回率和精确率分别提升了1.4%、1.0%、1.8%和1.2%，计算量、参数量、模型体积分别减少37.0%、46.7%、46.8%，有效实现了模型轻量化和性能的平衡，并具有良好的泛化能力，满足了在计算资源受限环境下的部署需求。

关键词： YoloV5   目标检测   深度学习   滑动窗口视觉转换模块   坐标注意力机制   深海资源   图像识别   多金属结核丰度估算  

摘要： 深海多金属结核因其丰富的金属元素成分具备极高的开采价值，为了有效开采深海多金属结核必须对海底各个矿区的结核丰度进行准确估算与分析。针对结核的丰度识别，本文提出一种基于改进YoloV5s的深海多金属结核目标检测与质量提取的方法。引入层次化窗口变换视觉转换模块和坐标注意力机制；建立由个人收集的深海多金属结核数据集，共1 500张图像。结果表明：本方法在结核图像检测中的平均精度达到99.50%，较原始YoloV5s提升了0.94%，在保证较快检测速度的同时实现了精度的显著提高。同时改进算法表现出更强的判别能力，置信度从0.74提升至0.94，增强了模型对结核目标的识别可靠性。本文方法为深海多金属结核的丰度识别提供了有力支撑，可用于对海底矿区结核的丰度进行准确估算与分析。

关键词： 桥梁工程   轮轨式检测机器人   表观病害检测   机器视觉   深度学习   YOLOv8  

摘要： 钢拱塔是钢拱斜拉桥的主要承重结构，其表观病害（如腐蚀、剥落和裂缝等）的早期检测与评估对保障桥梁结构安全至关重要。然而，传统人工检测方法效率低下、主观性强且难以覆盖高空隐蔽区域。因此，提出了一种基于改进YOLOv8n-Seg深度学习框架与OSRA注意力机制的智能检测方法。利用自主研发的轮轨式检测机器人系统采集钢拱塔内部高分辨率图像数据，结合开源数据集构建了包含5846张原始图像的多病害数据集，并通过随机裁剪、镜像翻转和亮度调整等数据增强技术将样本量扩展至23378张图像。在算法设计层面，创新性地将OSRA注意力模块嵌入YOLOv8n-Seg网络的特征融合层，通过重叠分块策略和局部细化机制显著提升了模型对不规则边界和微小病害特征的捕捉能力。结果表明：优化后的YOLOv8-OSRA模型在独立测试集上取得了显著的性能提升，锈蚀检测mAP@0.5达到90.9%（提升2.6%），裂缝识别精度87.0%（提升1.1%），剥落检测准确率81.9%（提升2.1%）。消融实验进一步验证了OSRA模块在保持计算效率（仅增加0.8% GFLOPs）的同时，其性能优势显著优于SE和CBAM等注意力机制。研究成果为钢拱塔病害检测提供可部署于移动检测设备的轻量化解决方案，提出的多尺度特征增强方法可为复杂钢结构表面缺陷检测提供参考。