关键词： 三维目标检测   图神经网络   动态采样   点云处理   小目标检测  

摘要： 现有多数三维目标检测方法在检测远距离目标时容易发生漏检，并且在小目标类别的检测精度方面表现不佳。针对这些问题，提出了一种基于图神经网络与动态采样的三维目标检测算法。在候选框生成阶段，采用图特征增强模块强化柱状特征之间的语义信息，从而生成高质量的伪图像。在关键点采样阶段，设计了一种动态采样策略，不仅提升了采样效率，同时增加了前景点的比例，并结合动态最远体素采样方法以确保关键点分布的均匀性。在候选框细化阶段，利用多尺度图池化模块提取丰富的局部特征，最后通过自适应模块融合局部信息与关键点信息，增强了特征表达能力。基于KITTI数据集的实验结果表明，所提算法在行人和骑行者的平均精度均值(mAP)分别达到了56.08%和77.65%，较基准算法Point Pillars分别提升了12.29和10.04个百分点。此外，该算法在远距离目标识别方面也表现出更高的精度，验证了其在远距离目标检测和小目标类别检测中的有效性。

关键词： 自动驾驶   YOLOv7-tiny   道路目标检测   轻量化   Jetson TX2  

摘要： 针对目标检测算法对算力和存储空间的高要求，限制其在边缘设备中检测功能的实时性，提出了一种基于YOLOv7-tiny改进的轻量化道路目标检测算法。首先，通过K-means++聚类算法生成适合道路目标检测的先验锚框；其次，改进ELAN结构轻量化主干网络，同时提出轻量型多尺度特征（LMS）模块优化颈部网络；最后，使用西格玛线性单元（SiLU）激活函数加速模型收敛，采用MPDIoU损失函数进一步提高检测精度。试验结果表明：改进后的模型参数量减少18.3%，计算量降低15.0%，且所有类别平均检测精度上升1.1%。在Jetson TX2中，使用TensorRT加速后的检测速度达到48帧/s，基本满足道路目标检测的实时性要求。

关键词： YOLOv8   AFPN   尺度变化   数据增强   芒果计数  

摘要： 随着目标检测算法在计算机视觉领域的快速发展，其在农业自动化中的应用越来越广泛。针对传统算法在处理多尺度目标时准确率不足的问题，本文提出了一种基于YOLOv8网络的改进算法。通过引入渐进空间金字塔结构（AFPN），增强了模型对多尺度特征的提取能力，使其在识别不同尺寸目标时具备更高的适应性和鲁棒性。同时，结合数据增强技术与优化的训练策略，进一步提升了模型的泛化能力。本文在多个公开数据集上进行了实验，结果显示本方法在目标检测精度方面显著优于Faster R-CNN、RetinaNet以及YOLOv8原始网络结构，平均精度提升了3.02%。此外，在自制的芒果数据集上的实验表明，本方法在多尺度目标识别方面表现较为突出。该方法不仅为目标检测算法的优化提供了新思路，也为农业及其他领域中的多尺度目标检测任务提供了有效参考。

关键词： 目标检测   多尺度卷积核   坐标注意力   EIOU损失函数  

摘要： 目标检测和识别技术正在迅速发展。在公共场所，犯罪活动日益多样化，给社会治理带来了重大风险和挑战。本文设计YOLOv10-EN检测网络，满足公安实战应用需要。在模型的主干和颈部网络部分，设计多尺度卷积模块MSConv，在不同感受野下捕获多个尺度的空间特征，增强模型对目标适应能力；在主干网络输出PSA模块，引入坐标注意力机制，通过一维全局池化分别聚合水平和垂直方向特征信息，捕获长距离依赖关系，强化全局语义信息，形成方向感知的全局表征。并将池化操作结果在表征方向向量上保留位置信息，进行特征编码，实现精准目标建模，提升定位精度，降低模型尺寸与计算开销；在C2f模块Bottleneck部分引入残差连接与多尺度卷积机制，依托残差连接跳跃结构优化信息流传递，缓解梯度消失与爆炸，实现高效特征融合，并采用多尺度卷积捕获不同感受野特征信息，进一步增强网络多尺度适应与特征表达；在模型训练期间，引入EIOU损失函数，提升边界框回归的精度和收敛速度。实验结果表明，YOLOv10-EN检测网络在模型F1得分、mAP@0.5、模型参数、计算开销四项关键指标上均有增强。对比YOLOv10n基线模型，模型F1得分、mAP@0.5分别增长6.25%、6.46%，模型参数规模与计算复杂度分别下降25.7%、22.97%。实验结果表明，YOLOv10-EN网络在模型轻量化同时实现更为精准的检测效果，满足边缘移动设备便携式部署需要。

关键词： 深度学习   图像处理   遮挡检测   可变形卷积v2   Soft-NMS   Alpha-CIOU损失函数  

摘要： 为了解决生产环境中烟丝检测因粘连、遮挡现象而引发的检测精度不足等问题，提出一种基于改进YOLOv5s的遮挡烟丝检测方法。利用DCN v2C3模块替换YOLOv5s网络颈部的C3模块，提取烟丝深层次的特征信息，提升网络模型的空间变换能力及其泛化到不同形状目标的能力；引入Soft-NMS算法，平滑抑制冗余的边界框，增强对遮挡烟丝的识别能力；采用Alpha-CIOU损失函数，以优化模型的边界框定位精度。实验结果表明，与原始方法相比，改进方法的检测精度提高了2.7%。该方法在提高了检测精度的同时减少了计算量。

关键词： 光伏组件   红外图像   目标检测   YOLOv8   深度学习  

摘要： 通过无人机拍摄光伏组件红外图像进行检测时，图像背景较为复杂，且其中含有的小目标热斑故障在检测过程中容易丢失信息，出现误检或漏检等状况。针对上述问题，将HCF-Net与YOLOv8n网络结合，提出一种融合网络（HCF-YOLO）用于光伏组件红外图像热斑故障检测。加入并行化注意力机制（PPA），通过分层特征融合和注意力机制来增强小目标的表达，确保在多个降采样步骤后保留热斑关键信息。采用维度感知选择性集成模块（DASI），注重对高维和低维特征的自适应选择和精细融合，增强小目标的显著性。使用PIOU（Powerful IoU）作为HCF-YOLO的损失函数，在回归的早期阶段，引导预测框沿着有效路径回归，提升检测速度。HCF-YOLO算法相较于原有的YOLOv8n算法检测精度(average precision 50，AP50)由89.27%提升至97.28%，并且检测速度达到217.33帧/s，实验结果可证明模型的有效性。

关键词： 无人机   目标跟踪   孪生网络   多尺度特征融合  

摘要： 针对传统目标跟踪算法计算量大、跟踪精度低等问题，提出了一种结合孪生网络和Transformer的轻量级目标跟踪算法，能够有效应对无人机跟踪场景的各种挑战。首先，基于轻量级特征提取网络GhostNet设计模型的主干网络，提取目标的多尺度特征。随后，利用改进的Transformer结构搭建模型的多尺度特征融合层，充分融合目标的多尺度特征。最后，将改进的Transformer结构与孪生网络的互相关操作相结合，整合特征的全局与局部信息，实现对跟踪目标的精确定位。在UAV123、GOT-10k和LaSOT数据集上的实验结果表明，所提算法跟踪性能优秀，跟踪速度达到了87帧/s，在GPU和CPU平台上均实现了实时目标跟踪。

关键词： 高速公路   无人机   YOLOv8   目标检测   多目标   小目标  

摘要： 正常运行的高速公路上，存在干扰驾驶员判断、造成交通隐患的危险目标，使用无人机进行检测时可能面临遮挡、重叠、分散、异构等难点。为解决这些问题，提出一种基于YOLOv8n的高精度检测算法--CT-YOLO。首先，在YOLOv8骨干网络C2f模块中重构空洞卷积（Dilated Convolution），在卷积前后分别融合1×1卷积，解决应用场景目标分散的问题；其次，改进经典特征金字塔网络，额外增加两个检测层，提高了对遮挡、小目标的检测精度；最后，将改进的三重注意力机制融合到Head部分的C2f模块中，增强模型对异构目标信息的捕捉能力。通过视频采集、分帧、人工标注和数据增强，构建了一个包含11种异常目标的图像数据集，包括裂缝、修补、果皮、树叶、塑料、坑槽、箭头、车道线、纸箱、泛油和易拉罐。实验结果表明，CT-YOLO算法在异常目标图像数据集上mAP@0.5提升了13.2%，mAP@0.5:0.95提升了11%，检测精度明显提高，具有较好的实际应用效果。

关键词： 无人机航拍   小目标检测   YOLOv11n   LAMP剪枝   Focal-DIoU  

摘要： 【目的】针对无人机航拍图像中小目标检测面临的背景复杂、尺度变化大导致的检测精度较低和推理速度较慢等问题，文章提出了一种基于YOLOv11n模型的改进算法YOLOv11n-DPD，旨在提升无人机航拍图像中小目标的检测精度，并实现模型轻量化和推理加速，便于资源受限的嵌入式设备上部署运行。【方法】首先，在C3k2模块中引入可变形卷积（DCN），增强模型在复杂背景下对多尺度目标的特征提取能力，特别是对于形变显著的小目标。其次，针对无人机航拍图像中小目标占比较多等情形，新增P2（Prediction Layer 2）小目标检测层并去除了P5（Prediction Layer 5）大目标层，有效提高了小目标特征的捕获精度，同时减少了大目标检测层的冗余计算。然后，提出了一种结合Focal Loss与DIoU Loss的Focal-DIoU（Focal Loss and Distance-IoU Loss）损失函数，解决了小目标检测中的各目标类别不平衡问题，并优化了边界框的定位精度。最后，采用LAMP剪枝方法对模型进行轻量化处理，主要通过适当调整剪枝加速比，自适应地按层评估并删除冗余连接，减少模型整体计算量并加速推理过程。【结果】在VisDrone2019数据集上的实验结果表明，YOLOv11n-DPD相较于原YOLOv11n模型，在mAP50指标上提升了6.5%，达到了40.7%，增强了对无人机航拍小目标的检测精度。同时，YOLOv11n-DPD在推理速度方面，在Ubuntu和JETSON平台上分别提高了32FPS和6FPS，显著加快了推理过程。模型的大小和参数量分别减少了3.87和2.02 MB，证明了算法在轻量化方面的优势。此外，与现有主流的小目标检测方法相比，YOLOv11n-DPD在检测精度、推理速度和计算资源上综合表现更好，具有显著优势。【结论】文章所提YOLOv11n-DPD算法通过引入可变形卷积、优化小目标检测层结构、改进损失函数和进行模型剪枝，提高了检测精度、加速了推理过程并优化了模型大小，与现有的小目标检测方法相比表现更优，尤其适用于无人机航拍小目标检测任务和嵌入式平台的部署推理。

关键词： 自动驾驶   目标检测   注意力机制   多尺度特征融合   尘雾环境  

摘要： 针对扬尘、雾霾等恶劣环境下，车辆目标检测中漏检、误检及远小目标检测精度低等问题，提出了EPMYOLOv8的目标检测算法。将高效通道注意力（ECA）模块集成到YOLOv8n算法的C2f模块，使骨干网络更加关注浅层较小的目标特征信息；通过增加目标检测层，并设计多尺度特征融合架构，提高模型目标特征提取能力与检测精度；使用基于最小点距离交并比（MPDIoU）损失作为损失函数，提高检测框回归精度。试验结果表明：EPM-YOLOv8模型检测框查准率达到83.6%，检测精度达到76.8%，对尘雾恶劣环境的检测性能具有一定优越性。