关键词： 语义分割   图像处理   视觉导航   路径识别  

摘要： 针对跨行式采茶机在茶垄导航路径识别中面临的精度低、实时性差问题，提出了一种轻量化的UnetVGG16模型。该模型采用VGG16作为编码器，结合坐标注意力机制优化跳跃连接，并在解码层引入双层Ghost卷积以提升模型性能与效率。通过分割茶垄图像提取导航点，采用随机抽样一致性算法拟合导航路径，并利用梯度加权类激活映射法进行可视化分析。结果显示，该模型在不同光照条件下的茶垄分割任务中表现出色，平均交并比为98.64%，平均像素准确度为99.33%，推理速度为0.194 s。与原始Unet模型相比，该模型在提高分割精度的同时减少了参数量，满足采茶机视觉导航的实时性需求。研究结果为跨行式采茶机的视觉导航提供了技术支持。

关键词： 高光谱视频   目标跟踪   降维   时间上下文   孪生网络  

摘要： 提出一种基于光谱-时间交叉注意力的高光谱视频目标跟踪方法，以解决遮挡带来的跟踪性能下降问题。首先，提出一种基于波段光谱相关性降维方法，通过波段相关系数和信息熵对高光谱数据分组融合，有效降低维度并提高目标与背景的判别性。其次，设计了基于时间上下文的孪生网络特征提取框架，通过引入相邻帧信息增强了跟踪器对目标被遮挡以及外观变化的适应性。最后，提出了光谱-时间交叉注意力模块对模板与相邻帧的深层特征进行自适应融合，更精准地捕获光谱和时间维度信息。实验结果表明，所提出的算法显著提升了跟踪性能，其中AUC和DP@20分别达到了0.646和0.897，相比于现有先进方法，分别提高了1%和0.5%，并且在遮挡挑战下具有更好的跟踪性能。

关键词： 目标检测   YOLOv8   道路缺陷检测   注意力机制   动态检测头  

摘要： 针对道路缺陷检测中轻量化与检测精度难以兼顾的问题，本文在YOLOv8模型基础上提出了一种平衡模型IMD-YOLOv8。首先，通过融合倒置残差结构iRMB与高效多尺度注意力EMA，设计C2f-iEMA模块替换原C2f模块，在保持参数量相近的前提下，利用跨尺度特征重组增强病害特征提取能力，显著提升小目标检测精度；其次，引入多尺度空洞注意力MSDA优化局部特征交互，通过多尺度语义聚合进一步提升检测鲁棒性，并采用动态检测头DynamicHead替换固定结构，通过任务感知注意力动态分配计算资源，显著减少冗余参数；最后，设计形状敏感的ShapeIoU损失函数，通过约束边界框形状相似性优化回归精度，避免引入额外计算开销。实验表明，IMD-YOLOv8在RDD2022数据集上实现m AP@0.5为89.4%，较YOLOv8提升2.9个百分点，参数量与计算量分别减少20个百分点和3个百分点，FPS达98.5 f/s，在轻量化与精度之间实现有效平衡。

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： 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： 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： 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： YOLOv8   水下目标检测   模型优化   轻量化   剪枝策略   性能回调   物联网   约束训练   结构剪枝   深度学习  

摘要： 在物联网水下应用中，复杂环境对目标检测提出更高要求，传统方法难以胜任。为此，基于YOLOv8的高性能，针对其参数量大、计算开销高的问题，提出三阶段优化策略，实现模型轻量化并提升其在资源受限设备中的部署效率。该策略兼顾检测精度与资源约束，为水下物联网场景提供了可行的轻量化解决方案。该策略通过“约束训练+结构剪枝+性能回调”的递进式优化流程，实现了模型的高效轻量化。实验表明，该方法在有效减小模型规模与计算复杂度的前提下，依然具备较强的检测精度，甚至有所提升。特别是当稀疏因子设置为0.001，裁剪率为0.3至0.5时，模型mAP0.5最高达0.818、mAP@0.5:0.95最高达0.477，实现了参数量减少30%～50%、FLOPs降低33%的显著轻量化效果。实验结果验证了该方法在降低模型复杂度的同时，能够维持甚至提升检测性能，为水下目标检测提供了一种高效、实用的新方案。