关键词： 无人机图像   目标检测   YOLOv8n   特征提取  

摘要： 无人机由于其效率高、成本低、机动性好等优点,在各种复杂地形环境检测中的应用越来越广.然而,航拍图像中的目标分布密集、尺度变化大且存在大量小目标,其目标检测成为当前无人机技术研究的热点和难点.针对这一问题,提出一种基于改进YOLOv8n的无人机小目标轻量化检测算法DCD-YOLO(dynamic capture drone YOLO).具体为,在主干网络部分,利用CDR模块的多速率扩张卷积和残差结构,实现基本特征提取;在颈部,引入加权双向特征金字塔模块(BiFPN),利用跨尺度连接和加权融合输入特征,更快速高效地实现多尺度特征融合;内容引导卷积和自注意力(CGCA)融合模块融合浅层特征图和深层特征图,通过学习到的空间权重调整输出特征图,缓解了梯度消失问题,增强了细节特征;在检测头部分,引入动态检测头,实现检测头和注意力的统一,提高检测能力.实验表明,在Vis Drone2019无人机数据集上,DCD-YOLO实现了0.407的m AP@0.5综合检测精度,相比基线模型YOLOv8n提升了21.9%,相比主流的算法和YOLO系列目标检测算法,DCD-YOLO具有更优秀的检测性能,较好地实现了模型检测精度和模型大小的平衡.

关键词： 目标检测   卡通面部   GELAN   注意力机制   YOLOv8   共享卷积  

摘要： 卡通角色面部检测是一项比人脸检测更具挑战性的任务,它涉及许多困难的场景.针对卡通角色面部间存在巨大差异的特点,本文提出了一种卡通角色面部检测算法,命名为YOLO-DEL.首先,基于GELAN融合BDD设计了DBBNCSPELAN模块,旨在减小模型体积的同时增强检测性能.接下来,引入一种称为ELA的多尺度注意机制,用于改善SPPF结构,增强主干模型的特征提取能力.最后,设计了新的共享卷积检测头,使网络更轻便.同时也用Shape-IoU代替原CIoU损失函数,提升模型的收敛效率.在iCartoonFace数据集上进行实验,通过消融实验验证得到的模型,并将其与YOLOv3-tiny、YOLOv5n和YOLOv6等模型进行比较.改进模型YOLO-DEL的mAP达到90.3%,比YOLOv8提高了1.2%,参数量为1.69M,与YOLOv8相比参数量降低47%, GFLOPs降低44%.实验表明,本文方法能有效提高卡通角色面部的检测精度,同时缩小网络模型的大小,验证本文方法的有效性.

关键词： 3D目标检测   点-体素   感受野融合   几何聚合   小目标检测  

摘要： 交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别，本文着重于提升小目标检测的性能。本文设计了全新的多模态特征编码方案：基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法。另外，本文模块均针对两阶段模型的前期特征强化，提前规避细节错误；本文模块独立性强，可扩展到所有两阶段模型中。实验对比使用KITTI数据集的两阶段3D检测模型，结果显示本文方法在不同遮挡难度中，行人类对象和骑行类对象的准确率可分别实现3%和5%的显著提升。并且对比KITTI数据集行人类3D检测SOTA，本文方法在基本同步的时间延迟下，在其整体准确率提升的同时，小目标对象检测的准确率更高。

关键词： 输电线路   山火检测   烟雾检测   图像处理   目标检测  

摘要： 山火监测与定位是提高输电线路可靠性的关键。然而，高压电沿线山火图像数据具有一定的复杂性且检测目标易混淆，传统的目标检测算法无法满足山火检测任务在识别精度与速度方面的需求。为此，提出一种两阶段的高效低报警率山火检测算法，以实现高召回率高精确率的实时山火检测系统。算法架构中，第一阶段采用基于正负山火图像样本的目标检测算法，以神经网络模型YOLOv7作为目标检测器，在训练时使用足量且比例均衡的正负样本图像，提升模型的可靠性；第二阶段采用易混淆目标分类算法，以轻量级神经网络MobileNetV3作为特征提取网络，并根据第一阶段得到的易混淆类别选择不同的分类权重参数，提升易混淆目标的易分性。此外，分析了训练数据对山火目标检测算法的影响，并在山火检测数据集上进行了将所提出方法与主流目标检测器的对比实验，结合模型的多进程并行推理帧率，验证了所提出算法的有效性。

关键词： 小目标检测   NWD损失函数   小目标检测层   可变形卷积  

摘要： 针对YOLOv8算法在无人机视角下小目标性能不佳的问题，提出了一种改进后的YOLOv8-NDTiny算法。改进原有的CIoU损失函数，引入NWD损失函数，提高算法对于小目标的敏感度；在保持算法原有参数量的同时，将原有C2f模块中的卷积模块替换成可变形卷积，使得模型能够适应复杂的场景；优化了颈部结构，将原有的检测头替换成小目标检测层，使模型更加轻量化，并提高网络对小目标的感知能力。经实验数据表明，改进后的算法相比原算法在VisDrone2019数据集上mAP50%和mAP50%:90%分别提高了2.4%和1.8%，并且参数量为原先的71%。

关键词： YOLO算法   目标检测   计算机视觉   交通目标   交通安全  

摘要： 为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用，从“人-车-路”3个核心要素的角度，对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标，详细阐述了这些指标在交通场景中的实际意义.对YOLO算法的核心架构进行概述，追溯了该算法的发展历程，分析各个版本迭代中的优化和改进措施.从“人-车-路”3种交通目标的视角出发，梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况.分析目前YOLO算法在交通目标检测中存在的局限性和挑战，提出相应的改进方法，展望未来的研究重点，为道路交通的智能化发展提供了研究参考.

关键词： 合成孔径雷达(SAR)   舰船图像   旋转检测   注意力机制   YOLOv5  

摘要： 针对合成孔径雷达(SAR)小目标成像特征不显著、目标具有任意朝向易出现漏检、检测精度较低的问题，提出面向SAR舰船小目标的ES-YOLOv5检测算法.添加小目标检测层调整感受野大小，更适应小目标尺度特征，方便进行多尺度融合.引入EMA注意力机制重点关注目标关键信息，强化特征的表达能力.使用圆平滑标签(CSL)技术适应角度的周期性，实现了对角度的高精度分类.实验结果表明，在RSDD-SAR数据集上，该方法在交并比阈值为0.5时的平均检测精度达到90.9%，在提高SAR舰船小目标检测精度方面比基准算法YOLOv5提高了6%，显著改善了模型的检测性能.

关键词： 目标检测   YOLO   边缘设备   推理精度   推理速度   数据读写量   计算复杂度   模型部署  

摘要： 现有目标检测模型在边缘设备部署时，其检测性能和推理速度的平衡有较大提升空间。针对此问题，基于YOLOv8提出一种可部署到多类边缘设备上的目标检测模型。在模型的骨干网络(Backbone)部分，设计了EC2f结构，在降低参数量以及计算复杂度的同时降低数据读写量；在颈部网络(Neck)部分，将Neck替换为YOLO(you can only look once)v6-3.0版本的Neck，加速了模型推理，并将推理精度维持在较好水平；预测头网络(Head)部分设计了多尺度卷积检测头，进一步降低了模型的计算复杂度和参数度。设计了两个版本(n/s尺度)以适应不同的边缘设备。在X光数据集的实验表明，模型在推理精度上比同尺度的基准模型提升了0.5%/1.7%，推理速度上提升了11.6%/11.2%。在其他数据集上的泛化性能测试表明，模型的推理速度提升了10%以上，精度降低控制在1.3%以内。总的来说，模型在推理精度和速度之间实现了良好的平衡。

关键词： 单站无源运动定位   多目标跟踪   高斯混合   有限集统计   容积卡尔曼滤波  

摘要： 针对单站无源运动定位中的多目标定位问题，基于随机有限集(random finite set， RFS)的高斯混合多目标滤波器（Gaussian mixture multi-target filter，GM-MTF）提出了一种多目标单站无源运动定位方法。首先，基于单站无源运动定位方法，将定位问题等效为目标跟踪问题，同时构建无源定位体系下的多目标跟踪非线性量测模型。其次，基于GM-MTF，给出融合了容积卡尔曼滤波器的高斯混合实现过程以适应量测非线性模型，并给出完整的实现过程。在此基础上，联合相位差变化率定位法提出了一种二次滤波的单站无源多目标定位方法。所提方法通过将单站无源运动定位和随机有限集多目标滤波器进行巧妙融合，从而将单目标定位场景进一步拓展到复杂的多目标场景。同时，通过仿真结果表明，对比传统的相位差变化率定位法，所提方法不仅定位精度优势明显，而且在复杂的杂波环境下具备一定的抗干扰能力和鲁棒性。

关键词： 船舶尾气   SO   相机   光谱定标   图像处理   排放速率反演  

摘要： 船舶尾气排放是威胁大气环境和人体健康的重要影响因素，其中二氧化硫(SO2)是主要的污染源之一。SO2紫外相机作为一种有效的监测工具，能够准确的测量SO2浓度信息，然而，单纯依赖浓度数据并不足以全面评估SO2的潜在影响，为了更深入地了解大气污染状况，有必要将浓度数据转化为排放速率图像。鉴于此，本文提出一种基于机器视觉的排放速率反演方法，以实现SO2排放速率精确反演。首先通过自主设计的SO2紫外相机系统，基于紫外成像测量原理和光谱定标法获取SO2浓度信息，随后利用所提出算法反演排放速率，最后进行结果分析。外场试验结果表明，基于机器视觉的反演方法能够有效的估算SO2排放速率情况，具有较高的工程应用价值，并对船舶尾气排放监测具有实际意义。