关键词： 小目标检测   航拍图像   特征金字塔   自适应特征融合   边缘信息  

摘要： 无人机航拍图像中，目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息，但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此，提出了一种结合多尺度特征聚合扩散和边缘信息增强的小目标检测算法ADE-YOLO。首先，构建了多尺度特征聚合扩散金字塔网络（MFADPN），通过在中间层聚合不同层级特征，并将其直接扩散至相邻层以缩短传播路径，有效减少了信息在传递过程中的损失，增强了模型的多尺度表达能力，显著提升了对不同尺度目标的检测能力。其次，设计了自适应上下文融合模块（ACFM），利用通道注意力机制自适应的调整不同特征图的贡献，进一步强化多尺度特征的融合效果，使得重要特征在信息融合过程中更加突出。最后，提出的C2f-Sobel模块通过额外分支结合Sobel算子来提取图像的边缘信息，从而为模型提供了更丰富的细节信息，提升了其在复杂场景下目标定位能力。实验结果表明，ADE-YOLO相较于基线YOLOv10s，在VisDrone2019和TinyPerson数据集上分别提高了8.6%和4.0%(mAP0.5)，并且在与其他先进模型的对比中也展示了显著的优势。

关键词： 图像字幕生成   深度学习   跨模态   计算机视觉   自然语言处理  

摘要： 图像字幕生成是一个重要且充满挑战的研究领域，旨在为静态图像生成自然语言描述，其在深度学习和视觉—语言预训练技术的推动下取得明显进步。阐述深度学习方法在图像字幕生成中的应用，介绍几种基于深度学习的模型和算法，包括循环神经网络、卷积神经网络、对抗生成网络和Transformer等模型，以及最新的视觉—语言预训练技术。这些模型在图像字幕生成任务中发挥了重要作用，通过学习图像与语言之间的关联，能够生成准确且流畅的描述。同时，强调该领域面临的挑战，如物体虚构、缺失上下文、光照条件、语境理解和指代表达等问题，这需要模型具备推理能力。未来，将进一步提高图像字幕生成的性能和质量，推动其在实际应用中的应用。

关键词： 深度学习   铁路巡检   无人机   目标检测   语义分割   综述  

摘要： 在铁路维护与安全监测领域，无人机巡检作为一种高效且能够加快发展新质生产力的方式被业界看好。现有成果多聚焦于铁路某一具体设施场景下无人机自主巡检算法的研究，综述性文章并不多见。基于此，文中对铁路设施无人机自主巡检算法进行系统性分析总结。首先归纳了当前铁路无人机自主巡检的场景和难点，然后分析了无人机自主巡检在各个场景下的特有问题，对近年来巡检算法研究进行总结归纳。从分析结果来看，现有研究多侧重于异物入侵和轨道扣件等缺陷的检测，而隧道和水害防治等领域的研究则相对不足。接着汇总了现公开的铁路相关数据集，并对评价指标从精度、速度、复杂度进行整理，最后对该领域未来研究方向进行展望。以期该项工作为相关领域的研究者提供宝贵的参考和指导。

关键词： Transformer   目标跟踪   归纳偏差   编码器   轨迹提示  

摘要： 单纯使用Transformer进行目标跟踪的特征提取时，由于没有归纳偏差而无法自适应目标尺度和外观的变化。为此借助CNN引入多尺度特性，提出了一种基于跨尺度融合特征与轨迹提示的目标跟踪方法（Cross Scale Fusion of features and Trajectory Prompts Tracker， CSFTP-Tracker）。在构建目标跟踪网络输入时，将模板图像与搜索图像同时输入到CNN与ViT网络融合的编码器中，主要设计了一种多级空间感知金字塔模块（Multi-Level Spatial Awareness Pyramid， MSAP），首先，对多尺度CNN特征通过自注意力机制增强目标位置信息，然后将该多尺度特征与ViT中F-embeddings特征相融合，输入到ViT编码器。这种融合策略不仅增进了ViT内部补丁之间的信息交互，还使网络能够同时利用CNN的局部特性和Transformer全局依赖能力。其次，将ViT提取的融合特征与轨迹提示特征输入解码器中，使用自回归学习目标位置，在GOT-10k数据集上的实验结果表明，相较于基线模型，所提出的网络在以下性能：平均重叠率（AO）提升了1.3%，成功率得分在阈值为0.5时(SR0.5)也提高了1.4%。

关键词： 目标检测   铁路综合视频监控系统   明度动态感知   深度学习   YOLOv8  

摘要： 铁路轨道沿线场景具有空旷开阔、占地面积大的特点。由于高清摄像头的普及，导致大部分入侵物体目标在图像中具有占比面积小，像素点数量少，进而降低算法对目标尤其是小目标的检测性能。针对该问题，提出基于明度动态感知裁剪和YOLOv8的铁路沿线异常感知检测方法。首先通过明度动态感知方法感知运动目标区域，再以动态目标为中心裁剪图片输入YOLOv8网络进行检测,防止目标区域图像输入网络时特征信息被压缩，最后在RailD49数据集上验证了该算法的召回率为80.33%，准确率为81.67%，相较于原始YOLOv8m对铁路运动目标的检测能力有所提升。

关键词： 无人机   小目标检测   YOLOv8s   注意力机制   特征融合   遮挡目标检测  

摘要： 针对无人机航拍图像中检测性能低、遮挡严重、小目标特征提取难度大及模型参数量大的问题，提出了基于YOLOv8s的RSD-YOLO算法。首先，设计了感受野注意力模块（CSP-RFA）替代C2f模块，以提升小目标特征提取能力，有效应对传统卷积操作对位置变化不敏感的问题。其次，主干网络和特征融合网络进行了轻量化处理，新增了大尺寸特征图检测分支，并提出了感受野金字塔网络（RFPN），优化特征流动方向，增强特征表达能力。同时，检测头模块经过优化，将多尺度特征集成至具多级注意力机制的检测头中，并替换了损失函数，提升了模型对小目标的检测性能。在模型压缩方面，采用LAMP剪枝，进一步减少了模型的参数量和大小。实验结果表明，轻量化后的RSD-YOLO在公开数据集VisDrone2019上较基线模型有显著提升，精度（P）提高了10.0%，mAP0.5提升9.5%（增幅24.1%），mAP0.5:0.95提高6.9%（增幅29.4%）。模型参数量从11.12M减少至4.05M（减少63.6%），计算量从42.7GFLOPs降至25.5GFLOPs（减少40%）。此外，在仅检测遮挡小目标的新数据集上，RSD-YOLO在P、mAP0.5、mAP0.5:0.95上分别提升了9.1%、16.1%和10.7%。

关键词： 输电线路   防振锤   缺陷检测   多尺度目标   特征融合   注意力机制  

摘要： 利用无人机对输电线路进行巡检的过程中，航拍的防振锤图像目标尺度多变且背景复杂，容易导致漏检、误检。为此，针对现有目标检测算法在复杂背景和多尺度目标检测方面的局限性，提出了一种基于改进YOLOv8的防振锤缺陷目标检测算法。首先，为了增强模型的多尺度特征提取能力，提出多尺度特征提取（MSFE）模块，有效扩大模型的感受野；其次，为了在多尺度特征融合过程中抑制复杂背景的干扰，设计空间金字塔核注意力（SPKA）模块，提升模型对目标的全局感知能力；最后，由于小尺度目标在图像中容易被忽略，在网络中增加丰富小目标语义信息的特征层（STSIL），提高小目标缺陷检测能力。对比实验中，改进算法与基线模型YOLOv8s相比mAP50提升了5.7%，防振锤正常、倾斜、掉落的AP50分别提升了3.4%、4.5%、9.2%，证明了改进算法对防振锤缺陷检测的有效性与先进性，且其应用将有助于保障电力系统的安全可靠运行。

关键词： 煤矿监控检测   不安全行为识别   目标检测   自注意力机制   融合边界框损失函数  

摘要： 我国煤矿工业建设已逐步转化为智能化模式，采用深度学习算法识别煤矿监控视频中矿工不安全行为具有十分重要的意义。但煤矿井下环境恶劣，提取矿工行为特征干扰大，目前目标检测算法存在精度低，计算量大的问题。针对这些挑战，本文提出了一种融合自注意机制的矿工行为识别模型CMFA-YOLO，采用ConvNeXt V2模块来替代原有YOLOv8n中的C2f模块，实现了Transformer思想与目标检测领域的完美融合，有效降低了模型计算量。进一步采用融合边界框损失函数MF-IoU(MPD-and-Focaler IoU)提高模型的精度。此外引入了自适应空间相关性金字塔注意力ASCPA，配合ConvNeXt V2发挥模型最佳效果。经过多项实验结果显示，CMFA-YOLO在煤矿视频监控场景下的检测精度达到99.0%，为煤矿场景下的异常行为检测任务提供高精确算法。

关键词： 条码识别   Linux   图像处理   OpenCV算法   生产管理  

摘要： 传统条码识别系统无法满足企业与日俱增的生产管理需求,为此设计了一种能够批量识别且兼容多种类型的条码自动识别系统.首先在Linux开源系统上开发系统软件,实现大华工业相机焦距调节,图像采集等操作;其次利用OpenCV计算机视觉库对采集图像进行滤波、二值化、特征提取等图像处理,完成一维或二维条码的定位;最后利用QZING条码识别库解析条码中的产品SN信息,并通过QT上位机软件将SN信息上传至数据库完成生产管理.实验验证系统具有良好的准确性和稳定性.

关键词： 深度学习   图像数据增强   图像识别   泛化性能   计算机视觉  

摘要： 深度学习已经在许多计算机视觉任务中取得了显著的成果.然而,深度神经网络通常需要大量的训练数据以避免过拟合,但实际应用中标记数据可能非常有限.因此,数据增强已成为提高训练数据充分性和多样性的有效方法,也是深度学习模型成功应用于图像数据的必要环节.系统地回顾不同的图像数据增强方法,并提出一个新的分类方法,为研究图像数据增强提供了新的视角.从不同的类别出发介绍各类数据增强方法的优势和局限性,并阐述各类方法的解决思路和应用价值.此外,还介绍语义分割、图像分类和目标检测这3种典型计算机视觉任务中常用的公共数据集和性能评价指标,并在这3个任务上对数据增强方法进行实验对比分析.最后,讨论当前数据增强所面临的挑战和未来的发展趋势.