关键词： 遥感图像   小目标检测   全局注意力   损失函数   YOLOv8n  

摘要： 针对遥感图像目标检测任务中小尺寸目标特征信息弱的问题，提出了一种基于空间及通道双层注意力机制的遥感图像小目标检测算法。该算法基于YOLOv8n网络架构，融合了空间与通道双层注意力的特征信息，在放大跨维度间交互作用的同时，使检测更多关注于特征图重点区域信息，从而提升对小目标的检测能力；同时，改进回归损失函数，结合焦点、权重交并比2种损失函数，解决了训练过程中难易正确分类样本间不平衡的问题，并对目标框之间的相似度进行更准确的度量，进一步提高了算法对目标位置和大小的检测精度及稳定性。在工程车遥感数据集上，所提算法较YOLOv8n算法的mAP@0.5提高了3.6%,mAP@0.5∶0.95提高了2.9%；在NWPU VHR-10数据集上，所提算法较YOLOv8n算法的mAP@0.5提高了1.6%，但mAP@0.5∶0.95略有下降。在2个数据集上的消融实验结果表明，所提算法能够准确识别图像中的小尺寸目标，对比原模型的目标检测置信度有显著上升，证明了改进措施的有效性。

关键词： 异常行为   目标检测   YOLOv8   深度学习   注意力机制  

摘要： 异常行为检测是维护治安的一项重要任务。快速准确地对关键场所中的异常行为进行检测是治安工作的重要任务。对于关键场所中的目标检测算法来说，要在人员密集的图像中获得满意的检测结果具有一定挑战性。本文针对异常行为目标检测中存在的目标分布密集、尺度变化范围较大、检测背景较为复杂等问题，将注意力机制CA引入到主干网络部分C2f模块中，从而加强网络在复杂背景下对目标的注意力；将Swin Transformer模型集成到YOLOv8骨干网络中，增加特征图的信息交互范围，充分利用物体的背景信息提高复杂背景下物体的检测精度。最后通过实验验证了改进网络的可行性，并与几种主流网络进行对比，平均精度达到95.1%，与基础网络YOLOv8相比，平均精度提高2.4个百分点，证明了该方法的有效性。

关键词： 目标检测   红外图像   带式输送机   YOLOv5   密集连接  

摘要： 巡检机器人已成为带式输送机托辊检测的重要工具，但其获取的红外图像存在分辨率低、信噪比低等问题，因此对目标检测算法提出了更高要求。参考DenseNet将密集连接模块引入到YOLOv5网络中，增强了网络的特征提取能力，在YOLOv5中引入了Wise-IoU损失函数来评估锚框的质量，提高了网络性能和泛化能力。在巡检机器人采集的带式输送机红外数据集上进行的实验评估结果表明：与原始的YOLOv5相比，所提网络召回率提高了2.4百分点，平均准确率均值提高了1.5百分点，达到了98%，同时保持了80 frame/s的识别速度和15 MB的模型大小，具有体积小、速度快、效率高等特点。

关键词： 显著性目标检测   计算机视觉   边缘检测   深度学习  

摘要： 为了高效利用深度特征信息辅助显著性检测，实现对不同尺度特征信息的融合，本文提出了一种基于CDINet算法改进的RGB-D图像显著性目标检测算法。首先，添加了多尺度特征融合模块用来加强编码器和解码器之间特征信息的传输，有效减少浅层特征丢失，通过辅助解码器的跳跃连接获得更多的显著物体的特征信息。接着，在CDINet的网络结构尾部连接了一个循环注意力模块，通过使用面向记忆的场景理解功能，逐渐优化局部细节。最后，对损失函数进行调整，使用一致性增强损失（CEL）处理因为不同尺度特征融合产生的空间一致性等问题，并在不增加参数的情况下均匀突出显著区域。实验结果表明，改进后的模型与原CDINet算法模型相比，在LFSD数据集上的F-measure提高了0.6%,MAE下降了0.4%；在STERE数据集上的F-measure提高了0.4%,S-measure提升了0.5%。相对于其他算法模型，本模型基本满足检测性能更好、适应性更高等要求。

关键词： 视频通信   图像处理技术  

摘要： 随着信息技术的发展，视频产品变得更加多样化，并逐步从标清过渡到高清。在此过程中，需要对视频通信设备的软硬件持续进行优化，以增强其计算能力并提高系统整合的灵活性。视频通信允许不同地点的人们通过网络信道进行面对面的实时沟通。然而，在当前技术条件下，视频通信质量常受到带宽、误码率、数据丢失、网络拥塞等因素的影响，由此会对图像的清晰度和总体质量造成负面影响。本文主要分析了图像处理技术的内涵，提出了视频通信中的图像处理技术应用，以期提升图像处理质量，减少视频通信过程中的图像问题，更好地满足人们的视频通信需求，同时推动音视频通信行业的进一步发展。

关键词： 目标检测   鱼苗检测   轻量化   局部卷积   深度可分离卷积  

摘要： 基于深度学习的鱼苗检测在水产养殖中的应用为自动化和精确化管理提供了可能。针对鱼苗检测中设备性能低、实时性要求高等问题，提出一种改进YOLOv8的轻量化鱼苗检测算法FD-YOLO。将快速网络(FasterNet)替换YOLOv8原CSPDarkNet特征提取网络，采用局部卷积(PConv)减少冗余计算和内存访问。在特征融合中引入深度可分离卷积(DWConv),将标准卷积过程分解为相对简单的深度卷积和逐点卷积两个步骤并行处理，进一步减少模型的复杂性和计算资源消耗。使用Focal-EIoU作为模型损失函数，提高检测精度，使得模型更具鲁棒性。实验结果表明，改进后的检测模型参数量和计算量大幅降低，模型参数量下降了91%,计算量下降了85%,在CPU上的推理速度加快了3倍。改进后的鱼苗检测算法能更好地兼顾高精度和实时性之间的平衡，便于部署在资源有限的硬件平台上。

关键词： 焊缝跟踪   视觉识别   图像处理   坐标  

摘要： 目前，绝大多数焊接机器人都是通过操作员输入给定指令来进行重复焊接作业，但当外部环境变化时，需要重新调整参数，效率低下，自动化和智能化程度不够。针对这一问题，设计了一种搭载在焊接机器人上的焊缝坐标识别系统，基于Visual Studio2022软件，通过调用OpenCV3.4.0视觉库完成焊缝坐标识别。系统的硬件部分由海康威视MV-CA004-10UM工业相机、酷聚液态透镜模组、650 nm一字激光器、650 nm窄带滤光片和VPLC532E视觉运动控制一体机等组成；软件方面设计了一个三选一操作界面，能够满足摄像头、图片、视频等多种输入信号，通过图像预处理和焊缝坐标识别两个模块，实现了对于焊缝的坐标识别功能。测试结果表明，该焊缝坐标识别系统能够稳定运行，响应迅速，精度能保证在3 mm以内，具有一定的实际应用价值。

关键词： YOLOv5s   注意力机制   采摘机器人   BiFPN   目标检测  

摘要： 为了提升采摘机器人采摘番茄果实的识别准确率，减少误判和漏检的情况，该文提出一种基于YOLOv5s的番茄检测改进模型，首先将CA注意力机制加入到YOLOv5s模型的特征提取环节，为了进一步提高模型的泛化能力，实现多尺度特征融合，引入了BiFPN结构替换原有的PANet结构，同时结合损失函数IoU进一步优化模型的训练过程，从而提高检测精度。经过试验验证，提出的模型在番茄果实检测任务中获得了显著成果。相比YOLOv5s模型，改进后的模型准确率、召回率、F1分数和平均精度分别上升2.2%、2.1%、2.2%和1.3%。改进后的模型可以应用于番茄采摘机器人，并可以对成熟番茄与未成熟番茄进行分类，与原YOLOv5s算法相比，有效提升了检测的精度。

关键词： 机器视觉   目标检测   注意力机制   多头混合自注意力机制   YOLO  

摘要： 为解决传统注意力机制导致的模型的表征能力和检测性能受限或复杂性和计算成本高的问题，提出一种创新的轻量级多头混合自注意力机制（MMSA），旨在提升目标检测网络的性能，同时保持模型的简洁性和效率。MMSA模块巧妙地整合通道信息与空间信息，以及局部与全局信息，引入多头注意力机制进一步增强网络的表征能力。与其他注意力机制相比，MMSA在模型表示效果、性能与复杂性之间实现更为优越的平衡。为验证MMSA的有效性，将其集成到YOLOv8n网络的Backbone或Neck部分，以增强模型的多尺度特征提取和特征融合能力。在CityPersons、CrowdHuman、TT100K、BDD100K和TinyPerson这5个公开数据集上进行对比实验，结果显示，采用MMSA的YOLOv8n的平均精度均值（mAP@0.5）相较于原始算法分别提高0.9百分点、0.9百分点、2.3百分点、1.0百分点和1.7百分点，且模型体积并未显著增加。此外，加入MMSA后的模型检测速度达到145 frame/s，充分满足实时应用场景的需求。实验结果充分证明了MMSA注意力机制在改进目标检测效果方面的有效性，展现了其在实际应用中的实用价值和广泛适用性。

关键词： 玉米苗   杂草   目标检测   注意力机制   ASPP  

摘要： 为实现田间复杂环境下玉米幼苗与杂草的精准识别，通过对PP-YOLOE算法进行改进和优化，包括引入坐标注意力机制和ASPP(Atrous Spatial Pyramid Pooling)结构，提出了一种用于玉米苗间杂草检测的AAPP-YOLOE模型。试验结果表明，AAPP-YOLOE模型在玉米苗间杂草检测中取得了显著的性能提升。模型在召回率、准确率和F1-Score指标上表现更佳，证明了算法在玉米苗间杂草检测中的有效性和实用性，可为农业生产管理提供一定的帮助，有助于减轻杂草对玉米苗生长的影响。