关键词： 内孤立波   目标检测   YOLOv5   潜标观测数据  

摘要： 海洋内孤立波通常携带着巨大的能量，给海上作业带来巨大的安全隐患，因此，对海洋内孤立波进行实时的检测有重要的意义。近年来，人工智能技术在各行业的应用越来越广泛，基于深度学习的目标检测技术也越来越成熟。本文结合现场观测数据和基于深度学习的目标检测算法YOLOv5，开发了一种基于潜标观测数据的内孤立波人工智能检测模型。首先将数据归一化处理，再分别将不同观测要素数据传入网络迭代训练，训练完成后保存最优权重文件并用于评估模型。评估结果表明，在采用单要素检测方案中，温度检测模型稍好于纬向流速检测模型，而经向流速检测模型相对较差，其综合评价因子最值εmax分别为80.94、78.74和72.02；在温度、纬向流速和经向流速三种要素不同组合的检测方案中，相比单要素和双要素方案，三要素方案的检测效果最好，εmax达到82.48。该检测方案的准确率较高，检测速度较快，满足实时检测需求。

关键词： YOLOv8n   目标检测   安全帽佩戴检测   轻量化  

摘要： 【目的】正确佩戴安全帽可以显著降低煤矿工人高空坠落时头部受伤的风险。针对现有煤矿工人有无佩戴安全帽检测算法存在各种场景下小目标检测精度低、计算资源消耗大等问题，提出了一种基于YOLOv8设计的安全帽佩戴轻量化检测算法，命名为YOLOv8n-ESCD。【方法】首先，利用SCConv（Spatial and Channel Revolution）重新设计卷积模块，提出更轻量级的C2f-ScConv卷积模块来取代YOLOv8主干中的C2f模块，从而限制特征冗余并增强特征表示能力；其次，提出了一种基于高效多尺度注意力模块（Efficient Multi-Scale Attention， EMA）的ResNet-EMA模块。该模块有效捕捉跨维交互，建立维度间的依赖关系，从而增强算法的特征提取能力；此外，在算法的颈部网络中引入细颈结构（Slim-Neck Structure），以更好地融合目标的多尺度特征和背景信息，在保持精度的同时降低了模型复杂性；最后为避免动态卷积和额外的子网络生成动态内核，引入轻量级上采样算子Dysample(Dynamic Sample)显著减少了计算工作量。【结果】仿真结果表明：与原始的YOLOv8n算法相比，YOLOv8n-ESCD算法在精确度、召回率、mAP50和mAP50-95等关键性能指标上分别实现了0.8%、3.9%、2.0%和3.7%的提升。同时，YOLOv8n-ESCD还显著减少了模型的参数量（降低了21.3%）、模型大小（降低了17.7%）和计算负载（降低了25.6%），确保了实时性和准确性。【结论】通过与其他主流目标检测算法的对比测试，YOLOv8n-ESCD证明了其在安全帽检测任务中的有效性和优越性。

关键词： 无人机   桥梁裂缝检测   目标检测   Yolox-s   注意力机制  

摘要： 桥梁裂缝检测是评价桥梁安全可靠性的重要手段，检测不充分将会造成重大的安全隐患．本文结合小型无人机平台提出了一种基于Yolox-s桥梁裂缝检测算法．算法首先在backbone中添加了残差空洞卷积模块，解决了无人机图像尺度变化大、背景复杂的问题；之后在PANET中添加坐标注意力机制模块，提高了小目标检测率；最后替换损失函数为Focal loss，加强了正样本的学习，提高了模型的稳定性．实验结果表明，本文提出的方法相比Yolox-s算法，检测精度提升了3.72%；在嵌入式设备上，本文方法对比其他主流算法有着更好的精度且能够实现实时性的检测，可以更好的应用在无人机桥梁裂缝检测中．

关键词： 轻量级神经网络   计算机视觉   卷积核   空间信息  

摘要： 传统的1×1卷积在进行升维和降维操作时，没有对空间信息进行处理，从而带来较多的计算冗余并造成性能下降。针对该问题，本文提出一种将空间信息优化与轻量网络相融合的网络架构Lite-EfficientNet，该架构将轻量化网络ShuffleNet中的Shuffle块嵌入EfficientNet网络，并引入一种自适应空间信息卷积（ASC）单元，通过学习一组与输入数据相关的偏移量自适应地调整1×1卷积的位置，从而有效恢复1×1卷积丢失的空间信息，实现了计算效率和性能的优化。实验结果表明ASC单元在减少计算复杂度的同时，显著提高了模型对空间信息的捕捉和整合能力，验证了其在高效网络设计中的潜力。与现有的轻量级模型相比，Lite-EfficientNet在ImageNet1k数据集上的分类准确率和推理速度均有所提升，在目标检测和实例分割任务中也具有广泛的适用性。

关键词： 图像去雾   目标检测   RTDETR   跨尺度特征重建   轻量化  

摘要： 针对雾天图像整体亮度和对比度较低且受噪声干扰严重，导致目标检测算法检测效果不佳的问题，提出一种雾天目标检测方法（EC-RTDETR）。首先，设计了在线去雾网络DDNet，利用跳跃连接和轮廓特征计算，去除噪声干扰的同时增强图像的纹理特征；然后，引入轻量化FasterNet作为特征提取网络，充分提取目标空间特征，提高了模型的计算效率；其次，使用加性注意力代替原网络的AIFI，实现更丰富的浅层和深层特征交互；最后，提出了上下文引导的跨尺度特征重建融合模块，设计多尺度网络来提取上下文特征，并对提取后的特征进行融合重构，突出了雾天目标特征，提高了算法在雾天场景中的检测效果。在RTTS数据集上的实验表明：较于基准RTDETR，mAP提高了2.35%，mmAP提高了3.66%，召回率提升了4.71%，参数量减少了9.82M，证明了EC-RTDETR在实现轻量化的同时，有效提升了雾天场景下的目标检测性能。

关键词： 舰船目标检测   SAR图像   YOLO-v7   CA注意力机制   GraffeDet-Lite  

摘要： 舰船是海上军事的重要监测目标。合成孔径雷达（Synthetic Aperture Radar，SAR）图像中舰船小目标尺寸小、分辨率低、特征提取难的特点，容易出现漏检和误检导致识别准确率不高的问题。为此，提出改进YOLO-v7网络以增强对小目标特征的提取，从而提高识别检测准确率。针对采用YOLO-v7进行SAR图像船舰小目标检测过程中特征通道信息缺失的问题，通过在主干特征提取网络中引入了坐标注意力机制 (Coordinate Attention，CA)，避免了输入特征在提取过程中位置的丢失。然后，引入“重脖子”的GraffeDet-Lite网络架构替换颈部网络（PANet，Path Aggregation Network）结构来获得更细粒度和更强化的特征，提高多尺度特征利用率和检测精度。接着，在检测头中采用高效交并损失比函数（Efficient Intersection over Union Loss，EIOU Loss）提升目标定位效果，进而提高SAR舰船图像算法检测精度。通过RSDD-SAR：SAR舰船斜框检测数据集对比实验表明，提出的改进YOLO-v7算法能有效提高SAR图像船舰小目标识别检测能力，漏检情况得到明显改善，识别准确率达到了90.8%，与未改进前的YOLO-v7相比，提高了3.2%。

关键词： YOLOv8   车辆漆面缺陷   目标检测   双向特征金字塔网络   损失函数  

摘要： 针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题，提出了一种基于改进YOLOv8的车辆漆面检测方法。具体地，为了提升划痕状缺陷检测能力并降低模型规模，将可变注意力机制(Vision Transformer with Deformable Attention，DAT)引入主干网络来增强长距离特征依赖关系；同时，使用幻影卷积(GhostConv)替换网络中的卷积模块(Conv)。然后，为了提升特征提取能力，并进一步降低模型规模，结合FasterBlock模块与高效多尺度注意力机制EMA(Efficient multi-scale attention，EMA)提出了C2f-E(C2f Module Based on EMA Attention Mechanism)模块。再者，为了提高小目标检测性能，基于双向特征金字塔网络(Bidirectional Feature Pyramid Network，BiFPN)进行设计，并增加了小目标检测头与多尺度特征融合支路，提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后，为解决难易样本的平衡问题，提高针对小目标缺陷的检测性能，使用WIoUv3(Wise-IoU version 3)作为训练网络的损失函数。改进网络被称为EDW-YOLOv8。在自建的包含1684张图片的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明，相较于YOLOv8n，改进网络的平均精度(mAP50)提高了5.5个百分点、模型规模减小了1.4M。

关键词： 实时图像目标检测   轻量级网络   多尺度特征提取   注意力机制   特征融合  

摘要： 近年来，轻量化目标检测领域取得了显著进展。然而，现有主流方法缺乏多尺度语义信息的提取，且忽略了深层语义特征与浅层细节特征之间的关系。针对上述缺陷，提出了金字塔池化多尺度增强网络（Pyramid Pooling Enhanced multi-scale Network，PPMENet），通过设计一个高效金字塔池化模块（Efficient Pyramid Pooling Block，EPPB）来提取多尺度深层语义信息，以加强模型的特征表达能力。另一方面，设计了跨语义交互注意力模块（Cross Semantic level Interaction Attention Module，CSIAM）以增强不同语义特征之间的联系。MS COCO 2017测试集的实验结果表明，PPMENet取得了28.0%AP，仅有2.16M模型大小和0.97GFLOPs，并获得了218 FPS的推理速度，与其他方法相比，PPMENet取得具有竞争力性能的同时，维持着较低的参数量和计算量，在精度和执行效率间取得了较好的平衡。

关键词： 小目标检测   深度学习   部分卷积   注意力机制   无人机  

摘要： 随着无人机的广泛应用，提升无人机航拍图像检测效果的重要性日益凸显。针对目前主流目标检测算法在检测航拍图像中小目标时效果不理想的问题，本文提出一种基于部分卷积与注意力融合检测头的小目标检测算法。引入更高效的FasterNet主干网络,使用部分卷积（PConv）减少了深度卷积时的内存访问和冗余计算，增大网络规模提升空间特征提取的效果的同时，控制了网络计算时间。优化特征提取网络，提升对微小尺寸目标的检测效果。在检测头中引入Dynamic Head，有效地应用注意力机制，提升了检测性能。最后优化边界框损失函数为Inner-ShapeIoU，聚焦边框自身形状与尺度，提升边框回归计算精度，使用辅助边框，提升收敛速度。在公开数据集VisDrone2019上进行实验，本文算法与原YOLOv8n算法相比，准确率P提高了11.9%,mAP50提升13.4%，表明小目标检测精度显著提升。

关键词： 计算机视觉   YOLOv5s   多尺度跨层特征融合   PCB缺陷   小目标检测  

摘要： 如今，各种工业电子产品已经融入了人们生产和生活的方方面面，而PCB的质量对工业电子产品的性能具有决定性的作用，因此对PCB出厂质量的严格把控具有重要意义。PCB易出现的6类缺陷是评价PCB质量的主要参考依据，针对现有的目标检测算法模型对PCB缺陷的检测精度低、体积庞大等问题，提出了改进的YOLOv5s-CMS模型的解决方案。根据PCB缺陷的特点，YOLOv5s-CMS模型采用聚焦小目标信息的特征提取网络(CCG， C2f-C3-Ghost)替换原有的特征提取网络，使模型在特征提取阶段更加关注小目标的空间和梯度流信息；在特征融合阶段，提出了一种多尺度跨层小目标特征融合网络(MCSTF-Net， Multi-scale Cross-layer Small Target Feature Fusion Network)来替换路径聚合网络(PANet， Path Aggregation Network)，在提高模型对PCB缺陷检测精度的同时大幅降低模型的参数量；为进一步提升模型对小目标特征的理解程度，将CCG网络和MCSTF-Net分别与SE(Squeeze-and-Excitation)注意力机制相结合，在抑制无关通道的同时突出目标特征信息丰富的通道。消融实验结果表明，YOLOv5s-CMS模型对PCB缺陷检测的精确率P、召回率R、mAP0.5和mAP0.5:0.95分别达到了98.1%、97.8%、98.4%和61.2%，相比于YOLOv5s原模型而言分别提高了2.2%、1.3%、0.8%和5.0%，模型参数量同比减少了约46.1%。