关键词： 法医病理学   死亡时间   角膜图像   计算机视觉   尸体现象  

摘要： 常规尸表检验可以通过观察角膜混浊等尸体现象粗略推断死亡时间。随着计算机视觉技术的发展，这种传统的形态学观察方法有了新的打开方式，更加客观、精确、标准化且不失便捷。本文通过搜索相关中英文文献，总结近年来应用原位角膜数字图像推断死亡时间的研究进展，介绍计算机视觉技术在这个研究方向上的应用，对其中重点研究的材料和方法、结果进行了比较分析，对关键事项进行了总结提示，包括眼睑开闭问题、图片中感兴趣区域的选取、光源的影响、疾病和损伤的影响、数据处理方法的选择等等，最后对未来的发展趋势进行了展望，希望能为进一步的研究提供参考。

关键词： 目标跟踪   传感器控制   联合风险   改进匈牙利法  

摘要： 在多传感器多目标协同跟踪过程中，雷达量测噪声方差随距离变化，距离相关噪声特性使得目标跟踪误差增加。同时雷达辐射风险和目标威胁风险将导致跟踪精度和传感器安全性下降。对此，在时变量测方差下构造了广义目标跟踪代价，综合考虑雷达辐射截获概率和目标威胁风险，建立时变量测方差下多传感器联合风险控制模型，提出了改进匈牙利法优化求解，通过最小化综合风险合理控制传感器跟踪目标。仿真显示算法在满足对目标跟踪精度要求的同时降低联合风险。

关键词： YOLOv8   注意力机制   轻量化   机器人自动装配   目标检测  

摘要： 针对现有的基于深度学习的目标检测算法在机器人自动装配任务中识别精度低、检测速度慢的问题，提出了一种基于YOLOv8的轻量级装配工件目标检测算法。首先，引入部分卷积PConv(Partial Convolution)对C2f (Faster Implementation of CSP Bottleneck with 2 convolutions)模块进行改进，设计新的Faster＿C2f模块，提高了模型的检测速度；其次，采用SIoU损失函数来优化CIoU损失函数的位置预测精度并提高小目标的定位准确性；然后，使用HS-FPN (High-Level Screening-feature Fusion Pyramid Networks)结构改进Neck部分，大幅度减少了模型的计算量，提高了检测速度；最后，结合iRMB(Inverted Residual Mobile Block)模块与EMA(Efficient Multi-Scale Attention)注意力机制，创新性地提出了iEMA机制，提高了模型的检测性能。实验结果表明，在自制装配工件数据集上，与原始算法相比，改进后的算法F1分数提高了3.2%，mAP值提高了1.7%，每秒检测帧数提高了11%，而模型参数量减少了47%，计算复杂度降低了32%。

关键词： 行为识别   计算机视觉   RGB数据   骨骼数据   特征提取   深度学习  

摘要： 人体行为识别是计算机视觉领域中的重要研究方向，在人机交互、医疗康复、自动驾驶等领域具有广泛应用和重大意义。由于其方法的重要性和前沿性，对该领域进行全面、系统地总结具有极其重要的意义。本文深入探讨了基于RGB和骨骼数据模态的人体行为识别方法。按照特征学习方式的不同，分为基于传统机器学习的手工特征提取方法和基于深度学习的深度特征提取方法。首先，介绍了行为识别的基本流程，并总结了公开数据集。然后，详述了基于RGB和骨骼数据模态的识别方法。对于RGB数据，分析了基于2D CNN、RNN和3D CNN的特征提取方法。对于骨骼数据，介绍了自上而下和自下而上的姿态评估算法，重点分析了基于RNN、CNN、GCN、Transformer和混合神经网络的分类算法。最后，展望了未来深度学习在人体行为识别中的五个研究方向。

关键词： 混凝土结构   损伤检测   YOLO v5算法   注意力机制   目标检测  

摘要： 针对混凝土结构人工损伤检测方法主观性强、效率低的问题,提出了一种基于YOLO v5算法改进的混凝土结构损伤检测方法。首先,将YOLO v5的耦合头更换为解耦头,可有效避免目标损伤信息和背景信息相互干扰的问题,提高模型的特征表达能力;其次,在YOLO v5中加入了包含通道注意力模块和空间注意力模块的CA注意力机制,使模型忽略掉一些无关信息,可以更好关注到目标损伤的特征信息。通过建立的4101张包含实际工程中混凝土结构裂缝、剥落和露筋三种类型损伤的数据集对模型性能进行对比验证。试验结果表明:相较于YOLO v5模型,改进后的模型在混凝土裂缝、剥落和露筋的检测平均精度值分别提升了2.6%、1.3%和0.5%,mAP值提高了1.4%,且mAP值和FPS值均优于Faster R-CNN和YOLO v3目标检测算法,可较好满足实际工程中混凝土结构损伤检测任务的需求。

关键词： 深度学习   图像   YOLOv8网络模型   小目标检测   注意力机制   损失  

摘要： 深度学习在目标检测领域的广泛应用显著提升了对大中目标的检测能力。然而，针对小目标检测，由于其固有的尺度小、背景复杂等挑战，传统的目标检测算法常常会出现漏检、误检的情况。因此，对YOLOv8模型进行研究，旨在提高小目标检测的精度。首先，将主干部分的卷积模块替换为RFAConv模块，增强了模型对于复杂图像处理的能力;其次，在Neck部分引入MLCA注意力机制，能够在保持计算效率的同时，帮助模型更高效地融合不同层次的特征；第三，将YOLOv8的Detect头替换为Detect＿FASFF头，以解决不同特征尺度间的一致性问题，并增强模型对小目标的检测能力；最后，将CIoU损失函数替换为Focaler-IoU损失函数，使模型更关注于难以精确定位的小目标。实验结果显示，改进后的模型在小目标稀疏的FloW-Img数据集上mAP@0.5提高了4.8%，mAP@0.5:0.95提高了3%；在小目标密度高的VisDrone2019数据集上，mAP@0.5提升了5.9%，mAP@0.5:0.95提高了4%；同时还在低空数据集AU-AIR以及行人密集检测数据集WiderPerson上做了泛化对比实验。经实验表明，优化后的模型相比较原模型在小目标检测精度上有显著提升，并扩大了模型的适用范围。

关键词： 产品质量检测   目标检测   端边云协同   深度学习  

摘要： 传统质量检测方法存在精度低、速度慢、部署成本高、灵活性差且人工依赖性强等问题，成为了产线节拍加速和效率提升的瓶颈。针对以上问题，本文基于所构建的空调外观质量检测数据集，提出一种可运行于小型无线设备的轻量化目标检测模型（LightDets）。LightDets通过连续上、下采样模块（CUD）快速获取多尺度特征，降低特征冗余度与模型参数量；同时，LightDets采用密集型跳过连接和卷积进行特征复用、集成与融合，提升产品质量检测的精度与效率，实现小型终端设备部署。其次，为满足产线在线检测需求，设计端边云协同的分布式任务调度策略（DTS），联合底层控制器，在空调外观产线上，实现了不良产品高效精准预警与控制：mAP@0.5=98.56%，检测时间降低约70%。

关键词： 车辆检测   YOLOv7-tiny   DP_Res卷积块   ELAN-T模块  

摘要： 为更好地保护人民的生命财产安全，针对目前依靠人力进行交通管理工作时统计不准确、反馈不及时等问题，提出一种适合部署在边缘终端设备上的基于YOLOv7-tiny算法改进的车辆目标检测算法：通过构造DP＿Res卷积块对主干网络的ELAN-T模块进行轻量化改进；通过削减分支，对特征融合网络的ELAN-T模块进行轻量化改进，降低网络的参数量和计算量，并对特征融合网络的结构进行重新构造；引入ECA注意力机制模块和EIOU边界框损失函数提升模型的精度。在预处理后的UA-DETRAC数据集上实验，改进后的算法参数量相比于原始的YOLOv7-tiny降低了15.1%，计算量降低了5.3%，mAP@0.5提升了5.3个百分点。实验结果表明，改进后的模型不仅实现了轻量化，而且检测精度有所提升，适合部署在边缘终端设备上，完成对道路中车辆的检测任务。

关键词： 深度学习   目标检测   YOLOv7tiny网络   绝缘子缺陷  

摘要： 绝缘子缺陷的准确、快速排查处理，有助于电力系统的稳定运行。然而，现有绝缘子缺陷检测算法存在网络结构复杂、推理时间长以及鲁棒性差等问题，不能满足实际巡检的需要。为此，本研究提出一种结合TransFormer和复合FPN的轻量级绝缘子缺陷检测算法。该算法以YOLOv7tiny为基础框架，引入TransFormer架构的轻量型EMO作为主干网络，其次在颈部网络设计一种结合上下文增强和特征细化的复合FPN结构，最后使用Wise IOU做为损失函数。实验结果显示，所提算法Map.5:.95达到70.7%，检测速度达到69.12帧·S-1，模型参数量为4.19M，直观效果图中绝缘子缺陷检测的平均置信度达到0.87。表明所提算法实现了网络的轻量化，降低了推理所需时间，提升了检测的鲁棒性。