关键词： 视觉SLAM   语义分割   目标检测   语义地图  

摘要： 目的 视觉SLAM作为自动驾驶和移动机器人的核心技术之一，传统算法无法应对高度动态的环境，也缺乏地图的语义信息，解决动态物体对SLAM系统的影响是研究的主要目标，也是当前热点问题之一。方法 提出一个新的基于YOLOv8同步动态检测与局部语义分割的方法，来实现动态环境下的位姿估计与局部语义建图。首先，通过应用YOLOv8对输入图像进行同步动态检测和语义分割，使用目标检测结果的目标框对动态特征点进行剔除，再运用静态特征点进行姿态估计，然后在系统的语义建图线程中，对语义分割后的图像加入扩张掩模，最后使用点云库进行语义地图的构建，从而产生能够应用于实际场景的语义地图。结果 在TUM数据集中进行了比较试验，数据显示：这种方法相对于传统方法能提高98.1%的位姿准确率，并且在实时性测试中，本文算法的速度也优于同类算法，而且可以在同一时间创建出局部语义地图。结论 基于YOLOv8同步动态检测与局部语义的方法来处理常规场景下的动态物体对SLAM系统的影响十分有效，且实时性高，但对于一些特殊场景如摄像机大幅旋转等，由于目标检测的失效而导致动态特征剔除失败，从而系统精度降低。

关键词： 卷积神经网络   目标检测   FPGA   MobileNetV1   并行计算   硬件加速  

摘要： 卷积神经网络是目标检测中的常用算法，但由于卷积神经网络参数量和计算量巨大导致检测速度慢、功耗高，且难以部署到硬件平台，故文中提出一种采用CPU与FPGA融合结构实现MobileNetV1目标检测加速的应用方法。首先，通过设置宽度超参数和分辨率超参数以及网络参数定点化来减少网络模型的参数量和计算量；其次，对卷积层和批量归一化层进行融合，减少网络复杂性，提升网络计算速度；然后，设计一种八通道核间并行卷积计算引擎，每个通道利用行缓存乘法和加法树结构实现卷积运算；最后，利用FPGA并行计算和流水线结构，通过对此八通道卷积计算引擎合理的复用完成三种不同类型的卷积计算，减少硬件资源使用量、降低功耗。实验结果表明，该设计可以对MobileNetV1目标检测进行硬件加速，帧率可达56.7 f/s，功耗仅为0.603 W。

关键词： 林区管理   行人检测   YOLOv8   注意力机制   损失函数   改进算法   深度学习   识别  

摘要： 为解决目标检测算法在林区行人检测中容易出现漏检及检测精度不足的问题，提出一种基于改进YOLOv8的林区行人目标检测算法。采用C2f＿DWRSeg模块替换C2f模块，扩展初始卷积通道数，使网络能更高效地进行多尺度特征提取；提出一种重构的检测头，训练时增加卷积层的复杂性，推理时使用单分支结构，从而丰富网络的特征表示能力，并保持高效的推理速度；在特征融合前增加了卷积注意力机制模块CGA，减少计算量；使用Focaler-ShapeIoU损失函数代替CIoU损失函数，弥补边界框回归方法的不足，进一步提高检测能力。试验结果表明，与基准模型相比，改进后的算法mAP50提高了2%,mAP50-95提高了2.4%，模型的处理速度（FPS）提高了4.33%，证明改进后的算法能够更好地应用在林区行人检测的任务中。

关键词： 图像处理   水下图像增强   浑浊水体   深度学习   改进Shallow-Uwnet网络模型  

摘要： 针对浑浊水体环境下图像对比度降低和色偏严重等问题，构建模拟真实浑浊水环境的水下图像数据集，提出了一种基于改进Shallow-UWnet网络模型的浑浊水体图像增强方法。首先，使用灰度空间算法对原始图像进行全局颜色校正，再利用改进的Shallow-UWnet网络模型，学习失真图像与正常图像的映射关系从而实现水下图像增强，然后使用限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)方法提高图像对比度，从而得到最终的增强图像。实验结果表明，本方法在主客观评价指标和特征点匹配应用指标上优于其他5种参考方法，能有效校正不同浑浊水环境下图像的色偏，提升图像的对比度和清晰度。本方法可以适用于水体较为浑浊的水下原位环境，为提高水下场景的视觉质量提供了有效的解决方案，在水下探测、水下救援、水下考古等领域中具有广泛的应用前景。

关键词： 同步定位与地图构建   动态环境   多视图几何结构   目标检测   特征点   轻量型  

摘要： 目前大多数的SLAM系统主要针对静态场景，然而，在实际环境中不可避免地存在许多动态对象，这将大大降低算法的鲁棒性和相机的定位精度。针对动态对象造成的轨迹偏差问题，文中提出一种结合目标检测网络和多视图几何结构的动态SLAM算法。首先，基于YOLOv5算法框架，将骨干网络CSPDarkNet-53替换为轻量型L-FPN(Lite-FPN)结构，并使用VOC2007数据集进行预训练。与YOLOv5s原始模型相比，新网络的计算量减少了45.73%，检测速率提高了31.90%；然后，将检测物体划分为高动态对象、中动态对象以及低动态对象，利用多视图几何方法计算阈值，并根据阈值对中高动态对象进行二次检测，以决定是否剔除预测框中的特征点；最后，在TUM数据集上的实验结果显示，该方法在定位精度上平均提升了82.08%，证明了其在准确性方面的显著改进。

关键词： 交通标志检测   SSD算法   残差网络   特征融合   CBAM  

摘要： 目的 针对自然场景下交通标志检测存在的小目标精度低和目标特征信息不足等问题，提出一种使用残差网络(Residual Network, ResNet)和注意力机制(Attention Mechanism)的单步多目标检测算法SSD(Single Shot MultiBox Detector),经过残差网络和注意力机制提取的特征向量输送到一个轻量、高效的特征融合模块中，最后将输出的feature map送到检测器中进行检测，从而提升交通标志检测的正确率。方法 首先，利用残差模块将特征进行1×1降维再3×3升维，然后将恒等映射和残差部分生成的特征图进行逐像素相加；其次，将CBAM(Convolutional Block Attention Module)引入到残差模块Conv4＿x输出的特征图上，然后与残差模块Conv2＿x,Conv3＿x输出的特征图一起输入到高效的特征融合模块中进行特征融合，最后将融合后的特征图送入模型中检测以实现对交通标志的识别。结果 通过仿真实验验证，改进后的单步多目标检测算法SSD在中国交通标志检测数据集上进行检测的平均精度为90.55%,能够有效地提取小目标特征的信息。相较于主流算法CenterNet、YOLOv3、YOLOv4、Faster R-CNN、SSD分别提高了2.57%、3.4%、2.79%、3.8%、4.93%。结论 优化后的目标检测方法相较于其他检测方法提取到了更多的特征信息，达到了更高的检测精度，在交通标志检测中具有良好的实用性和有效性。

关键词： 目标检测   无人机   MobileViT   CCFM   ECA  

摘要： 针对无人机航拍中目标物体小、分布密集、互相遮挡等问题引发的误检和漏检现象，本文提出了MCEW-YOLO无人机目标检测算法。该算法首先使用MobileViT作为主干网络，通过融合CNN和ViT的优势，增强了网络对局部与全局信息结合能力；其次在Neck部分加入ECA通道注意力机制，捕捉长距离依赖关系，有效地融合了多尺度信息，同层借鉴了CCFM结构思想，加入四个卷积调整通道数并跨通道信息整合，促进多尺度特征融合；最后本文采用基于动态非单调聚焦机制的边界框损失函数（Wise-IoUv3），使用离群度对锚框质量进行评估，优化了边界框回归性能。实验结果表明：在VisDrone2019数据集上，MCEW-YOLO算法的mAP@50达到了39.1%，mAP@50:95达到了23.3%，同时模型的参数量为2.4M，相较于基线模型YOLOv8n精度分别提升了7.0%、4.0%，参数量降低了19.4%。综上所述，MCEW-YOLO算法能够有效应对无人机航拍下的目标检测挑战，满足性能要求。

关键词： Mask-RCNN   轴承   滚动体   图像处理   参数检测   缺失检测  

摘要： 为了通过深度学习来更方便且高效的检测轴承滚动体若干参数，从而自动判断出轴承滚动体是否存在异常。提出了使用Mask-RCNN来检测轴承滚动体并提取掩膜，然后通过使用图像处理的方法，计算出滚动体个数和其他若干参数，最后根据检测到的参数判断滚动体是否存在异常。本次实验设计了简单的背光源加同轴光源组合的形式并结合工业像机采集了50张轴承图像，然后通过对采集到的图像进行图像增强操作，获得了50张旋转、增强对比度和曝光等图像，组成100张图片作为数据集。通过对Mask-RCNN的训练来获得较好的模型参数，并随机对某张验证集的轴承图进行检测就可以得到各轴承滚动体的若干参数信息，从而根据求得的参数来自动判断滚动体是否异常，达到了检测的目的。

关键词： 唐卡图像目标检测   YOLOv8模型   级联融合网络   跨尺度连接   回归损失函数  

摘要： 唐卡中的元素绘制复杂且存在的多尺度情况会影响目标检测技术任务的准确度。为此，提出一种优化YOLOv8模型的唐卡元素目标检测方法。首先，采用级联融合网络提取图像特征，并将特征提取参数用于后续的特征融合，以有效增加参数利用效率；其次，借鉴双向特征金字塔网络的思想，在同一层的特征信息传递层中增加一条额外的路径实现跨尺度连接，以提升模型特征融合能力；最后，在检测头的回归损失函数中引入ElOU-Loss和ClOU-Loss，考虑边界框回归的多种因素，结合宽高和宽高比参数来提升模型目标定位效率和准确率。实验表明，优化后的YOLOv8模型相较于原有模型参数量、计算量分别下降7.21%、7.23%,mAP50、mAP50-95分别提升3.72%、4.55%；相较于其他目标检测算法优势明显；消融实验也验证了不同改进模块对模型的积极作用。