关键词： 目标检测   YOLOv8   SPDConv   EMA   EIOU  

摘要： 针对现有的道路目标检测算法存在对于密集目标及远处小目标的感知能力较差，参数量大和识别精度不平衡的问题，提出了基于YOLOv8n改进的算法SEP-YOLO。该方法在YOLOv8n的主干网络中使用SPDConv(space-to-depth convolution)模块来减少细粒度信息丢失，提高主干网络对道路图像各尺度特征的提取能力。为了突出目标特征同时抑制背景环境的干扰，在颈部网络中引入基于跨空间学习的高效多尺度注意力(Efficient Multi-Scale Attention， EMA)，构建C2f＿EMA模块。在检测端增加具有丰富小目标语义信息的特征层改善对道路小目标的检测能力。最后，更改边界框损失函数为EIOU损失函数，提升模型定位精度。在KITTI数据集上进行实验，改进模型mAP@0.5为94.1%，mAP@0.5:0.95为69.9%，与原YOLOv8n模型相比分别提高了4.8、5.4个百分点。在SODA10M数据集上mAP@0.5为66.7%，mAP@0.5:0.95为45.4%，与原YOLOv8n模型相比分别提高了7.2、6.3个百分点。实验结果证明了提出的改进模型参数量小、检测精度高，改善了对道路小目标的识别效果，在复杂道路场景下有效提升了检测性能。

关键词： 跨介质高速小目标   目标检测   注意力机制   深度可分离卷积  

摘要： 在高速射弹测试领域，射弹的极高速度使探测技术面临显著挑战，实时检测与定位射弹的能力受限。由于射弹实验布设复杂，成本高昂引起射弹检测可用数据集的稀缺。针对上述问题，搭建跨介质射弹入水测试系统，使用高速相机捕捉射弹，制作跨介质射弹数据集并采用数据增强的方法扩充现有数据集。针对射弹入水瞬间检测精度相较于射弹在空气和水中检测精度明显降低的问题，提出一种基于坐标注意力机制的跨介质小目标检测方法。该方法在高精度识别射弹小目标的基础上，替换传统的卷积为深度可分离卷积，在检测精度、速度和模型复杂度之间实现了良好的平衡。实验结果表明，新方法在射弹入水瞬间的检测精度提升了2.68%，召回率提升了7.31%，为跨介质高速小目标检测提供了解决方法。

关键词： 小目标检测   海杂波去噪   改进鲸鱼优化算法   长短期记忆神经网络  

摘要： 针对海面小目标因体积小、移速慢而导致的检测难问题,提出了一种改进WTD-SVD-WOA-LSTM检测方法.首先,利用改进小波阈值法(Wavelet Threshold Denoising,WTD)结合优化奇异值分解(Singular Value Decomposition,SVD)法对海杂波去噪;然后,通过改进鲸鱼优化算法(Whale Optimization Algorithm,WOA)对长短期记忆神经网络(Long Short-term Memory,LSTM)的超参数选优,获得最佳预测模型;最后,根据预测误差均方根值进行小目标检测.利用冰区多参数成像X频段雷达(Ice Multiparameter Imaging X-band Radar,IPIX)实测海杂波数据进行验证,所提方法相较于单一LSTM检测方法,检测阈值区间更广,检测能力至少提高了16％.

关键词： 深孔   轴线   光杠杆放大   直线度   图像处理  

摘要： 为了实现大长径比小孔轴线直线度的高精度测量，提出一种光杠杆图形投影的轴线直线度测量方法。在检测系统中利用光轴直线传播与光杠杆放大原理，结合远距离投影面型的相关性，采用图形轮廓提取与中心坐标计算的方法，确定远距离投影屏上的轴线位置。根据像素坐标变换和空间坐标转换方法对提取的中心点坐标进行修正，从而获取大长径比小孔的轴线直线度。通过原理样机的研制和相关性能的测试，对内径8mm、长度300mm的超大长径比（长径比大于5至10为深孔，大于20为大长径比孔）深孔零件的轴线直线度进行了测试，实现了5μm以内的重复性检测精度。

关键词： 无人机系统   目标检测   深度学习   YOLO系列算法   数据集   性能对比  

摘要： 在诸多基于深度学习的目标检测算法中，YOLO(you only look once， YOLO）系列算法因具有检测速度快、检测精度高、适应性强等优点，成为无人机航拍图像目标检测的优先选择。无人机航拍图像与视频复杂多变的特点，使得该视角下YOLO系列目标检测算法成为一个具有挑战性的难题。因此有必要将近期无人机视角下目标检测的YOLO系列算法研究与应用成果进行全面总结与分析。首先，归纳了10种YOLO基础版本的发展、联系、优化特点，重新绘制了YOLO系列结构图，指出了各种YOLO版本优化策略的作用与特点。其次，综述了在无人机目标检测应用领域中YOLO的优化方法:数据训练前的预处理、训练与推理优化、注意力模块的应用、卷积优化、检测头以及损失函数的优化；梳理了一些无人机视角下的应用数据集以及数据扩展方法。通过实验对无人机视角下数据集上YOLO系列算法的性能及CBAM（convolutional block attention module， CBAM)对YOLO不同改进的作用进行了评估。最后，指出了无人机视角下目标检测YOLO系列算法的研究还存在的一些问题与可能发展趋势。

关键词： 目标检测   知识引导   图联合注意力   多标签图像分类  

摘要： 主流的目标检测方法通常局限于单独处理每个区域，忽视了重要的全局上下文信息和物体类别之间的关联。为此，提出一种知识引导的图联合推理目标检测方法（Knowledge-Guided Graph Conjoint Reasoning Object Detection Method，GCRKG），其包括全局关系推理（Global Relational Reasoning，GRR）模块和全局知识映射（Global Knowledge Mapping，GKM）模块，旨在通过模仿人类推理过程来提高目标检测性能。首先，GRR模块通过综合考虑类别的特征、共现和语义相关性知识之间的相对重要性，利用图联合注意力网络（Graph Conjoint Attention Networks，GCAT）完成类别关系推理。然后，GKM模块利用多标签图像分类概率和目标检测分类器类别概率，将类别关联知识有效地映射到视觉区域。最后，将映射特征与原始视觉区域特征做拼接增强，以预测出更合理的结果。在VOC和COCO两个数据集上与基线模型的对比结果表明了该方法的有效性和优越性。

关键词： 小目标检测   多尺度局部卷积特征关联   局部卷积注意力关联   互注意力特征重构  

摘要： 随着信息化时代的发展，数字技术广泛应用在军事领域。目标检测是武器系统的核心功能，是影响战争局势的重要因素，在侦察、预警及监视等方面具有重要的作用。然而当今目标检测领域主要存在四个问题：小目标检测、小样本检测、检测实时性和遮挡目标检测，小目标检测更是其中的重点和难点。小目标一般只占有几十甚至几个像素，传统检测算法难以依据先验知识，构建适当的特征提取模型并取得精确的检测结果。深度学习检测算法在特征提取时容易丢失特征信息，在复杂多变的应用场景下，容易混淆目标特征与背景噪声。此外，当前的小目标检测算法存在小目标语义特征利用不充分、小目标空间特征不突出等问题。算法检测准确率较低，存在大量漏检和误检现象。针对上述问题，本文提出了一种基于多尺度局部卷积特征关联（Multi-scale Local Convolutional Feature Association，MLCFA）机制的小目标检测算法。MLCFA的核心部分包含局部卷积注意力关联（Local Convolutional Attention Association，LCAA）模块和互注意力特征重构（Cross Attention Feature Reconstruction，CAFR）模块。LCAA模块对特征融合网络得到的多尺度特征图提取特征相关性，并加强小目标内部像素之间的联系，抑制背景噪声的同时突出小目标空间特征的统一性，提高复杂背景下的检测鲁棒性。CAFR模块通过自注意力机制得到100个查询向量，并结合LCAA得到的关联特征序列进行全局特征重构，通过全连接网络得到目标检测信息，一定程度上解决了小目标边界框扰动以及特征缺失的问题。在TinyPerson数据集上的对比实验表明，搭载MLCFA的网络模型与Retinanet等算法相比，对两类目标检测的F1-Score分别提升了19.81%和11.88%，大幅度了提高小目标检测性能，证明了MLCFA模块的有效性。此外通过收敛速度实验表明，MLAFC只需要50个Epoch即可具备良好的检测性能，模型推理较快，具有一定的模型迁移能力。

关键词： 无线传感器网络   状态估计   分布式H   滤波   传感器故障   K-medoids   扩散融合   目标跟踪  

摘要： 针对无线传感器网络（WSNs）中节点故障或异常情况下的系统状态估计问题，提出一种K-medoids信任分布式H∞融合滤波算法，旨在提高传感器故障下系统状态估计的鲁棒性和精确性。该算法的主要步骤为：首先，各传感器节点分别采集局部测量信息并执行分布式H∞滤波更新局部状态估计。然后，各近邻传感器节点之间交换局部状态估计后，建立K-medoids信任机制将获取的局部状态估计分为信任估计和非信任估计，舍弃非信任估计而保留信任估计。最后，设计一种分布式扩散融合策略，该策略计算信任估计的自适应权重并实时融合更新局部状态估计。通过目标跟踪的仿真实例验证了所提状态估计方法的有效性和优越性。

关键词： 牛只检测   多目标   SE注意力机制   MobileNetv3   H-swish激活函数  

摘要： 为了解决牛只多尺度、多目标、多部位状态信息的快速准确识别问题,笔者提出一种基于实时多目标注意力模型的牛只多部位快速自动化检测方法,采用多尺度注意力网络MSEAY,在网络中加入了SE(squeeze and excitation networks)注意力机制、H-swish激活函数及SIo U损失函数,消除现有牛群图像检测中光照、重叠、多类型等对图像检测结果产生的影响,先对牛只图像进行标注及预处理,然后采用MoibleNetv3模型作为Backbone进行牛只的部位划分识别,进而实现了多尺度、多部位牛只状态信息的精准分类与识别。结果表明:在选用含肉牛样本集合的前提下,各部位平均分类结果的精确率为96.6%,召回率为94.7%,F1值为94.1%,m AP@50值为97.4%;在仅选用种牛样本集合的前提下,各部位检测精确率为头部96.4%,躯干97.2%,腿部97.3%,平均值97.0%。本算法在保证检测实时性的同时提高了多尺度、多牛只的检测精度,验证了方法的鲁棒性与可泛化性,可用于多尺度、多目标、多部位状态信息的快速准确识别。

关键词： 无人机   目标检测   YOLOv10   轻量化   损失函数  

摘要： 【目的】针对无人机航拍图像中复杂背景下多尺度目标检测挑战，本文提出一种基于YOLOv10改进的轻量化检测模型，以提升无人机在复杂背景下多尺度目标的检测性能。【方法】在YOLOv10的基础上，首先引入了多通道逆残差模块（Multichannel Inverted Residual Block，MCIR），该模块通过利用多通道处理策略与逆残差结构（Inverted Residual），提升了模型在复杂背景中对多尺度目标的特征提取和融合能力。其次，在C2f（CSP Bottleneck with 2 convolutions）模块的基础上引入了CBAM（Convolutional Block Attention Module）注意力机制得到C2f-CM，增强了复杂背景中对特征目标的定位能力。然后，基于MCIR和C2f-CM对YOLOv10的骨干网络和颈部网络进行了轻量化处理，主要是在骨干网络中减少下采样次数以保留更多的特征信息，在颈部网络中通过优化上采样和特征拼接操作，减少网络层数和复杂度，进一步降低了计算开销。最后，优化了原损失函数为Focal-EIoU，能够更精准地匹配预测框和真实框，并有效解决数据集中样本不平衡问题。【结果】实验结果表明，改进后的LED-YOLOv10模型相较于原始YOLOv10，在mAP50上提升了9.8个百分点，达到了44.5%；参数量和模型大小分别减少了65.68%和51.6%，降至0.927MB和2.7MB。消融实验进一步验证了改进模块MCIR、C2f-CM和Focal-EIoU的有效性，显示它们在提升检测精度的同时，显著降低了模型的复杂度。对比实验结果表明，LED-YOLOv10在复杂背景下的多尺度场景中综合表现最优，检测精度、模型大小均优于其他目标检测算法，检测速度也能够满足实时检测的需求。在嵌入式设备Jetson Nano中对该轻量级模型的综合性能评估也进一步表明，LED-YOLOv10更适合在资源受限的嵌入式平台部署使用。【结论】本文提出的LED-YOLOv10模型，显著提升了无人机航拍图像中复杂背景下多尺度目标检测的精度，并大幅度减少了模型参数量和大小。实验结果和检测效果也验证了本文方法在复杂背景下多尺度目标检测中的优越性，为无人机目标检测提供了一种高效、轻量的解决方案。