关键词： 红外目标检测   边缘设备   多尺度特征   特征融合  

摘要： 针对现有红外目标检测方法计算复杂度高、参数量大、依赖高性能资源，难以应用到资源受限的移动设备的问题，提出了适合边缘设备部署的红外交通目标检测网络。首先，提出了上下文锚点注意力多阶高效聚合网络，自适应提取多尺度特征和全局依赖关系，通过优化梯度路径降低模型计算量，适应目标尺度变化和模型轻量化需求；其次，提出了全局跨层特征融合模块，实现不同尺度的三层特征交互，有效融合高层语义信息和底层空间信息；最后，通过HiLo注意力机制实现了尺度内高层语义特征交互，关注目标轮廓的同时减少参数数量和浮点运算数。实验结果表明，与同类方法相比，该网络在多个数据集上具有最佳表现，与RT-DETR相比，参数数量和浮点运算数分别下降了46%和39%，模型尺寸压缩了45%，降至21 MB。可见，本文方法适合部署在资源受限的边缘设备。

摘要： 随着科学技术的飞速发展，测量技术也在不断革新。近景摄影测量作为摄影测量学的一个重要分支，凭借其独特的优势，在众多领域得到了广泛应用。它利用摄影手段获取物体的影像信息，通过对影像的分析和处理，实现对物体的三维坐标测量、形状重建以及变形监测等，具有非接触、快速、高精度等特点，在我国经济建设和科学研究中扮演着不可或缺的角色。近景摄影测量作为一种高效、精确的测量技术，在我国各行各业中发挥着日益重要的作用，为相关领域的发展提供了有力支持。

关键词： 机器视觉   小龙虾苗种   图像处理   质量估计   数据拟合  

摘要： 针对传统小龙虾苗种分拣方法会对苗种造成物理和应激伤害，且小龙虾苗种耐受性较低的问题，本文提出一种基于机器视觉的小龙虾苗种质量估计方法，以实现无接触式优质苗种质量估计。通过工业相机拍摄不同规格的小龙虾苗种图像，首先对小龙虾苗种图像进行预处理，然后采用K-means聚类算法进行图像分割，最后运用形态学运算和泛洪算法处理提取小龙虾苗种轮廓，并使用像素统计法提取小龙虾苗种像素数量特征参数。利用最小二乘法对像素数量和质量进行数据拟合，其中二次多项式拟合相关性最好可达到0.954 0，测试平均相对误差4.60%，实验证明该方法可以满足小龙虾苗种质量估计的要求。

关键词： YOLOv8   目标检测   注意力机制   智能制造  

摘要： 针对玻璃盖板划伤缺陷形状细长不连续、尺度多变等特性，对YOLOv8模型进行改进，借鉴注意力机制MLCA和GhostBottleneck模块改进网络主干的C2f模块，减少冗余特征，深入挖掘空间与通道信息、局部与全局信息；颈部引入VoVGSCSP模块，提高语义增强和特征融合能力；头部运用深度可分离卷积并做出非对称化结构改进，减少参数量，提高检测效率；后处理算法改用WIOU,采用明智的梯度增益分配策略，提升收敛速度。在自建数据集上训练模型并验证，改进后的YOLOv8模型精确率提高了5.1%,召回率提高了4.5%,平均精度均值提高了2.1%,参数量和浮点运算量分别下降了38.5%和47.6%,漏检、误检减少，目标重叠和检测锚框重复的情况明显改善。

关键词： 大豆冠层   深度学习   改进YOLOv5s   叶片识别   目标检测  

摘要： 为开发自走式大豆表型信息采集平台，实现自动化叶片识别与表型参数获取，解决人工干预问题，提出一种基于改进YOLOv5s的大豆冠层叶片识别方法。在骨干网络特征提取层中引入通道空间融合注意力机制（CBAM）,提高对小叶片的识别效果。将网络中的空间金字塔池化结构（SPPF）替换为空洞空间卷积池化金字塔结构（ASPP）,加强局部信息检测，引入SIoU损失函数，提高复杂背景下叶片的定位能力。利用检测框的坐标信息对单个叶片进行分割进而获取叶长、叶宽、叶面积。试验结果表明：相比于原模型，改进后模型的平均精度均值mAP、精确率、召回率分别提高5.4%、3.3%、4.6%;叶长、叶宽、叶面积平均绝对误差分别为0.98 cm、0.56 cm、6.20 cm2。

关键词： YOLOv10n   车辆检测   车牌检测   SE注意力机制   目标检测  

摘要： 车辆检测与车牌检测是现代交通中的重要课题。为提高车辆及车牌检测的准确率，文章提出了一种基于YOLOv10n算法及SE注意力机制的车辆车牌检测方法。首先，将YOLOv10的检测类别设为两类，分别为车辆和车牌，以降低模型的信息冗余，提高检测精度；其次，将SE注意力机制融入YOLOv10n算法模型，以提升检测效率；最后，对经SE注意力机制处理后的特征进行检测，以提高整体的检测性能。实验结果表明，该模型取得了较好的检测性能，车牌的Box(P)、Box(R)分别比YOLOv10n的提高了1.1%、1.2%，全部类别、车牌的m AP50分别比YOLOv10n的提高了0.2%、0.4%。除此之外，在模型所占内存并无增加的前提下，检测时间有所降低。

关键词： YOLOv8   小目标检测   多尺度特征融合   轻量化  

摘要： 在无人机航拍图像目标检测任务中，存在小目标多且分布密集，目标背景复杂，类别样本数量不平衡，无人机算力偏低等问题。为此提出一种改进YOLOv8的算法MFF-YOLOv8(multi-feature fusion YOLOv8)。在C2f模块的Bottleneck模块中融合可变形卷积DCNv3(deformable convolution v3)，增强模型主干部分的特征提取能力。设计了一种新的MFFPN(multi-feature fusion pyramid network)特征融合网络结构，增加更多特征融合路线，保留更多的底层特征图细节和特征，提高模型对小目标的检测能力。增加P2小目标检测层并优化原有的P5检测层，增强了对小目标的检测精度并降低参数量。最后，引入动态头Dyhead(dynamic head)进一步增强模型的检测精度，在Visdrone2019公共数据集的实验中，MFF-YOLOv8s算法的检测精度mAP50和mAP50:95相比YOLOv8s分别提高10.2个百分点和7.1个百分点，参数量降低77.04%，检测精度超越YOLOv11，满足了无人机平台对精度和轻量化的需求。

关键词： 目标检测   乳腺钼靶诊断   多分支结构   注意力机制   自适应样本划分  

摘要： 针对现有乳腺肿块检测算法中存在不规则肿块漏检率高且容易误诊的问题，提出一种基于多分支结构和多层级注意力的肿块检测网络模型．为了解决小肿块特征表达能力差的问题，设计了一种非对称块和空洞卷积构成的多路分支结构，在降低参数量的同时充分提取融合多层次特征；提出一种基于多层级特征图的注意力机制，通过注意力模块在相邻层之间融合深层注意力信息和浅层特征图信息，以获取重要特征及其位置．为解决肿块正负样本失衡的问题，在样本选择过程中引入自适应样本划分算法，根据锚框和肿块的交并比值集合的分布特征，自适应计算划分阈值，确保正样本比例和训练的有效性．在CBIS-DDSM数据集上进行实验，结果表明：该网络模型的平均精度均值达到86.10%，漏检率低至10.19%，实际检测结果优于其他主流算法．

摘要： 图1摄于黑龙江省海林市双峰林场,那里被称为“中国雪乡”,每年10月开始飘雪,直至来年三四月份,近半年时间白雪皑皑,积雪不化,最厚时可达2米,成为雪地旅游与网红打卡的赏雪、拍雪胜地。拍雪,曝光的关键是最亮的高光部位切勿过曝,否则亮部层次缺失,积雪的亮部细节与形体表面质感就会受到影响,尤其夜间灯光下,白色的雪块是非常好的反光体,任何色光都能得到反射,但前提是曝光必须准确,高光部位过曝超过1.5级,影调层次与颜色就无法还原,而阴影部位的亮度和层次哪怕欠曝4级,在后期编辑中是可以获得一定程度的还原。

关键词： 多目标跟踪   识别   羊只   BoT-SORT   数据关联   目标检测  

摘要： 近年来，随着羊只养殖向大规模和精细化的方向发展，羊场对智能化管理的需求日益增加。因此，精准的个体识别和行为监测变得尤为重要，对多目标跟踪(Multiple object tracking, MOT)算法的准确性提出了更高要求。然而，现有的MOT算法在目标遮挡和动态场景下的性能仍不理想。本文提出两种跟踪线索：深度调制交并比(Depth modulated intersection over union, DIoU)和轨迹方向建模(Tracklet direction modeling, TDM),旨在补充交并比(Intersection over union, IoU)线索，提高多目标跟踪的精准度和鲁棒性。DIoU线索通过引入目标的深度信息改进了传统的IoU计算方法。TDM聚焦于目标的运动趋势，预测其未来的移动方向。本文将DIoU和TDM跟踪线索集成到BoT-SORT算法中，形成改进的多目标跟踪算法。在两个私有数据集上，改进算法相比基线方法，MOTA(Multiple object tracking accuracy)指标分别提高1.6、1.7个百分点，IDF1(Identification F1 score)指标分别提高1.9、1.0个百分点。结果显示，改进算法在复杂场景中的跟踪连续性和准确性显著提升。