关键词： 无人机红外影像   目标检测   YOLOv8算法   小目标   自适应空间特征融合策略   轻量化  

摘要： 无人机红外影像目标检测在农业、商业等领域都有广泛的研究需求和应用场景。针对当前无人机红外影像中目标检测精度低，特别是小目标难以有效检测的问题，并为了便于模型部署，基于YOLOv8算法，提出了一种红外目标轻量化高精度检测算法(YOLOv8-PFAF)。该算法在YOLOv8的基础上，增加一个针对小目标的额外检测头；同时引入自适应空间特征融合策略(ASFF)改进检测头，显著提升了红外目标检测精度。平均精度均值(交并比阈值为50%)提高1.2%,综合平均精度均值(交并比阈值为50%～95%)提高2%。设计并融入了C2f＿PConv模块，有效减少特征图冗余，降低模型尺寸，更好地满足后期实时检测中模型部署的需要。

关键词： 信号处理   图像处理   人工智能   生物识别  

摘要： 阐述一种基于手掌关键点识别的身份认证与控制方法。通过采集用户手掌视频帧，利用预训练的关键点检测模型提取手掌特征点坐标，并基于特征点筛选起始帧图像。随后，将起始帧输入到预训练的手掌识别模型完成身份认证。实验结果表明，身份认证且手势分类准确率为97.10%。

关键词： 环境感知   多模态融合   目标检测   变换器   注意力机制  

摘要： 针对单一传感器在环境感知任务中的性能局限性，提出了一种基于Transformer的毫米波雷达/激光雷达/相机融合3D目标检测方法。该方法由3个关键模块组成：1)相机模块，将图像特征与初始3D目标预测结合，进行视觉增强；2)雷达模块，针对毫米波雷达点云稀疏问题，提出时序多帧融合算法，对连续5帧毫米波雷达数据进行融合，同时提出点云加权融合算法，在毫米波雷达与激光雷达的点云描述能力互补的基础上，构建增强的雷达点云；3)融合模块，采用Transformer解码器，充分整合雷达点云与相机特征，以提升3D目标检测性能。在自制城市道路数据集上进行了实验，并基于nuScenes数据集指标进行评估。实验结果表明，相较于现有方法，本方法在mAP指标上提升6.38%,在NDS指标上提升5.93%。

关键词： 食品安全监管   智能监控   计算机视觉   物联网   人工智能  

摘要： 针对传统人工监管方式存在的效率低下、覆盖面有限等问题，研究采用计算机视觉、物联网传感和人工智能等技术，构建了一套完整的智能监控系统。通过在某市50家食品生产企业开展为期一年的实地试验，分析智能监控与传统监管模式在准确率、实时性、成本效益等方面的差异。对比结果表明，智能监控技术能将食品安全隐患的发现率提升43.2%，平均响应时间缩短至传统模式的1/6，监管成本降低52.7%。该研究为推进食品安全监管现代化提供了实践依据和技术支撑。

关键词： 自动驾驶   目标检测   YOLOv8s   EMA   Wise-IoU  

摘要： 针对当前自动驾驶目标检测算法存在的单一或少量种类目标检测、目标漏检和误检等问题，本文提出了一种基于YOLOv8s改进的自动驾驶目标检测算法。该算法将YOLOv8s的主干网络中部分普通卷积替换成RepConv (Reparameterization Convolution)卷积，提升目标感知能力的同时减少计算复杂度和内存消耗，提高模型效率。此外，在颈部网络C2f后添加高效多尺度注意力（Efficient Multi-scale Attention, EMA）机制，提高特征关注度和模型收敛速度。其次，在网络头部添加P2检测头，增强对小目标的检测能力。最后，采用WIoU (Wise-IoU)损失函数，该函数通过动态非单调聚焦机制和梯度增益分配策略，提高检测器整体性能。在手动标注的Car数据集上，改进模型在mAP50和mAP(50-95)上分别达到81.2%和58.4%，比YOLOv8s模型分别提升1.5%、1.2%;精确率（Precision,P）、召回率（Recall,R）提升1.9%、0.8%；参数量从11.14M降至10.87M。改进模型与基准模型相比，在减少参数量的同时提高了检测精度，使其更加适用于自动驾驶任务。

关键词： 探地雷达   衬砌检测   深度学习   目标检测  

摘要： 隧道衬砌检测是隧道建造与维护的一项重要质量管理内容。因衬砌内部病害种类多样、边界模糊，导致病害识别不准、模型训练困难。而依靠人工识别或现有模型无法实现快速、准确得检测病害。针对上述问题，以云南隧道B-scan取得的1 922个衬砌雷达样本创建数据集，用于训练模型，并提出一种基于YOLOv5的隧道衬砌病害检测模型YOLO-Tunnel。通过改进Backbone与Neck,提升了模型特征提取能力、增加感受野、提升模型定位能力；根据数据集规模和目标尺寸比例，选择合适的模型尺寸和平衡权重，进一步提高模型识别能力。结果表明：YOLO-Tunnel相比YOLOv5s有更好的病害检测精度同时也满足实时检测需求，其中准确率、召回率、均值平均精度(mAP)分别提高了2.5、9.0、8.1个百分点，推理时间增加了2.7 ms,为21.8 ms。研究成果为进一步提高隧道衬砌病害识别性能及模型优化方向提供参考。

摘要： 铁路轨道检测技术是保障列车运行安全的重要手段，随着列车速度和负载的增加，轨道缺陷检测面临更高要求。传统检测方法存在效率低、精度不足等问题。本文提出了一种基于计算机视觉技术的轨道检测方法，结合图像预处理（灰度变换与中值滤波）、Canny边缘检测和BP神经网络分类技术，针对轨道裂纹和疤痕两种主要缺陷进行检测与分类。实验结果表明，该方法在缺陷分类准确率和抗噪能力方面具有显著优势，为轨道检测的自动化提供了有力的技术支持。

关键词： 目标检测   残差网络   注意力机制   迁移学习   状态校核  

摘要： 针对抽水蓄能电站电气设备传统人工检修存在的资源投入大、效率低、人员专业水平参差不齐等问题，提出了基于改进SSD模型的电气设备状态校核方法。首先，引入深度残差网络改进SSD模型的特征提取网络，融合注意力机制模块对特征图在通道和空间方向并行处理；再采用迁移学习方法进行深度残差网络初值设定；最后，建立电气一、二次设备运行规则融合的防误规则策略库，通过提取运行策略匹配校核设备实时运行状态，辅助运维人员决策分析。结果表明，提出的设备状态校核方法准确率为96%、平均精度均值为0.845,帧率为53.4,相较于原模型在平均精度均值和帧率方面分别提升了15.2%、16.0%,且优于其他模型的识别结果。该方法可在实际工程检测中实现高精度、高效率的电气设备状态识别。

关键词： 图像识别模型   野生动物保护   模型构建   目标检测  

摘要： 图像识别模型作为人工智能的重要分支，在野生动物保护领域展现出巨大的应用潜力。本文首先概述了图像识别模型的基本类型，随后详细阐述了野生动物图像识别模型的构建流程，包括数据采集、预处理、模型训练等关键步骤，最后探讨了图像识别模型在野生动物保护中的具体应用场景。研究表明，图像识别模型能够显著提升野生动物保护的效率与精度，为生物多样性保护提供强有力的技术支持。未来，随着技术的不断进步，图像识别模型将在野生动物保护中发挥更加重要的作用。

关键词： 无人机航拍图像   目标检测   结构重参数化   多维特征自适应融合   高分辨特征增强  

摘要： 无人机飞行高度的动态变化使得航拍图像中往往包含大量小目标,同时目标尺度变化显著,这些问题给目标检测任务带来了挑战.针对上述问题,提出一种基于多尺度融合和高分辨特征增强的无人机航拍目标检测方法.首先,在骨干网络中引入多尺度结构重参数化特征提取模块,利用普通卷积块和结构重参数化的大核卷积块对多个分支进行不同尺度的卷积运算,有效提取不同感受野下的特征信息;然后,在颈部网络中引入基于特征金字塔网络的多维特征自适应融合模块,以优化其自下而上的特征聚合过程,实现对浅层特征中的精细细节和深层特征中的上下文信息的自适应选择,从而更有效地应对目标尺度显著变化;最后,在颈部网络中引入多尺度特征融合小目标增强模块,以捕捉无人机航拍图像中小目标物体在不同尺度上的变化.通过在VisDrone2019和TinyPerson两个公开数据集上进行大量的实验,表明了所提出方法的有效性和优越性.