关键词： 姿态估计   人体关键点   轻量化网络   注意力机制   目标检测  

摘要： 针对现有的太极训练评估方法受训练场地和训练时间的限制，导致学员“学其行而不知其意”,不恰当的运动动作，造成运动损伤。提出两阶段的自上而下的人体骨骼关键点检测算法，首先使用改进网络结构、损失函数的YOLOX进行目标检测，增强网络检测和特征表达能力，提高在人体目标检测方面的适用性和准确性；其次搭建以MobileNetv3为主干的轻量化AlphaPose网络，为模型搭载在嵌入式设备上提供可能。并引入疏松多层感知机，保证算法精确度的同时降低模型时间复杂度和空间复杂度。最后，为更好地衡量太极拳动作的标准程度，计算太极拳视频序列和关键帧图像的人体关节角度，对动作标准程度进行反馈。

关键词： 青稞病虫害   目标检测   EfficientViT   多尺度特征融合   轻量化  

摘要： 青稞病虫害检测过程中，目标具有不同尺度、重叠遮挡、模型复杂度高以及实时性差，难以在边缘计算设备上部署等问题，基于此，提出一种多尺度轻量化YOLOv5s的改进方法。首先，使用EfficientViT替换YOLOv5s中的主干网络，通过在主干网络中引入级联的自注意力机制，减少模型复杂程度，同时增加特征提取能力。其次，该方法在模型中引入具有注意力机制的SCP模块，通过聚合空间上的上下文信息，帮助模型更好地提取不同尺度下的特征，在控制参数量提高10%以内的情况下，提高模型对不同尺度病虫害的识别精度。然后，使用C2f替换head部分全部的C3层，进一步提升模型对特征的提取能力。最后，引入具有动态聚焦机制的加权交并比非极大值抑制算法(WIoU)作为损失函数，以此来平衡正负样本。结果表明，相比原始YOLOv5s,改进后的模型参数量减少60%;计算量减少32%,平均精度达到88.7%,平均精度提高2.3%;与主流目标检测算法，如Fast R—CNN、SSD,YOLO系列等模型相比，改进后的融合多尺度的轻量化模型在提升检测精度的同时，降低模型的复杂程度。

关键词： 船舰目标检测   SAR影像   注意力机制   可变形卷积   融合空间金字塔池化   损失函数  

摘要： 针对目前SAR影像船舰目标检测方法存在多场景下检测精度不高、漏检、模型泛化能力差的问题，尝试以YOLOv8s网络为基础，提出新的注意力机制D-CBAM,并定义新的损失函数RIoU,以及将最新的可变形卷积DCNv4替换标准卷积，引入融合空间金字塔池化focal modulation networks来提升网络性能，提出的网络命名为DR＿YOLOv8s++检测网络。为验证DR＿YOLOv8s++网络的有效性和通用性，在SSDD、HRSID数据集上进行实验。结果表明，所提出算法的平均精度均值分别达到98%、97.5%,优于其他经典算法，模型性能提升明显，同其他目标检测算法相比，具有较强的泛化能力。

关键词： 红外辐射偏振特性   高温金属   偏振度   目标检测  

摘要： 偏振特性是光场中除强度与光谱之外的又一维重要特性，在目标识别、军事侦察和红外目标探测等领域展现出广阔的应用前景。航天发动机、高速飞行器等人造物体通常温度可以达到几百摄氏度，因此具有高温自辐射特性。然而，高温情况下目标的红外偏振特性研究却相对较少，尤其是缺乏针对不同金属表面在较高温度下的偏振特性的深入探索。为了研究高温金属表面的辐射偏振特性，采用基于微面元理论的双向反射分布函数模型，结合镜面反射与漫反射特性，系统性地建立了基于金属自发辐射能量的偏振双向反射分布函数与红外辐射偏振度的数学模型。通过推导与计算，分析了不同表面粗糙度和温度条件下，金属对红外辐射线偏振度的影响规律。仿真结果表明，在相同温度下，金属表面的粗糙度越大，偏振度越低；相反，在相同粗糙度下，随着温度的升高，偏振度逐渐增加。同时利用LGC6122型长波红外相机与WP25M-IRC红外线栅偏振片，对金属铁和45号钢进行了在8～14μm波段内的目标自发辐射偏振热成像，获取了150、 200、 250、 300、 400和500℃下的长波红外线偏振度数据。针对实验观测而言，受普朗克黑体辐射定律影响，金属表面温度与其光谱积分偏振度呈正相关状态，温度越高，光谱积分偏振度越大。同时随着观测角度的增加，偏振度也逐渐增大，在70°～80°范围内达到峰值。该研究成果旨在提升红外目标检测等应用中热成像和光学传感技术的精度和其可靠性，并为未来进一步探索复杂环境下的红外探测技术提供参考。

关键词： 自动驾驶   YOLOv8   通道注意力   轻量化  

摘要： 本文研究基于YOLOv8对自动驾驶目标的检测，引入了通道注意力机制，提升对关键区域的识别，并利用深度可分离卷积提高推理速度。详细分析了自动驾驶任务中的目标检测问题，包括轻量化和通道注意力机制的YOLO目标检测方法。实验结果表明：轻量化模型保持较高推理速度，但牺牲了一定的检测精度；通道注意力机制的模型提高了准确性，但推理速度略降。本文提出的改进方法满足了自动驾驶在复杂环境下的需求。

关键词： 机器视觉   图像处理   边缘检测   OpenMV4 H7 PLUS  

摘要： 基于机器视觉模块OpenMV4 H7 PLUS，设计了一种视觉模块与光学放大镜配合的微小机械零件图像处理系统。以此为实验平台，采集图像尺寸为QVGA(320*240)的情况下，分别实验研究了Canny算法、特定于OpenMV Cam的库中***函数，以及与高斯滤波结合的边缘检测算法的效果。实验结果表明，Canny算法无法得到完整的边缘轮廓，而经过kernel参数调整后，使用***函数的边缘检测算法可以获得较为清晰的微小零件边缘轮廓，为进一步研究采用OpenMV4 H7 PLUS实现微小机械零件尺寸的自动测量打下了一定的基础。

关键词： 群目标   量测划分   多维分配   随机超曲面模型  

摘要： 为实现对量测划分困难的空间密集群目标外形和内部结构的准确跟踪和估计，提出了一种基于随机超曲面模型的多传感器多目标多伯努利算法。该算法使用随机超曲面模型对群目标的扩展外形进行建模，利用虚拟领导者模型描述群目标运动状态，采用多维分配算法改进传统的两步贪婪算法对多传感器量测进行准确划分。仿真试验表明所提出的算法能够对群数量和群成员数量进行准确估计，在群外形和内部结构跟踪估计方面具有良好的跟踪估算精度，对群目标发生分裂和合并也有较好的拟合效果，并具有更好的抗杂波干扰能力。

关键词： 红外小目标检测   RT-DETR   Trans-YOLO   CAFMFusion   RGCSPELAN  

摘要： 红外检测作为远程搜索和监视的重要手段，在诸多领域发挥着重要作用。为了提高复杂背景下红外小目标的检测精度，提出了一种基于RT-DETR改进YOLOv8模型的Trans-YOLO算法。首先，为了避免YOLOv8模型中非极大值抑制（NMS）错误抑制真实目标，利用RT-DETR中的Decoder&Head替换其Head部；然后，为了应对红外小目标信号弱、尺寸小等特点，设计了一个RGCSPELAN模块，使检测网络能够对输入特征进行更细粒度的处理；最后，为了缩小深浅层特征语义差距，设计了CAFMFusion(CAFM-based fusion)机制作为新的特征融合策略，促进不同特征信息在网络中流动，从而增强模型对不同尺寸目标的检测能力。实验结果表明，所提Trans-YOLO模型在两个复杂场景的公开数据集上交并比阈值为0.5时的平均精度均值分别达到了86.1%和99.5%，比原YOLOv8模型分别提高了7.7百分点和3.0百分点。此外，该模型在两个数据集上的处理速度分别达到了371.9 frame/s和369.4 frame/s，在准确性和速度之间实现了有效平衡。

关键词： 被动目标追踪   状态估计   最大相关熵准则   自适应核宽   卡尔曼滤波  

摘要： 针对机动目标状态难以精确估计的问题，提出一种基于连续-离散最大相关熵分布式容积卡尔曼滤波的状态估计方法。首先利用1.5阶伊藤(ITO)泰勒展开将随机微分方程转换为随机差分方程，并根据三次容积规则对状态预测值进行精确计算。然后利用最大相关熵准则处理异常测量值，修正状态预测值得到最优状态估计值。同时，为了确保算法在合适的核宽度下工作，基于测量新息误差提出了一种自适应核宽选择方法。通过经典被动目标跟踪的数值仿真表明，该方法不仅跟踪精度高、鲁棒性强，而且使用便利、可扩展性强。

关键词： 无人机(UAV)   目标检测   深度学习   YOLOv8算法   注意力机制   Focaler-CIoU损失函数  

摘要： 无人机拍摄影像存在大量分布密集的小目标，针对通用目标检测方法对小目标容易造成漏检和错检的问题，提出了一种改进YOLOv8的无人机航拍图像小目标检测算法。利用高分辨率浅层特征信息具有较小的感受野和更精细的空间信息特性，改进算法增加小目标物体检测头，采用四个特征检测头提升小目标检测率。设计构造ConvSPD卷积模块和BiFormer注意力增强模块的小目标检测模块组改进YOLOv8骨干网络，有效增强小目标浅层细节特征信息的捕获能力。为确保模型的硬件终端部署需求，采用可重参数化的Rep-PAN模型优化Neck网络。Head网络采用Focaler-CIoU损失函数优化回归定位损失，提高定位精度。在VisDrone-2019数据集上，改进算法平均检测精度达到51.2%，比YOLOv8提高10.9个百分点，检测速度为63.7 FPS，具有良好的实时性。