关键词： 深度学习   PCB   缺陷检测   YOLOv3算法   目标检测  

摘要： 为了准确快速进行PCB缺陷检测，文中针对常见的PCB缺陷铜面残渣（简称RE-CU）和铜面异物（简称FB-CU），利用YOLOv3模型进行缺陷识别实验。实验结果显示：YOLOv3模型在PCB缺陷识别中有较好的检测效果，在阈值为0.5时，有缺陷图片（简称NG图片）的漏检率低于15%，无缺陷图片（简称OK图片）的误检率只有5%左右。在深入分析检测的结果后，发现对于小缺陷的识别效果较差，于是增加了一个感受野更小的检测头，构建了具有四个检测头的网络结构。利用改进型的YOLOv3算法进行实验，结果表明：改进后的YOLOv3算法具有更好的检测性能，在阈值为0.5时，OK图片的误检率较改进前降低为0.25%，并且在阈值为0.7时更是达到了0%，NG图片的漏检率较改进前也有所降低。

关键词： 茶叶嫩芽   目标检测   深度学习   迁移学习   TL-YOLOv7算法  

摘要： 针对当下茶叶采摘难，传统嫩芽识别精度不够高的问题。为了研究出一种适用于不同品种和不同环境的嫩芽识别算法。通过采集大量茶叶图像构建深度学习训练数据集，选用目标检测神经网络模型CornerNet，YOLOv7和Faster RCNN对一芽一叶进行样本训练和测试，并加入迁移学习方法，以提高模型的泛化能力。对比分析不同网络模型的识别效果。结果显示，TL-YOLOv7网络模型识别一芽一叶的效果最优，不同品种、不同光照条件以及不同时间段的嫩芽识别AP值达到95.3%，召回率为92.9%，每幅图像的检测时间为0.017 s。从而得出TL-YOLOv7网络模型能够有效识别茶叶嫩芽的结论，并在不同条件下具有良好的适应性。

关键词： YOLOv8   目标检测   粉尘识别   深度学习  

摘要： 在特定工业环境中产生的粉尘不仅对设备的运行和维护构成损坏,更对工人的健康和环境产生威胁,因此,对粉尘进行实时有效的检测并及时采取相应的措施具有重要意义.文章基于YOLOv8 目标检测基础模型,进行了多项改进.引入了动态上采样器DySample,以增强对不同尺寸粉尘目标的检测能力,提升小目标粉尘的检测精度.另外,在工业环境中,粉尘检测通常存在复杂的背景,如机器设备、管道等,这些背景可能会干扰模型的判断,导致误检.为了改善复杂背景下的检测性能,将Dynamic ATSS标签分配策略应用于训练过程中的正负样本分配阶段,通过动态调整预测框和真实框重叠程度的指标(intersection over union,IoU)阈值,使得正样本的选择更加符合粉尘目标的分布特性,提高检测器的泛化能力.实验结果显示,改进后的模型相比传统YOLOv8 模型,在粉尘目标检测的精度、召回率以及mAP等指标上均有提升,其中精度提升10%,召回率提升3%,mAP50提升5%左右,且在应对复杂背景和多尺度目标时表现更加优异.这种方法提供了新的技术支持和思路,为粉尘检测在工业环境中实现自动化和智能化提供理论依据.

关键词： 路面工程   路面病害   目标检测   YOLOV7   轻量化   注意力机制   损失函数  

摘要： YOLOV7用于路面病害检测存在参数冗余、检测效率较低、模型体量过大等问题.为了解决上述问题,利用MobileOne网络代替原有主干特征提取网络,引入轻量坐标注意力模块Coordi-nate Attention(CA)到网络中,提出了基于GSConv的YOLOV7 Slim-Neck,并通过重参数思想融合模型运算过程,使用Focal-EIoU Loss替代CIoU Loss以解决样本分类不均衡的问题.研究结果表明:引入Focal-EIoU Loss后能够平衡样本的不均匀性,加快模型的收敛;MobileOne网络在减少模型参数的同时提高了模型的精度;CA模块加强了模型的特征提取能力;Slim-Neck在保证学习能力的同时,大幅减少模型参数;相较于传统的YOLOV7架构,所提出的模型参数量减少了 78％,图像处理速度是原来的3倍,mAP性能指标上升1.71％,F分数上升0.022.该轻量化模型便于移动平台部署,具有明显的工程应用优势.

关键词： 目标检测   绝缘子表面缺陷识别   小目标   卷积和注意力融合   边界框损失函数   分类损失函数  

摘要： 针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题，提出一种基于改进YOLOv8的输电线路绝缘子表面缺陷识别算法。首先，在主干网络引入CAF（Convolution and Attention Fusion）模块，增强全局和局部特征的提取能力；其次，在模型的颈部网络增加GD（Gather-and-Distribute）机制，提升小目标检测能力；最后，采用ATFL（Adaptive Threshold Focal Loss）分类损失函数，削弱复杂背景对小目标检测的干扰，引入PIOU（Powerful Intersection over Union）边界框损失函数，提高识别精度。实验结果表明，该算法的mAP50达到94.1%，相较于基线模型提高了3.1%，且性能优于最近的YOLOv9s、YOLOv10s、YOLOv10m等算法。

关键词： 无人机   小目标检测   轻量级网络   上下文信息   注意力机制  

摘要： 针对无人机航拍视角下目标尺寸小、特征信息不足、分布密集且遮挡导致的检测精度低的问题，提出一种基于特征增强与上下文融合的无人机小目标检测算法。首先，构建增强特征提取的轻量化主干网络，利用特征提取轻量块高效提取特征信息，并设计细粒度通道融合块有效避免目标细粒度特征的丢失，该主干网络提高了模型的特征提取能力和推理速度；其次，构建小目标检测头，充分提取小目标的位置信息和细节特征；然后利用自适应选择空间注意力模块，自适应的调整不同目标所需的感受野，以充分利用航拍小目标周围丰富的上下文信息；最后，引入基于最小点距离的边界框回归损失函数MPDIoU，进一步提高密集小目标检测的精度。所提算法在VisDrone2019数据集上的mAP0.5、mAP0.5:0.95达到了46.7%、28.6%，较基准网络YOLOv8s分别提高了8.5%、5.9%；同时算法的参数量较YOLOv8s减少了23.4%，高效适用于无人机航拍密集小目标检测场景。

关键词： 自动驾驶   目标检测   域适应   知识蒸馏   自注意力  

摘要： 为解决自动驾驶汽车在恶劣天气的跨域交通场景下检测能力显著下降的问题，本文提出了一种基于知识蒸馏的目标检测域适应方法KD-DAOD。该框架通过引入自注意力机制增强特征表达，并结合域对齐模块在不同尺度上实现源域和目标域的特征对齐，有效减少跨域分布差异。此外，平均教师训练模型通过动态EMA参数更新策略，减少对大量标注数据的需求，并显著缓解模型的灾难性遗忘问题。在Cityscapes和Foggy Cityscapes公开数据集上的实验结果显示KD-DAOD框架在跨天气条件下目标检测准确率达到了52.86%，有效提高了自动驾驶汽车跨域目标检测的能力。

关键词： 伪装目标检测   反向引导   多尺度卷积   注意力机制   特征聚合  

摘要： 由于伪装目标与背景具有高度的相似性，极易受背景特征混淆，导致边界信息难以分辨和提取目标特征困难。目前主流的伪装目标检测（COD）算法主要针对伪装目标本身及其边界进行研究，忽略了图像背景与目标的相互关系，在复杂场景下检测结果不理想。为此，为了探索背景和目标的潜在联系，提出一种通过挖掘边界和背景进行伪装目标检测的算法。该算法由5个部分组成：编码器处理初始原始数据；边界指导框架通过特征处理和特征挖掘提取更多精细的边界特征；背景引导框架通过多尺度卷积探索更多的显著特征，同时基于注意力设计了混合注意力模块增强对背景特征的强化选择；信息补偿模块弥补了在特征处理过程中损失的细节信息；多任务协同分割解码器则对不同任务以及模块所提取的特征进行高效融合并输出最终的预测结果。在广泛使用的3个数据集上的实验结果优于其他15个较先进的模型，尤其在CAMO数据集上的平均绝对误差指标降到了0.042。

关键词： YOLO11s   轻量化   绝缘子   目标检测  

摘要： 【目的】针对架空输电线路绝缘子缺陷检测模型参数量大，且在复杂背景下不同尺寸小目标的缺陷检测精度较低，易出现误检、漏检等问题，提出一种改进的YOLO11s的轻量化算法。【方法】首先，用轻量化GhostConv模块替换其Backbone网络的Conv卷积，有效增强了对不同尺寸小目标的特征提取能力，同时降低模型的参数量；其次，在Neck网络中引入CA（Coordinate Attention for Efficient Mobile Network Design）注意力机制，在降低模型计算量的同时，有效抑制了复杂背景干扰，减少漏检、误检率；最后，使用SIOU(SCYLLA-IoU)损失函数取代原模型的CIOU（Complete Intersection over Union）损失函数，精细衡量预测框和真实框之间的向量角度，优化目标的角度定位效果，同时减少训练所需的时间和资源消耗，提高模型的收敛速度。【结果】实验结果表明：改进后的模型mAP（mean Average Precision）达到了96.9%，检测速度达129.8帧/秒，相较原模型分别提高了5.6％、7.0%；同时参数量和计算量减少了25.8%和13.1%，内存占用仅4.8MB。【结论】相较于原YOLO11s模型，改进后的模型具有更好的检测性能，能够实现绝缘子缺陷的实时监测，为部署到嵌入式设备上提供了更有效的方法。

关键词： 非合作航天器   机动目标跟踪   相对导航   交互多模型   卡尔曼滤波  

摘要： 用于跟踪空间非合作机动目标的相对导航技术旨在实时获取目标精确的轨道信息，提升航天器对于目标轨道机动的快速感知与精准决策能力，是航天器追逃博弈的基础。在目标机动序列未知的情况下，研究用以估计两星间相对运动状态的交互多模型（IMM）算法，构建了以无机动模型、匀加速机动模型、大偏差响应模型为子模型的IMM模型集。在此基础上，研究目标处于某一特定机动模式稳定运动（稳态模式）时影响IMM算法性能的因素，推导得到了稳态模式下匹配模型权值（稳态权值）的平衡点表达式，给出了稳态权值围绕平衡点震荡的变化规律，并由此阐明了模型转移概率、模型似然比对稳态权值的大小及量测噪声敏感程度的影响机理，为IMM算法的稳态性能优化提供了理论依据。在上述分析的基础上，结合给定时间窗口内模型权值的发展趋势对模型转移概率进行实时修正，提出了稳态增强IMM（ES-IMM）算法。在空间机动目标跟踪过程中，该算法能够提升稳态模式下匹配模型的权值，同时对量测噪声影响下的权值跳变进行抑制，增强IMM算法的稳态估计性能。仿真结果表明，在空间机动目标跟踪任务中的稳态区间，ES-IMM的估计精度明显优于传统的IMM算法。