关键词： 城市物联网   车辆目标检测   特征提取   损失函数  

摘要： 针对现有的方法在密集、遮挡以及小目标检测中存在的问题，本研究提出了一种用于城市道路场景中车辆检测的QARep-YOLOv8n算法。首先，本研究采用了一种Haar小波下采样模块来缓解传统跨步卷积或池化操作所导致的特征信息丢失的问题；其次，提出了一种批量正则化注意力模块和QARepC2f模块来提高YOLOv8的特征提取能力；最后，采用了NWD边界框损失和Slide分类损失来提高对于小目标以及遮挡目标的检出效果。在4个主流的车辆检测基准数据集上的广泛消融实验和验证实验表明，QARep-YOLOv8n相比于YOLOv8n, mAP分别提升了3.3%、3.2%、2.7%和1.5%,此外，本研究方法具有更显著的小目标、遮挡目标检测效果。

关键词： 夜间驾驶   目标检测   自适应Gamma校正   YOLOv5  

摘要： 光照条件差会对夜间行车安全构成严峻挑战。基于此，设计了一种融合自适应Gamma校正与YOLOv5的夜间驾驶辅助系统。该系统通过树莓派控制核心及多个外设，实现图像采集、图像增强、目标检测和语音提示等功能，从而有效降低驾驶风险。介绍了系统硬件组成及功能，阐述了软件自适应Gamma校正的实现过程和YOLOv5目标检测模型的训练过程，并在实验环节验证了系统的可靠性。

关键词： 动态衰减网络   复杂航拍图像   目标检测   高低频特征   双重注意力  

摘要： 为了提高航拍图像目标检测准确性，提出基于动态衰减网络的检测方法．该方法通过构建动态衰减网络模型可自适应调整目标权重，强化关键特征并衰减干扰特征；利用高低双频特征提取方法全面捕捉图像细节和结构，结合双重注意力模型融合特征，强化关键信息并抑制冗余信息；采用基于锚点的稀疏目标标注方法，实现目标检测．实验结果表明，该方法无人机图像目标检测平均精度显著提升，高于95.1%，图片数量均值高于20.1，且在不同光照条件和目标尺度下均表现出色，误检率和漏检率均为0，验证了其在复杂环境下航拍图像目标检测的高效性与准确性．

关键词： 多帧检测   启发式搜索   无人机   目标检测   极化雷达  

摘要： 针对复杂电磁环境下无人机目标低可观测性、高机动性带来的检测难题，本文提出一种基于启发式搜索的极化雷达无人机检测方法。通过建立融合运动学约束、加速度约束与极化能量一致性约束的启发式搜索框架，有效解决了传统多帧检测方法计算复杂度高、机动适应性差的瓶颈。首先，基于雷达数据经短时傅里叶变换后的时间-距离-速度三维数据矩阵构建三维状态空间。其次，设计多约束融合的启发式函数：运动学约束基于运动学方程建立速度-距离映射模型，推导相邻帧间可达区域以压缩搜索空间；加速度约束引入加速度惩罚项抑制非物理机动轨迹；极化能量一致性约束通过结合双极化通道能量聚焦特性，构建几何平均与最小值双重约束的交叉验证机制。最后，通过线性加权将三类约束整合为统一的启发式函数评价准则，并采用贪心最佳优先搜索方法实现动态剪枝与路径优化。仿真实验表明，在信噪比5 dB以上时，本方法对匀速、匀加速及变加速三类运动模式的检测率均超过80%，较传统恒虚警率检测方法显著提升；目标跟踪航迹正确率大于80%时所需的信噪比较传统方法降低5dB以上。经实测数据验证，针对固定翼无人机和旋翼无人机，本方法在信噪比起伏条件下仍保持连续轨迹检测能力。仿真分析与实测结果表明，所提出的多约束启发式搜索机制通过物理规律与观测数据的协同优化，实现了复杂机动无人机的有效检测。

关键词： 滑坡识别   深度学习   Faster-RCNN   目标检测  

摘要： 滑坡是我国频发的一种自然灾害，往往具有极大的损毁性与危害性，给人们的生命财产安全和生态环境造成严重威胁。滑坡识别对灾后救援及灾后评估有重要意义。针对传统的滑坡识别方法存在识别效率低、主观性强等问题，提出了一种改进的Faster-RCNN滑坡识别方法。该方法在Faster-RCNN模型的基础上，用特征提取能力更为出色的ResNet-50替换了原有的主干网络VGG-16，并引入了感兴趣区域对齐（ROI Align）策略，以提高模型的候选框定位精度，从而进一步提升模型的整体检测效果。实验结果表明，改进后的Faster-RCNN模型在准确率和召回率方面均有所提高，能够快速且准确地检测复杂背景下的滑坡，具有较高的应用价值。

关键词： 红外弱小目标   脉冲神经网络   目标检测   深度学习   注意力机制  

摘要： 随着无人机和其他飞行器技术的快速发展，机载红外弱小目标检测成为重要研究领域。然而，由于目标距离远、体积微小或部分遮挡，传统方法在检测过程中面临巨大挑战。因此，提出更为精确的目标检测算法显得尤为重要。本文提出了一种融合脉冲和卷积技术的新型机载红外弱小目标检测模型，即脉冲增强的融合特征网络（SEFFN）模型。与以往的基于深度学习的红外弱小目标检测算法不同，该模型通过仿生的脉冲神经网络结构增强与弱小目标检测相关的特征表达，从而更精确地提取小目标区域。SEFFN主要包含4个关键模块：扩展金字塔卷积(DPC)、双路注意力融合(DAF)、多脉冲增强（MSE）和监督注意力（SAM）。这些模块共同作用，提高了对小目标区域的关注，同时在排除噪声干扰的前提下保留小目标的主要特征，显著提升了模型的检测性能。在两个数据集上的试验结果表明，与现有的模型驱动和数据驱动方法相比，SEFFN的表现更为出色，特别是在Sirst Aug数据集上，其F和mIoU分别达到85.74%和75.04%。这表明SEFFN在红外弱小目标检测任务中的有效性和优势。SEFFN适用于航空领域，能够部署在飞行器的边缘设备上，提高空中平台对远距离目标的检测能力，支持远程监控、反制敌方威胁等任务。

关键词： 水下目标检测   YOLOv8n   轻量化   多尺度特征融合   计算机视觉  

摘要： 由于水下检测仪器的存储和计算资源有限，使用高参数量的模型会占用更多的存储空间和计算能力。为了解决这一问题，提出了一种基于YOLOv8n改进的目标检测模型—YOLOv8n-MAL,该模型在保持检测精度的同时，实现了整体的轻量化。首先，提出了一种轻量型多尺度注意力机制(MSCBAM),通过不同大小的卷积核和池化操作，能够从输入特征图中提取不同尺度的特征，可以提升模型在复杂场景中的鲁棒性，确保模型在面对不同类型的输入时都能维持较高的检测精度。然后，设计新的颈部模型MSFFN,对比原颈部模型增强了模型多尺度融合的能力，加强了不同层级特征的交互，使得高层次和低层次特征能够更加充分地结合，这种跨层级融合能够更有效地利用网络的特征表示能力，避免信息在传递过程中的丢失或弱化，进而提升模型的检测效果。其次，提出了轻量多尺度卷积模块(LMSCM),并将该模块和部分卷积融入到C2F模块中构成PC2F-LMS,通过引入更高效的卷积结构和轻量化设计，增强了特征提取和表达的能力。最后，使用WIoU优化原网络损失函数。实验结果表明，改进后的算法在URPC数据集上的平均精度均值(mAP)mAP@0.5提高了1.4%,与YOLOv8n算法相比参数量下降了38.6%,为水下目标检测提供了有效的参考价值。

关键词： 遥感图像   YOLOv8n   特征提取模块   损失函数   旋转框   注意力机制  

摘要： 针对遥感图像中目标尺度差异较大、类别多样且分布不均等因素造成检测时目标定位不精准、漏检和误检等问题，提出一种改进YOLOv8n的遥感图像目标检测算法。首先，构建SC＿C2F模块作为主干网络的特征提取模块，通过在Bottlececk结构中引入空间通道重建卷积，增强不同尺度通道和空间的特征提取能力；其次，设计ESPPM模块替换原金字塔池化模块，引入自适应平均池化层与大可分离核残差注意力机制，丰富上下文信息，提高模型多尺度特征聚合能力；再次，结合GSConv轻量化卷积与VoVGSCSP结构，引入Slim-PAN结构到颈部网络，在减少模型计算量的同时保持检测精度；最后，引入增加参数表示法的旋转框作为角度坐标回归，并设计RBCL损失函数计算旋转框损失，使检测过程更加贴合目标形状，提高对小目标和密集目标的检测精度。将改进的YOLOV8n算法在DOTA数据集上进行实验，相较原算法mAP@0.5提高5.1%,计算量降低0.4 GFLOPs。

关键词： 计算机视觉   办公区域   智能安全系统   深度学习  

摘要： 聚焦基于计算机视觉（Computer Vision,CV）技术的办公区域智能安全系统的研究，旨在探索CV技术在提升办公环境安全性与管理效率方面的应用潜力。深入分析异常行为检测、人脸识别、目标检测与跟踪、数据存储与管理等关键技术模块，提出了创新性的解决方案，从而实现对办公区域的全面智能化监控与安全管理。未来，期待CV技术在办公区域智能安全系统中的应用能够进一步拓展，为创造更加安全、高效的工作环境贡献力量。

关键词： 激光雷达   数据融合   登陆舷梯   目标检测   姿态测量  

摘要： 海浪冲击环境下，登陆舷梯与海上风机登陆平台的对接稳定性直接影响工作人员的生命安全和工作效率。为了提高登陆舷梯与海上风机登陆平台的对接稳定性，将激光雷达和工业相机装配在登陆舷梯前端，提出一种激光点云/图像融合的海上风机登陆舷梯姿态测量方法。该方法包括目标检测和姿态估计两部分：在目标检测部分，改进YOLOv8网络和PointPillar网络，提出一种点云/图像融合支路的海上风机登陆平台目标检测方法；在姿态估计部分，融合目标的颜色特征和几何特征，并设计基于距离权重函数的目标函数，提出一种基于融合特征和距离权重的改进快速全局配准（FGR）算法。实验数据表明，在4级海况下，所提登陆舷梯姿态测量方法的姿态测量误差小于0.676°，其中的目标检测算法比经典PointPillar网络的检测精度提升了13.8%，姿态测量算法比经典FGR算法的姿态角测量精度提升了至少7.9%。