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。

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： 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。

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： 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.

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： 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： 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： 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： 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。