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： 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。

关键词： 甘蔗计数   无人机   图像处理   YOLOv5s   解耦头   归一化  

摘要： 以中耕期甘蔗作物的无人机图像为研究对象，针对植株叶片互相遮挡、目标粘连和背景信息复杂等问题，设计了一种基于改进YOLOv5s的甘蔗检测计数模型。首先，通过在网络中使用基于归一化的注意力模块，加强对图像中中耕期甘蔗植株的特征学习和特征提取，并且减弱与甘蔗植株相似的蔗地杂草背景对检测效果的干扰。其次，原始YOLOv5s网络中的耦合头替换为改进过的高效解耦头，用以进行分类和回归分支的解耦计算，提升甘蔗植株检测模型的性能。最后，更改边界框损失函数为动态非单调聚焦机制WIoU,提高模型收敛速度。同时，采用多尺度训练在一定程度上提高改进模型对物体大小的鲁棒性，最终使模型可以输入任意大小的图片。试验结果表明：改进的YOLOv5s模型准确率、召回率和平均精度均值分别为97.72%、91.7%和96.2%,较原始YOLOv5s模型分别提高3.82、4.5、2.5个百分点。统计表明：测试集的30幅甘蔗图像中，甘蔗植株真实值为1 104,改进YOLOv5s模型生成的甘蔗植株数为1 086,漏检个数为18,漏检率为1.6%,改进模型对无人机图像中的甘蔗植株计数误差较小，可为甘蔗的检测计数、长势评估提供技术支撑。

关键词： 图像处理   图像去雾   天空区域分割   快速引导滤波   暗通道先验  

摘要： 针对暗通道先验去雾算法在处理海雾图像时易出现细节丢失、亮度偏低和颜色失真等问题，提出一种基于天空区域分割的海雾图像去雾算法。首先通过阈值分割和区域生长实现天空区域精确分割，在此基础上，采用抗干扰能力更强的方法对大气光强进行优化，选择属于该区域亮度最高的前0.1%的像素的中值作为大气光强值。其次采用快速引导滤波对透射率进行细化，并引入自适应修正因子对透射率映射进行调整优化。最后利用得到的透射率和大气光强结合大气散射模型复原无雾图像。实验结果表明，所提算法的结构相似性、峰值信噪比等评价指标显著提升，去雾图像质量得到有效增强。

关键词： 丘陵山地   轨道检测   单轨轨道   GPS   目标检测   损伤检测  

摘要： 针对丘陵山地单轨轨道本体结构受高密度运营、高负荷载重和外界自然环境的作用导致腐蚀损伤、轨道变形、沉降等问题,设计了一种便携式单轨轨道检测装置以及时获取轨道信息并进行精准检修。该检测装置通过GPS传感器记录经纬度信息和多轴角度信息,对摄像头记录的画面进行目标检测从而实现轨道检测,最后将多种信息汇总实现地理信息交互。试验结果表明:检测装置对转弯半径检测的最低平均误差为3.68%;静态坡度检测的最大相对误差为4.55%,平均误差为2.53%;动态坡度检测的最大相对误差为-8.20%,平均误差为5.33%;采用YOLOv8-n模型对轨道表面缺陷进行检测,完成训练的模型m AP值为81.55%;地理位置信息可以准确地显示转弯半径、坡度和轨道表面损伤分析的结果。该检测装置可以较好地实现轨道转弯半径、坡度、损伤检测,可以应用于数字农业从而提升农业信息化水平,具有一定的应用前景。

关键词： 目标检测   注意力机制   多尺度注意力机制   代理注意力机制  

摘要： 阐述一种基于复合注意力机制的端到端目标检测模型。基于复合注意力机制的端到端目标检测方法在性能、速度和效率上都取得了显著提升。整体架构参考了端到端的目标检测模型DETR，编码器结构采用多尺度注意力机制，解码器结构采用代理注意力机制，实现了提高性能和鲁棒性的目标。实验结果表明，模型在准确性和训练成本方面均取得了显著改善。

关键词： 飞机维修   复杂场景   激光雷达   多传感器数据融合   三维目标检测  

摘要： 针对复杂飞机维修场景下三维目标检测任务面临的计算复杂度高、实时性不足的问题，提出一种融合视觉相机与激光雷达数据并基于先验信息的三维目标检测方法。首先，对相机和激光雷达进行参数标定，对激光雷达采集的点云进行预处理获取有效三维点云，通过YOLOv7算法来识别相机图像中的飞机机体目标。然后，根据待测目标的先验长度基于EPnP(Efficient Perspective-n-Point)方法计算出目标深度。最后，利用深度信息与点云聚类方法完成三维目标检测，并识别障碍物。实验结果表明，所提方法能从环境点云中精确检测出目标，算法的识别准确率为94.70%，处理1帧数据的时长为42.96 ms，在识别准确度和实时性上均表现出良好的性能，能满足飞机移动过程的碰撞风险检测需求。

关键词： 串番茄   YOLO v5s   目标检测   成熟度   夜间环境  

摘要： 机器人自动化采收是温室串番茄收获作业的有效解决方案,其中串番茄成熟度是机器人采摘决策的重要依据。本文利用Deep White-Balance与Zero-DCE深度神经网络分别实现串番茄图像偏色修正和阴影细节增强,改善补光环境与夜间环境下图像偏色与局部弱光等问题。同时引入深度残差收缩网络,在YOLO v5s中构建RSBottleneck-CW模块对特征图进行软阈值化处理,抑制图像中的噪声干扰。实验结果表明,在夜间环境下,图像经Zero-DCE算法增强处理后,检测模型召回率达到0.924,捕获到了更多的番茄果实与果串目标。在补光环境下,图像经过Deep White-Balance与Zero-DCE联合处理后恢复了真实色彩并增强了纹理细节,检测模型平均精度均值(mAP)达到0.849,相比于处理前提升0.038。而嵌入RSBottleneck-CW模块的YOLO v5s对特征图噪声表现出了很强的适应性能,不管是否对图像进行深度增强,其mAP与F1值始终比原始YOLO v5s更高,夜间环境下mAP和F1值最高分别为0.902、0.844,补光环境下mAP和F1值最高分别为0.868、0.817。检测模型检测出果实与果串后,利用边框匹配算法可以获取到串番茄最终的成熟度。当串番茄成熟度为90%～100%时,夜间环境与补光环境下串番茄成熟度识别平均绝对误差分别为1.837%、1.067%,可为串番茄采摘机器人夜间自动采收作业提供决策依据。

关键词： 图像处理   图像去雾   Transformer模型   可变形卷积   密集残差  

摘要： 为了提高神经网络模型从全局到局部的特征提取能力，增强雾图复原过程中的泛化性能，提出一种结合宽型提取和径向增强的二阶段图像去雾算法．算法通过两个阶段对有雾降质图像进行清晰化复原，在特征提取阶段，结合Transformer的全局关注能力与可变形卷积的局部感知能力，提出由双尺度Transformer模块和可变形卷积模块组成三分支宽型特征提取结构，实现对雾图特征有效感知与提取；在特征增强阶段，采用密集残差块组成的径向增强网络，依次联合由浅到深的图像特征进行拼接，实现特征的进一步增强．实验结果表明：所提出的网络模型在合成数据集和真实图像复原过程中均表现出色，对不同浓度的雾霾去除效果明显，复原图像主观恢复效果自然，且具有较好的泛化能力．

关键词： 红外目标检测   YOLOx-nano   模型剪枝   注意力机制  

摘要： 提出了一种基于改进YOLOx-nano的海上红外目标检测算法。通过对检测头的分类与定位任务进行解耦，并引入改进的特征金字塔网络(Feature Pyramid Network, FPN)结构，不仅提升了模型的精度和收敛速度，而且提高了红外大目标检测能力。将改进的压缩和激励网络(Squeeze-and-Excitation Network, SENet)通道注意力机制模块加入到模型中，增强了模型的非线性表达能力，同时提高了有效特征学习能力。为了加快嵌入式平台模型的前向推理速度，引入剪枝技术来实现模型剪枝，在保证召回率不降低的情况下减少模型参数。通过测试集对本文算法进行了验证。结果表明，该算法的平均精度(Average Precision, AP)比原始YOLOx-nano算法提高了1.35%,达到了93.92%。本文算法平衡了模型精度与耗时的矛盾关系，在提升性能的同时，保证了模型检测的速度。