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： 遥感图像   YOLOv5s   旋转目标检测   注意力机制   特征融合  

摘要： 遥感图像目标检测技术广泛应用于矿产勘探、交通运输、国防军事、应急救援救灾等领域中.但是,常见的适用于遥感图像的旋转目标检测算法模型偏大,部署难度高,也无法满足实时检测的要求,忽略了精度和速度之间的平衡.针对以上问题,提出了一种基于YOLOv5s的遥感图像旋转目标检测算法YOLOv5s-R.首先,在YOLOv5s的基础上添加角度参数,将水平检测框修改成旋转检测框,以适应遥感图像目标的角度多样性;其次,引入环形圆滑标签,规避角度回归的周期性带来的角度突变问题;然后,添加高效通道注意力机制模块,提升模型对重要特征的提取能力;最后引入自适应空间特征融合模块,解决特征金字塔内部的不同特征尺度之间的不一致性问题.在数据集DOTA上,实验结果显示:mAP50 达到了 75.6%,mAP50∶95 达到了 46.7%,FPS达到了81.9.与基础模型相比,mAP50 和mAP50∶95 分别提升了 1%和 3.1%,FPS 提升了 85.9%.因此,YOLOv5s-R实现了更准确更高速的遥感图像检测,达到了精度和速度的良好平衡.

关键词： 计算机视觉   深度学习   太阳电池   YOLOv5   光伏缺陷  

摘要： 针对以往光伏缺陷检测中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大以及检测速度慢的局限性,改进传统的YOLOv5网络对光伏组件面板图像中常见的裂纹、断栅、黑芯、粗线和热斑5类主要缺陷进行检测和分类.使用3种不同的注意力机制模块:CA注意力机制模块、ECA注意力机制模块、CBAM注意力机制模块,分别融入YOLOv5网络中进行对比分析实验,发现CA注意力机制更加适合光伏缺陷图像检测.随后对融入CA注意力机制模块的YOLOv5算法再次加入双向特征金字塔网络结构,进一步加强网络的特征融合能力.实验结果表明,该模型可对5类常见的缺陷进行有效的识别和定位,与YOLOv5算法相比平均精准度(mAP)值提升3.7%,模型体积减小15%,图片的检测平均速度提升9.7%.结论表明该方法可有效增强YOLOv5算法在光伏缺陷检测中的能力,同时可降低深度学习算法在光伏检测中误检和漏检的情况.

关键词： 轻量化   YOLOv8   MobileNetV3   人脸识别   目标检测  

摘要： 针对人脸检测任务中检测模型参数量大、检测精度低的问题,文章基于YOLOv8 算法和MobileNetV3网络,提出一种轻量化人脸目标检测算法.首先,使用基于MobileNetv3网络替换YOLOv8s的骨干网络,减少参数量和计算量,提高检测速度;在此基础上,在骨干网络中添加额外的C2f模块,以此提高模型性能,增加其特征提取的能力;最后,在颈部网络添加额外注意力机制-多尺度空洞结构来进一步提高模型性能.实验结果显示,相较于基准模型,改进算法平均检测精度提高了2个百分点,参数量降低了约50%,验证了其有效性.与其它主流模型相比较,这一算法也有良好的表现.

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： 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： 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： 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。