关键词： 五轴增材制造   肠道支架   缺陷监测   目标检测   深度学习  

摘要： 针对肠道支架五轴增材制造技术存在的成型质量监测及可追溯性的问题，本文提出了一种基于YOLO8的五轴肠道支架增材制造人工智能监测方法。首先采用轻量级通用上采样内容感知重组(CARAFE)模块，在上采样过程中实现细节丰富和边缘平滑；其次基于特征融合金字塔网络能够融合多尺度特征的性能，提出重参数泛化特征金字塔融合网络，可提供有效的信息传输方式，扩展网络的深度；然后引入强效交并比损失函数改进网络模型，增强对中等质量锚框地聚焦能力，实现了平均精度的提高；最后通过消融对比实验，验证了本文提出的算法，结果显示本文提出的监测算法针对层间剥离、喷头堵塞、局部欠挤出等问题的精度分别达到了91.3%、76.6%和71.8%，在FDM增材制造人工智能监测领域具有一定的应用前景。

关键词： YOLOv8   水下检测   RFAConv   损失函数  

摘要： 【目的】由于水下图像中目标较小，数量较为密集，而且水下光照等环境因素使得捕捉到的图像模糊，导致目前常用的目标检测算法进行水下检测时会发生漏检错检现象，针对上述问题，提出了一种名为RSAF-YOLOv8的水下目标检测算法。【方法】在YOLOv8的骨干上引入感受野注意力（RFA）模块，让RFA模块与卷积相结合，形成新的感受野注意力卷积操作RFAConv，从而提高卷积神经网络（CNN）的性能；对于水下检测容易出现错检、漏检的现象，引入SENetv2模块，融合增强了网络捕捉全局知识的能力，得到了一个更丰富的全局特征表示；其次在Neck部分设计了额外的P2小目标检测层与ADown模块结合，在精度上提升的同时降低了参数量；最后为了提升水下目标的检测性能，设计Shape-IoU结合Focaler-IoU使用的损失函数，从而更全面地评估检测结果。【结果】实验表明：在URPC2020数据集上，改进算法与原算法相比mAP50和mAP50-95分别提高了3.0个百分点和3.3个百分点，且模型参数量变为2.8×106。【结论】 RSAF-YOLOv8算法在精度上有着明显的提高，验证了该方法的可行性、有效性。

关键词： RGB-T显著性目标检测   细节轮廓   高级语义信息   多级特征  

摘要： 有效捕捉和利用图像不同特征层之间的特性和互补潜力， 对于精确定位显著目标和保留其细节轮廓具有重要意义. 针对现有的大多数RGB-T显著性目标检测方法将提取到的图像特征直接输入到聚合模块中， 并利用简单的递归结构定位显著目标， 其所带来的低泛化能力问题， 提出了一种显著性增强和全局感知的RGB-T显著性目标检测方法. 首先利用预训练模型提取图像的原始特征; 其次提出降噪模块(NRM)， 作为编码和跨模态解码之间的桥梁， 以纯化显著对象的特征表示; 再次提出高级语义指导模块(HSGB)， 融合不同模态的高级语义信息， 以保留显著对象的位置信息; 最后设计跨模态交互模块(MMIB)在保留显著对象位置信息的同时， 并指导解码模块进行多级特征的聚合操作， 得到最终显著图. 在VT821、VT1000和VT5000数据集上的实验结果表明， 所提方法的MAE指标分别达到3.0%、1.8%和3.0%， 性能优于大多数主流方法.

关键词： 桥梁检测   服役性能评估   多尺度损伤   车桥耦合   计算机视觉  

摘要： 桥梁检测与服役性能评估是保障桥梁安全运营的核心。基于多尺度视角，系统梳理桥梁损伤检测与评估领域的研究进展、现有成果及未来趋势，并从宏观、中观及亚微观尺度展开探讨。宏观尺度上，深入剖析桥梁特征检测方法的演变，揭示其向基于车辆响应的快速检测技术转型的趋势；在中观及亚微观尺度上，鉴于桥梁表观损伤的复杂性，现有研究重点聚焦于基于计算机视觉的识别方法。在服役性能评估方面，归纳了现有的桥梁短期状态评估与长期状态预测方法。综合分析表明，当前桥梁检测技术在识别桥梁损伤特征上已具成效，但未来仍需聚焦于基于车辆响应的宏观损伤识别与基于计算机视觉的中观及亚微观损伤识别，这两大方向均展现出巨大的应用潜力。未来研究应进一步优化车桥耦合响应模型，提升其在不同宏观尺度损伤形式下的适用性；深入研究中观及亚微观损伤图像与桥梁力学特征的映射关系；加强多尺度损伤相关性研究，以提高检测准确性；从工程实际出发，探索更具实用性的桥梁服役性能评估方法。

关键词： 多尺度目标   卷积注意力   窗口变换器   LAMP剪枝  

摘要： 针对在复杂道路条件下，目标大小不同导致检测准确性和速度下降等问题，提出空间金字塔剪枝变换器（spatial pyramid pruning transformer - YOLO，SPPT-YOLO)目标检测算法。设计基于卷积块注意力与融合的空间金字塔池化（spatial pyramid pooling based on convolutional block attention with fusion， SPPCBF）模块通过引入卷积注意力，对池化层结构优化来帮助骨干网络捕获多尺度目标特征信息。通过在颈部引入基于卷积网络的窗口变换器（swin transformer with cnn， STRCN）模块更好地整合SPPCBF提取的特征。将STRCN和池化层串联弥补池化层带来的信息损失。最后通过基于层自适应幅度剪枝（layer-adaptive sparsity for the magnitude-based pruning， LAMP）方法，在保持模型精度的前提下进一步优化推理效率。最终在kitti数据集上进行实验，对多尺度目标检测效果更好，平均精度0.5和平均精度分别提高2.1%和3%，检测速度每秒帧率提升39.7。

关键词： 道路病害   深度学习   低光照场景   YOLOv8   目标检测  

摘要： 【目的】针对在低光照环境下道路病害检测的准确性不高，检测模型参数众多导致计算量大，检测效率低下等挑战，结合低光照图像增强网络EnlightenGAN提出了一种基于YOLOv8改进的道路病害检测方法：EnGAN-YOLOv8。【方法】首先，使用低光照图像增强网络EnlightenGAN对低光照图像进行处理，生成接近正常光照条件下的高质量图像，以此减少低光照对道路病害带来的影响；其次，在主干网络中利用RFCBAMConv来对C2f模块进行改进，增强主干网络对低光照下道路病害关键特征的捕捉能力，使得模型在处理病害空间特征时更为出色；接着，采用Slim-Neck架构对检测网络的中间层进行了优化，并对网络结构进行了优化，不仅减少了模型的计算负担，还提高了模型的运行效率。最后，通过引入基WIoU v3边界损失函数，以优化网络的边界框回归能力。【结果】实验结果表明：在公共数据集GRDDC2020上该方法相比于基线模型YOLOv8网络召回率提高了18.4%，同时精度以及平均精度均值分别提高了26.7%和24.9%。【结论】EnGAN-YOLOv8方法不仅提高了检测的准确性，还增强了模型的鲁棒性，为低光照条件下准确检测道路病害提供了一种有效的解决方案。

关键词： 法医病理学   死亡时间   角膜图像   计算机视觉   尸体现象  

摘要： 常规尸表检验可以通过观察角膜混浊等尸体现象粗略推断死亡时间。随着计算机视觉技术的发展，这种传统的形态学观察方法有了新的打开方式，更加客观、精确、标准化且不失便捷。本文通过搜索相关中英文文献，总结近年来应用原位角膜数字图像推断死亡时间的研究进展，介绍计算机视觉技术在这个研究方向上的应用，对其中重点研究的材料和方法、结果进行了比较分析，对关键事项进行了总结提示，包括眼睑开闭问题、图片中感兴趣区域的选取、光源的影响、疾病和损伤的影响、数据处理方法的选择等等，最后对未来的发展趋势进行了展望，希望能为进一步的研究提供参考。

关键词： YOLOv8   注意力机制   轻量化   机器人自动装配   目标检测  

摘要： 针对现有的基于深度学习的目标检测算法在机器人自动装配任务中识别精度低、检测速度慢的问题，提出了一种基于YOLOv8的轻量级装配工件目标检测算法。首先，引入部分卷积PConv(Partial Convolution)对C2f (Faster Implementation of CSP Bottleneck with 2 convolutions)模块进行改进，设计新的Faster＿C2f模块，提高了模型的检测速度；其次，采用SIoU损失函数来优化CIoU损失函数的位置预测精度并提高小目标的定位准确性；然后，使用HS-FPN (High-Level Screening-feature Fusion Pyramid Networks)结构改进Neck部分，大幅度减少了模型的计算量，提高了检测速度；最后，结合iRMB(Inverted Residual Mobile Block)模块与EMA(Efficient Multi-Scale Attention)注意力机制，创新性地提出了iEMA机制，提高了模型的检测性能。实验结果表明，在自制装配工件数据集上，与原始算法相比，改进后的算法F1分数提高了3.2%，mAP值提高了1.7%，每秒检测帧数提高了11%，而模型参数量减少了47%，计算复杂度降低了32%。