关键词： 混凝土结构   损伤检测   YOLO v5算法   注意力机制   目标检测  

摘要： 针对混凝土结构损伤人工检测方法主观性强、效率低的问题，提出了一种基于改进YOLO v5算法的混凝土结构损伤检测方法.首先，将YOLO v5的耦合头更换为解耦头，可有效避免目标损伤信息和背景信息相互干扰的问题，提高模型的特征表达能力；其次，在YOLO v5中加入了包含通道注意力模块和空间注意力模块的CA注意力机制，使模型忽略掉一些无关信息，可以更好关注到目标损伤的特征信息.通过建立的4 101张包含实际工程中混凝土结构裂缝、剥落和露筋三种类型损伤的数据集对模型性能进行对比验证.试验结果表明：相较于YOLO v5模型，改进后的模型在混凝土裂缝、剥落和露筋的检测平均精度值分别提升了2.6%、1.3%和0.5%,mAP值提高了1.4%,且mAP值和FPS值均优于Faster R-CNN和YOLO v3目标检测算法，可较好满足实际工程中混凝土结构损伤检测任务的需求.

关键词： 产品质量检测   目标检测   端边云协同   深度学习  

摘要： 传统质量检测方法存在精度低、速度慢、部署成本高、灵活性差且人工依赖性强等问题，成为了产线节拍加速和效率提升的瓶颈。针对以上问题，本文基于所构建的空调外观质量检测数据集，提出一种可运行于小型无线设备的轻量化目标检测模型（LightDets）。LightDets通过连续上、下采样模块（CUD）快速获取多尺度特征，降低特征冗余度与模型参数量；同时，LightDets采用密集型跳过连接和卷积进行特征复用、集成与融合，提升产品质量检测的精度与效率，实现小型终端设备部署。其次，为满足产线在线检测需求，设计端边云协同的分布式任务调度策略（DTS），联合底层控制器，在空调外观产线上，实现了不良产品高效精准预警与控制：mAP@0.5=98.56%，检测时间降低约70%。

关键词： 深度学习   图像   YOLOv8网络模型   小目标检测   注意力机制   损失  

摘要： 深度学习在目标检测领域的广泛应用显著提升了对大中目标的检测能力。然而，针对小目标检测，由于其固有的尺度小、背景复杂等挑战，传统的目标检测算法常常会出现漏检、误检的情况。因此，对YOLOv8模型进行研究，旨在提高小目标检测的精度。首先，将主干部分的卷积模块替换为RFAConv模块，增强了模型对于复杂图像处理的能力;其次，在Neck部分引入MLCA注意力机制，能够在保持计算效率的同时，帮助模型更高效地融合不同层次的特征；第三，将YOLOv8的Detect头替换为Detect＿FASFF头，以解决不同特征尺度间的一致性问题，并增强模型对小目标的检测能力；最后，将CIoU损失函数替换为Focaler-IoU损失函数，使模型更关注于难以精确定位的小目标。实验结果显示，改进后的模型在小目标稀疏的FloW-Img数据集上mAP@0.5提高了4.8%，mAP@0.5:0.95提高了3%；在小目标密度高的VisDrone2019数据集上，mAP@0.5提升了5.9%，mAP@0.5:0.95提高了4%；同时还在低空数据集AU-AIR以及行人密集检测数据集WiderPerson上做了泛化对比实验。经实验表明，优化后的模型相比较原模型在小目标检测精度上有显著提升，并扩大了模型的适用范围。

关键词： 目标检测算法   不确定度测量   不确定度分解与合成   图像数据   软硬件平台  

摘要： 针对当前目标检测算法不确定性研究将不确定性建模作为优化预测结果的一个步骤，忽视了不确定性本身的性质的问题，提出了一种基于测量不确定度表示指南(GUM)的方案。首先，将目标检测的不确定度来源分解为数据、模型、平台三个互相独立的方面，从三个方面提取不确定度影响因素，构建不确定度测量函数；其次，使用GUM法中的A类评定方法和B类评定方法，对不确定度影响分量进行度量；最后，基于测量函数使用不确定度合成法则，由不确定度分量合成标准不确定度。在目标检测算法上展开实验，结果表明，与峰值信噪比和结构相似性相比，数据的不确定度在捕捉噪声数据方面分别提高了5.30和19.08个百分点；模型不确定度对预测结果的影响很小，在10-6范围内可以忽略；平台的不确定度可以用数值化形式表示由软硬件平台带来的预测结果差异。

关键词： 深度学习   目标检测   YOLOv7tiny网络   绝缘子缺陷  

摘要： 绝缘子缺陷的准确、快速排查处理，有助于电力系统的稳定运行。然而，现有绝缘子缺陷检测算法存在网络结构复杂、推理时间长以及鲁棒性差等问题，不能满足实际巡检的需要。为此，本研究提出一种结合TransFormer和复合FPN的轻量级绝缘子缺陷检测算法。该算法以YOLOv7tiny为基础框架，引入TransFormer架构的轻量型EMO作为主干网络，其次在颈部网络设计一种结合上下文增强和特征细化的复合FPN结构，最后使用Wise IOU做为损失函数。实验结果显示，所提算法Map.5:.95达到70.7%，检测速度达到69.12帧·S-1，模型参数量为4.19M，直观效果图中绝缘子缺陷检测的平均置信度达到0.87。表明所提算法实现了网络的轻量化，降低了推理所需时间，提升了检测的鲁棒性。

关键词： 弱对齐RGBT图像   显著目标检测   多模态特征对齐   多模态特征融合   注意力机制  

摘要： 可见光和热红外(RGBT)显著目标检测(SOD)旨在从可见光和热红外图像中识别共同的显著物体。然而，现有技术大多在完全对齐的图像对上进行训练，忽略了实际成像过程中由于传感器差异导致的“弱对齐”问题，即同一物体在不同模态中虽然结构相关，但是它们的位置、尺度存在差异。因此，如果不经对齐处理，直接使用弱对齐RGBT图像训练模型会导致检测性能严重降低。为应对这一挑战，提出了一个多模态特征对齐融合网络(AFNet)，专门针对弱对齐RGBT SOD。该网络由三个主要模块组成：分布对齐模块(DAM)、注意力引导的可变形卷积对齐模块(AGDCM)和交叉融合模块(CAM)。DAM基于最优传输理论，使热红外和RGB特征的分布尽可能接近，实现特征的初步对齐。AGDCM基于可变形卷积，在学习特征偏移量的过程中引入了注意力权重，使不同的区域可以学习到适合自身的偏移量，实现多模态特征的精准对齐。CAM通过交叉注意力机制融合对齐后的特征，增强融合特征的判别能力并提高计算效率。通过对齐和弱对齐数据集上的大量实验，证明了所提方法的高效性。

关键词： 小目标检测   YOLOv8   BiFormer   损失函数  

摘要： 无人机航拍已经广泛用于数据采集、地形测绘、城市规划等方面，极大地提高了作业效率。无人机航拍影像通常覆盖较大范围，由于检测对象较小，细节信息往往不清晰，影响了目标的检测和识别精度，本文提出了一种基于YOLOv8网络的目标检测算法DT-YOLOv8。首先，通过调整检测头的尺寸和网络结构，嵌入Biformer注意力机制，增强模型对小目标的关注和检测能力。其次本文设计了一种能够相互交互融合特征的DAT检测头，使分类和定位分支不再独立，实现更强的特征表达和提取能力。最后，本文提出EIoU-NWD损失函数，将Wasserstein距离结合Focal-EIOU作为定位回归损失函数，捕捉目标框之间的空间关系，增强模型对小目标检测的回归精度和优化权值。在公开数据集VisDrone2019上的实验结果显示，与原始YOLOv8相比，DT-YOLOv8的参数量减少了52.63%，同时，其mAP50和mAP50:95分别提高了11.7%和8.2%。进一步在DOTA数据集上进行模型泛化试验，实验结果表明，本文算法在小目标检测方面展现出显著的优势和潜力。

关键词： 绝缘子缺陷   目标检测   YOLOv5s   混合注意力机制   损失函数  

摘要： 针对绝缘子缺陷目标过小容易遮挡，复杂背景下难以准确识别检测，网络模型较大部署至微型智能设备中较为困难的痛点，提出一种以YOLOv5s为基础模型并改进的缺陷检测算法。算法将C3模块中的Silu激活函数改进为Mish激活函数，并去除原模块桥分支上的卷积层，同时在主干网络之后融合HAM混合注意力机制，以便更加高效精准的筛选出目标特征；在预测部分使用选用α-IoU损失函数加快模型收敛速度，提升收敛效率；使用k-means聚类算法重新设计先验框，提高模型精度；并且使用GrabCut算法将图片进行背景融合，达到数据增强的目的。实验结果表明，本文所提出的算法相较于YOLOv5s检测精度提高7.08%，单张图片检测速度达到19.5ms，浮点运算量为4.102G。在确保检测精度的情况下，能够更好的将该模型应用于绝缘子缺陷检测当中。

关键词： 运动目标   核函数   SAR   序贯图像  

摘要： SAR图像中高动态运动目标散焦严重，导致传统的动目标检测方法难以实现有效探测。为此，本文利用SAR序贯复数图像特点，提出了基于核函数深度关联的动目标检测方法。首先，分析了高帧频序贯SAR图像获取方式和运动目标频谱特性；其次，借鉴光学图像动目标检测思路，引入了核函数理论，并按照是否有运动目标经过，将SAR图像像元分为两类；再次，将复数图像域动目标检测转换为沿一维时序扰动的检测，理论分析了基于核函数深度关联的运动目标和杂噪分离的机理，联合实部数据和虚部数据目标检测结果，可进一步提高运动目标检测性能，并给出了复数图像域检测流程；最后，开展了低信杂噪比条件下高动态目标检测仿真实验，验证了本文所提方法的有效性。

关键词： YOLOv8   C2f(Faster Implementation of CSP Bottleneck with 2 convolutions)   无人机   小目标检测   Inner-EIoU  

摘要： 针对当前无人机视角下小目标检测性能低，漏检、误检的问题，提出基于YOLOv8改进的BDS-YOLO（BiFPN-Dual-Small target detection-YOLO）模型。使用RepViTBlock（Revisiting Mobile CNN From ViT Perspective Block）与EMA（Efficieent Multi-Scale Attention）注意力机制构造C2f-RE（C2f-RepViTBlock Efficient multi-scale attention）改进骨干网络中深层的C2f（Faster Implementation of CSP Bottleneck with 2 convolutions）模块，提升模型对小目标特征的提取能力并降低参数量。使用BiFPN（Bidirectional Feature Pyramid Network）重构颈部网络，使不同层级的特征得以相互融合。在改进颈部网络的基础上构造双重小目标检测层，结合浅层和最浅层特征提高模型对小目标的检测能力。引入Inner-EIoU（Inner-Efficient-Intersection over Union）改进损失函数，使用更合理的宽高比衡量方式并解决IoU（Intersection over Union）自身的局限。改进模型在VisDrone2019数据集上相对原始模型的精确率（Precision）、召回率（Recall）、mAP50、mAP50-95分别提升了8.5、7.7、9.2和6.3个百分点，参数量仅为2.23M，模型大小降低了19.1%在实现一定轻量化的情况下显著提升了的性能。