关键词： YOLOv7   深度学习   目标检测   GSConv模块   注意力模块   MPDIoU  

摘要： 针对YOLOv7算法在复杂背景下对输电线路中绝缘子与均压环进行检测时易出现漏检、误检的问题，提出一种改进YOLOv7的输电线路绝缘子与均压环缺陷检测方法。首先，在主干网络中引入GSConv模块，实现通道间特征信息的交换，提高检测精度并降低参数量；其次，将基于归一化的注意力(normalization-based attention，NAM)与C2f(csplayer＿2conv)结构相结合，构建NAM-C2f模块，重构Head网络，增强特征融合质量；再次，引入全局注意力机制(global attention mechanism，GAM)，提升对缺陷目标的识别能力；最后，采用MPDIoU Loss作为边框回归损失函数，提高模型收敛速度和回归精度。实验结果表明，改进后算法的平均精度均值达到95.13%，相比于原算法提升6.57%，参数量下降了5.59MB，有效提高了对绝缘子与均压环缺陷目标的检测精度，改善了检测任务中的漏检和误检问题。

关键词： 小目标检测   YOLOv8s   细粒度细节   Dynamic Head  

摘要： 针对无人机航拍图像中小目标样本数量多且尺度变换范围大导致的漏检和误检现象严重等问题。本文提出一种基于YOLOv8s改进的小目标检测算法：SD-YOLO。首先，使用DCNv2模块对C2f进行重构，使模型能够有效地捕捉目标的细粒度细节，自适应地调整卷积核的采样位置，从而能够准确地定位目标位置；其次，改进SPD-Conv模块，提升模型捕捉局部特征的能力，从而使模型能够保留更多的空间信息；最后，增加一个小目标检测头，并引入Dynamic Head模块，提升模型在多尺度场景下的检测性能。通过VisDrone2019数据集上的实验结果显示，SD-YOLO相较于原始YOLOv8s网络，在mAP50指标上提升了10%，并且能够保持较高帧率，对多尺度小目标的检测性能有显著提高。

关键词： YOLOv10n   安全帽检测   小目标检测   计算机视觉   模型轻量化  

摘要： 针对井下工作面内光源、设备遮挡等多种因素引起的复杂工况环境导致作业人员安全帽小目标检测算法精度低等问题，在YOLOv10n模型的框架上，提出一种基于REIW-YOLOv10n的井下安全帽小目标图像检测算法。REIW-YOLOv10N模型包括Input，Backbone，Neck和Head共4个部分。为提高模型对多尺度特征的提取能力，设计RepNMSC结构，并在Backbone部分改进C2f结构，该结构提升模型对多尺度的安全帽目标的特征提取能力；为保留Neck部分的小目标语义信息，Neck部分采用ERepGFPN结构，其使用跨层连接的方式以相同的优先级处理高层语义信息和低层空间信息，实现融合小目标特征的目的；然后，在Head部分添加P2小目标检测头并删去P5大目标检测头，在尽量保持轻量模型的前提下增加模型对井下安全帽小目标的检测性能；最后，使用Inner-IoU和Wise-IoU v3的思想优化的MPDIoU损失函数，Inner-Wise-MPDIoU使用缩放因子和梯度增益策略，加快模型收敛。利用CUMT-HelmeT数据集进行实验验证，REIW-YOLOv10n与YOLOv10n相比，mAP@0.5提升5.73%，达到88.24%。与YOLOv5s、YOLOv7-tiny、YOLOv8n和YOLOv9-tiny等五种YOLO系列算法其他主流目标检测算法比较，精度和模型权重所占空间均优于其他对比算法，综合检测性能最佳。REIW-YOLOv10n在显著提高井下复杂环境检测安全帽小目标精度的前提下，兼顾了轻量化和实时性，方便模型部署在井下边缘设备。

关键词： 空间非合作目标检测   小目标检测   特征融合   上下文信息   轻量级网络  

摘要： 针对深空背景下空间非合作小目标特征提取不充分而检测精度低、空间计算资源有限等问题，本文提出了一种轻量级多尺度特征融合增强和上下文感知的空间目标检测算法。首先，设计一种轻量级多特征下采样模块实现空间非合作目标的多尺度特征提取，加强对细粒度特征获提取能力；其次，设计快速双空间金字塔池化模块加强对目标全局上下文特征提取，并聚合局部显著特征和全局特征以提高特征泛化能力；最后，设计跨维度三重特征增强模块对不同维度信息进行全局上下文建模，进一步增强小目标特征信息，抑制易混淆背景信息，从而提高对小目标检测能力。使用VisDrone2019公开的小目标数据集和自建空间态势感知数据集（SSAD）对所提出的检测算法进行验证，实验结果表明：所提出的方法与基准模型YOLOv8n相比，模型参数量减少19.38%，在SSAD数据集上mAP50和mAP50-95分别提高0.2%和1.2%，在VisDrone2019数据集上的mAP50和mAP50-95分别提高2.0%和1.4%。

关键词： 托盘识别   图像处理   幽灵卷积   可变形特征选择   损失函数  

摘要： 【目的】 实现智能叉车的托盘自动插取，需要准确高效的识别定位系统，识别预测作为定位的预处理步骤可以快速降低定位任务的计算量。针对以上问题，提出了CGDG-YOLO网络以提高智能叉车对托盘的识别精度。【方法】基于YOLOv8n网络，将原C2f模块替换为C2f-SCConv提升预测精度并将Conv模块改进为GhostConv，降低参数量与计算量，便于模型在微型嵌入式设备上运行，同时引入了DAT特征选择模块使模型更加鲁棒和高效。另外，为细化预测框范围采用GIoU评估预测框与真实框的匹配程度。【结果】与YOLOv8n网络相比，CGDG-YOLO改进网络的mAP值由90.4%增至93.4%，提高了3%，检测帧率84.74FPS，满足现场部署的要求。【结论】 实验结果表明：CGDG-YOLO在托盘识别任务中表现更为优异，相比原算法在识别准确率、处理速度和鲁棒性方面均有显著提升，更适合作为识别预测算法部署在智能叉车上以提高工作效率、提升仓储智能化水平。

关键词： 计算机视觉   裂缝识别   智能检测   混凝土裂缝   识别算法   结构评估  

摘要： 裂缝检测作为混凝土结构健康监测的重要内容之一，反映了结构受力及损伤状态，其检测及评估是保障结构安全服役的核心技术。传统的检测方法时空上覆盖范围有限，受环境、高空等因素影响较大，检测效率及精度相对较低，且较依赖于主观判断，易造成漏检与误检。基于计算机视觉的检测方法通过搭载数字成像设备进行数据采集、输入、图像处理，对混凝土表面进行自动分析和识别，具有高效、准确、客观等优点，在混凝土结构裂缝智能检测领域应用广泛。从图像采集、图像处理、识别算法和结构评估4个方面详细阐述基于计算机视觉的混凝土裂缝检测原理、方法和应用；综合评述数字成像技术中裂缝图像采集设备及各种图像预处理方法的适用情况，并分析不同识别算法的优缺点及适用性；与此同时，总结凝练当前研究的不足，分析计算机视觉技术在设备智能化、网络轻量化等方向上的应用及研究中面临的挑战和问题，并提出相应的解决措施，从多源数据融合利用、智能设备轻型化、数字成像与裂缝映射、结构评估高效性及实时性等方面进行展望。

关键词： FasterNet网络   GSConv卷积   双向加权特征金字塔   轻量化   车窗开闭检测  

摘要： 针对当前智慧化城市建设中安防检测技术对检测精度和检测速度的要求，提出了一种基于改进YOLOv5s的轻量化车窗目标检测模型，在保证模型的精度同时，降低其计算复杂度，使其能够在边缘计算平台中部署，实现对车窗的开闭状态进行检测。首先在主干网络中引入FasterNet，减少模型的计算量和模型参数；其次在特征融合阶段，使用GSConv降低模型的复杂度，并使用双向加权特征金字塔BiFPN连接特征融合网络，融合更多的特征信息；最后使用SIoU损失函数加快收敛速度。实验结果表明，改进后的算法在车窗数据集上相较于原算法表现出明显差异，模型精度mAP50和mAP50-95分别提高了0.1%和0.5%，模型的参数量和FLOPs大幅度降低，仅为原模型的18.74%和17.09%，推理速度提升了260%。将改进后的模型部署在Nvidia Jetson Nano平台，有着良好的表现。

关键词： 红外小目标检测   密度峰值聚类   局部空间熵   多尺度特征   空时特征融合  

摘要： 红外成像技术广泛应用于军事和民用领域，其中红外小目标检测作为应用中不可或缺的环节，具有重要的实际意义。针对现有方法无法有效区分类目标稀疏结构与真实目标的问题，本文提出一种融合时域局部空间熵与空域多尺度特征的红外小目标检测算法。在时域分支上首先设计基于图像块相似性度量的密度峰值聚类算法，定位红外小目标候选区域，减少对背景的冗余计算。进一步地，提出一种基于帧间局部差异的时域局部空间熵，充分挖掘目标与背景熵值在局部区域的不同变化特性，解决类目标稀疏结构引起的虚警问题。此外，引入空域多尺度特征提取分支，构建时空融合特征，降低候选区域定位中的漏检率，提高对不同尺度小目标的检测能力。在5组不同场景的序列上与9种算法进行对比，本文提出的方法BSF指标均优于其他方法，其中BSF在表现最好的序列5上为次优方法的2.02倍，在ROC曲线中4组序列上表现为最优。综上所述，相比于其他方法，所提出的方法能够在类目标稀疏结构干扰下精准检出小目标。

关键词： 深度学习   安全帽佩戴检测   目标检测   YOLOv5算法  

摘要： 针对现有安全帽佩戴检测算法精度低，在复杂环境下对小目标、密集目标和遮挡目标存在漏检和误检等问题，提出了一种基于改进YOLOv5的安全帽佩戴检测算法。采用超级下采样模块CPC，获取更多纹理特征，关注感兴趣的区域，减少重要信息丢失；融合全新空间金字塔池化模块S-SPPF，不同尺度的池化进行融合，对特征进行有效挑选，一定程度解决目标小的问题；修改网络中的Neck结构，增加小目标检测层，拓展网络的深度对特征进行提取，提升小目标检测精度；借鉴密集网络的思想，使用多并联网络CC3模块，改进了特征提取过程中相似度损失问题，提高对特征的表达能力。在安全帽数据集上实验结果表明，改进的YOLOv5模型具有良好的检测性能，平均检测精度达到了94.6%，相比原YOLOv5模型平均检测精度提高了2.2%，其他各项指标都有提高，能够解决漏检和误检问题，满足在复杂环境下对安全帽佩戴检测的要求。

关键词： 道路多目标检测   YOLOv8   StarNet   多尺度改进   小目标检测  

摘要： 目的针对道路场景中待测目标检测精度低、重叠目标漏检率高，以及小尺度与远距离的小目标物检测效果较差等问题，提出了一种基于YOLOv8s改进的道路多目标检测方法。方法首先基于新型的轻量化网络StarNet，改进Bottleneck构建了SNC2f模块，丰富主干提取的语义信息，优化不同尺度特征的融合效果。为了弥补不同尺度目标特征信息提取能力不足的缺陷，设计了基于通道和空间注意力多尺度改进的CSMA模块，丰富模型提取的全局视觉信息，进一步提高模型对道路中多种目标物的识别精度。增加小尺度的特征融合层与检测头，提升交通灯这类小目标识别与定位的准确性，有效降低小目标的漏检与误检。结果改进后的模型的准确率、召回率、mAP@50以及mAP@50:95分别达到了84.2%、70.6%、78.4%和44.8%，相较于原始模型提高4.4%、1.3%、2.9%和1.1%。此外参数量和权重体积减少了13.5%与12.4%。综合效果优于YOLOv5s、YOLOv7、YOLOv9c及YOLOv10s等主流目标检测算法。结论改进后的模型有效提高了模型对于道路中小目标的识别效果，有助于解决检测精度低、漏检与误检等问题。