关键词： 合成孔径雷达图像   小目标检测   改进YOLOv8   损失函数   并行协调注意力机制  

摘要： 船舰作为海上战斗的主导力量之一，已成为军事作战的重要检测目标。针对复杂海洋大场景下合成孔径雷达(Synthetic Aperture Radar，SAR)图像船舰小尺度目标识别能力低下的问题，提出一种基于改进YOLOv8的SAR图像船舰小目标检测算法。首先，将网络卷积(Conv)模块替换成空间深度非步长卷积(SPD-Conv)，保留判别特征信息，提高小目标检测精度；然后，以协调注意力机制(Coordinate Attention，CA)为基础，设计出并行协调注意力机制(Parellel Coordinate Attention，PCA)，加强空间中相互作用，在背景复杂的SAR图像中对特征信息进行针对性提取并运算；最后，将中心点对角线距离度量和端点距离度量分别融入到SIoU的距离损失函数和形状损失函数中，重新定义损失函数DSIoU，提高网络的收敛速度和检测精度。最终在HRISD( High-Resolution SAR Images Dataset)进行了大量实验，结果表明，相较于YOLOv8算法，改进算法精度提高了2.9%、参数量降低了10.6%、帧率提升了13.3%，能够满足船舰目标的实时监测。

关键词： 多模态   目标检测   双分支结构   Bi FPNFusion   PPA   PIoU2  

摘要： 在复杂的环境中进行目标检测时，例如夜间、雾天、和遮挡等情况，单一的图像传感器往往无法全面捕捉场景信息，导致检测精度的显著降低。为了应对这些挑战，本文提出了一种基于YOLO v8的多模态目标检测算法BPP-YOLOv8。该算法采用了双分支结构，分别对可见光和红外图像进行特征提取，并在中期融合阶段利用BiFPNFusion特征融合模块和PPA模块，提升了对多模态信息的整合能力。此外，通过引入PIo U2损失函数，优化了模型的训练过程。实验结果显示，BPP-YOLO v8算法在LLVIP和KAIST数据集上的检测性能均优于原有的YOLO v8和其他一些主流算法，相较于原始YOLO v8算法分别提升了1.4%和7.1%的m AP@0.5，有效增强了在复杂环境下的目标检测能力。

关键词： 小目标检测   YOLOv8算法   空间金字塔池化   可变形卷积   小目标检测层  

摘要： 针对无人机航拍图像小目标的检测精度低且易被漏检和误检等问题，提出了一种改进的小目标检测算法MDH-YOLOv8。首先，运用Focal-EIoU损失函数替换CIoU Loss，解决回归结果不准确的问题。设计小目标特征信息提取（Self-Attention Information Extraction，SAE）模块，改善空间金字塔池化SPPF信息提取不足的问题，使模型同时关注图像中多个重点小目标区域。其次，提出可适应复杂几何形变的C2f＿DCN模块，可变形卷积融合瓶颈层(Bottleneck)多次迭代，增强检测模型的鲁棒性。最后，新增一个专门针对小目标的检测层STDH模块，降低小目标的误检率和漏检率，提高检测精度。在VisDrone2019和DOTA数据集上验证实验结果，MDH-YOLOv8模型较YOLOv8模型，mAP@0.5提高了4.2%，mAP@0.5:0.95提高了3.4%。与小目标检测的主流算法相比，MDH-YOLOv8模型在满足轻量化的同时提高了小目标的检测精度。

关键词： 目标检测   YOLOv8   SPDConv   EMA   EIOU  

摘要： 针对现有的道路目标检测算法存在对于密集目标及远处小目标的感知能力较差，参数量大和识别精度不平衡的问题，提出了基于YOLOv8n改进的算法SEP-YOLO。该方法在YOLOv8n的主干网络中使用SPDConv(space-to-depth convolution)模块来减少细粒度信息丢失，提高主干网络对道路图像各尺度特征的提取能力。为了突出目标特征同时抑制背景环境的干扰，在颈部网络中引入基于跨空间学习的高效多尺度注意力(Efficient Multi-Scale Attention， EMA)，构建C2f＿EMA模块。在检测端增加具有丰富小目标语义信息的特征层改善对道路小目标的检测能力。最后，更改边界框损失函数为EIOU损失函数，提升模型定位精度。在KITTI数据集上进行实验，改进模型mAP@0.5为94.1%，mAP@0.5:0.95为69.9%，与原YOLOv8n模型相比分别提高了4.8、5.4个百分点。在SODA10M数据集上mAP@0.5为66.7%，mAP@0.5:0.95为45.4%，与原YOLOv8n模型相比分别提高了7.2、6.3个百分点。实验结果证明了提出的改进模型参数量小、检测精度高，改善了对道路小目标的识别效果，在复杂道路场景下有效提升了检测性能。

关键词： 扩展目标   异常噪声   正态-伽马分布   增广非线性量测  

摘要： 针对复杂异常噪声下的非线性扩展目标跟踪问题,本文提出了一种正态-伽马非线性雷达扩展目标跟踪滤波器.首先,对于传统扩展目标建模方式进行了优化,将运动状态与扩展状态显式且独立的进行表达.其次,在量测噪声为异常噪声的情形下,引入辅助变量表示量测噪声协方差的不确定性,并将其建模为伽马分布.同时考虑到雷达量测的特殊性,对原有的非线性量测进行了增广,以减少非线性量测在转变过程中的信息丢失问题.最后,构造相应的扩展目标与群目标跟踪仿真实验,并通过高斯-瓦瑟斯坦距离对扩展目标跟踪多特征联合估计性能评估,验证了本文所提算法的有效性与稳定性.

关键词： 航空发动机叶片   深度学习   缺陷检测   图像处理   文献综述  

摘要： 对基于深度学习的航空发动机叶片（叶片）缺陷检测技术进行了综述。从深度学习模型（模型）及模型评价指标、叶片类型及叶片缺陷类型和深度学习叶片缺陷检测技术共三个方面展开，聚焦于深度学习叶片缺陷检测技术。进一步地，关注模型、数据集和结果评价等内容，以数据集标签需求为依据，按有监督学习、无监督学习和半监督学习对国内外深度学习叶片缺陷检测技术进行梳理评述，指出了在不同深度学习方法下进行叶片缺陷检测的优缺点、面临的挑战及展望。认为能克服数据集相关挑战的轻量化模型可以用于搭建高性价比的工业现场叶片缺陷实时检测系统。

关键词： 跨介质高速小目标   目标检测   注意力机制   深度可分离卷积  

摘要： 在高速射弹测试领域，射弹的极高速度使探测技术面临显著挑战，实时检测与定位射弹的能力受限。由于射弹实验布设复杂，成本高昂引起射弹检测可用数据集的稀缺。针对上述问题，搭建跨介质射弹入水测试系统，使用高速相机捕捉射弹，制作跨介质射弹数据集并采用数据增强的方法扩充现有数据集。针对射弹入水瞬间检测精度相较于射弹在空气和水中检测精度明显降低的问题，提出一种基于坐标注意力机制的跨介质小目标检测方法。该方法在高精度识别射弹小目标的基础上，替换传统的卷积为深度可分离卷积，在检测精度、速度和模型复杂度之间实现了良好的平衡。实验结果表明，新方法在射弹入水瞬间的检测精度提升了2.68%，召回率提升了7.31%，为跨介质高速小目标检测提供了解决方法。

关键词： 深孔   轴线   光杠杆放大   直线度   图像处理  

摘要： 为了实现大长径比小孔轴线直线度的高精度测量，提出一种光杠杆图形投影的轴线直线度测量方法。在检测系统中利用光轴直线传播与光杠杆放大原理，结合远距离投影面型的相关性，采用图形轮廓提取与中心坐标计算的方法，确定远距离投影屏上的轴线位置。根据像素坐标变换和空间坐标转换方法对提取的中心点坐标进行修正，从而获取大长径比小孔的轴线直线度。通过原理样机的研制和相关性能的测试，对内径8mm、长度300mm的超大长径比（长径比大于5至10为深孔，大于20为大长径比孔）深孔零件的轴线直线度进行了测试，实现了5μm以内的重复性检测精度。

关键词： 无人机系统   目标检测   深度学习   YOLO系列算法   数据集   性能对比  

摘要： 在诸多基于深度学习的目标检测算法中，YOLO(you only look once， YOLO）系列算法因具有检测速度快、检测精度高、适应性强等优点，成为无人机航拍图像目标检测的优先选择。无人机航拍图像与视频复杂多变的特点，使得该视角下YOLO系列目标检测算法成为一个具有挑战性的难题。因此有必要将近期无人机视角下目标检测的YOLO系列算法研究与应用成果进行全面总结与分析。首先，归纳了10种YOLO基础版本的发展、联系、优化特点，重新绘制了YOLO系列结构图，指出了各种YOLO版本优化策略的作用与特点。其次，综述了在无人机目标检测应用领域中YOLO的优化方法:数据训练前的预处理、训练与推理优化、注意力模块的应用、卷积优化、检测头以及损失函数的优化；梳理了一些无人机视角下的应用数据集以及数据扩展方法。通过实验对无人机视角下数据集上YOLO系列算法的性能及CBAM（convolutional block attention module， CBAM)对YOLO不同改进的作用进行了评估。最后，指出了无人机视角下目标检测YOLO系列算法的研究还存在的一些问题与可能发展趋势。

关键词： 小目标检测   多尺度局部卷积特征关联   局部卷积注意力关联   互注意力特征重构  

摘要： 随着信息化时代的发展，数字技术广泛应用在军事领域。目标检测是武器系统的核心功能，是影响战争局势的重要因素，在侦察、预警及监视等方面具有重要的作用。然而当今目标检测领域主要存在四个问题：小目标检测、小样本检测、检测实时性和遮挡目标检测，小目标检测更是其中的重点和难点。小目标一般只占有几十甚至几个像素，传统检测算法难以依据先验知识，构建适当的特征提取模型并取得精确的检测结果。深度学习检测算法在特征提取时容易丢失特征信息，在复杂多变的应用场景下，容易混淆目标特征与背景噪声。此外，当前的小目标检测算法存在小目标语义特征利用不充分、小目标空间特征不突出等问题。算法检测准确率较低，存在大量漏检和误检现象。针对上述问题，本文提出了一种基于多尺度局部卷积特征关联（Multi-scale Local Convolutional Feature Association，MLCFA）机制的小目标检测算法。MLCFA的核心部分包含局部卷积注意力关联（Local Convolutional Attention Association，LCAA）模块和互注意力特征重构（Cross Attention Feature Reconstruction，CAFR）模块。LCAA模块对特征融合网络得到的多尺度特征图提取特征相关性，并加强小目标内部像素之间的联系，抑制背景噪声的同时突出小目标空间特征的统一性，提高复杂背景下的检测鲁棒性。CAFR模块通过自注意力机制得到100个查询向量，并结合LCAA得到的关联特征序列进行全局特征重构，通过全连接网络得到目标检测信息，一定程度上解决了小目标边界框扰动以及特征缺失的问题。在TinyPerson数据集上的对比实验表明，搭载MLCFA的网络模型与Retinanet等算法相比，对两类目标检测的F1-Score分别提升了19.81%和11.88%，大幅度了提高小目标检测性能，证明了MLCFA模块的有效性。此外通过收敛速度实验表明，MLAFC只需要50个Epoch即可具备良好的检测性能，模型推理较快，具有一定的模型迁移能力。