摘要：针对在航拍图像检测任务中,物体和整体图像尺寸都比较小,尺度特征不一和细节信息不清晰,会造成漏检和误检等问题,提出了一种改进小目标检测算法CA-yolov8。设计了一种通道特征部分卷积模块CFPConv(chan-nel feature partial convolution),基于此重新构造了C2f中的Bottleneck结构,命名为CFP_C2f,从而替换yolov8头部和颈部的部分C2f模块,增强有效通道特征权值,提升多尺度细节特征的获取能力。嵌入一种用以提升上下文聚合能力的模块CAM(context aggregated module),优化特征通道的响应,强化对深层特征的细节感知能力。添加NWD损失函数,将其与CIoU结合作为定位回归损失函数,降低位置偏差的敏感性。充分运用多重注意力机制的优势,把原有检测头替换为DyHead(dynamic head)。在VisDrone2019数据集的实验中,改进的算法较yolov8s原模型参数量降低了33.3%,检测精度mAP50值和mAP50:95分别提升了8.7和5.7个百分点,表现出良好的性能,验证了其有效性。

摘要：针对目标密集、有遮挡的复杂施工场景下安全帽佩戴检测存在漏检、误检的问题,提出了一种基于yolov8的HD-YOLO安全帽佩戴检测算法。首先,设计了GRC-C2f结构,使用多分支结构捕获多尺度特征,兼顾训练阶段的特征提取能力和推理阶段的计算效率。其次,设计了DSASF颈部结构,结合动态上采样和多尺度特征融合,精准识别和定位图像中的小目标,以提高检测性能。然后,引入Focal Modulation模块替换原有的快速空间金字塔池化(Spatial Pyramid Pooling-Fast,SPPF)结构模块,捕捉图像中的长距离依赖和上下文信息,聚焦于复杂背景中的目标。最后,采用空间增强注意力模块(Spatially Enhanced Attention Module,SEAM)解决小目标遮挡问题。试验结果表明,HD-YOLO算法在同一数据集上平均精度均值为81.8%,相比原始yolov8算法提高了5.0百分点。设计的HD-YOLO算法有效提高了复杂场景中佩戴安全帽的检测精度。

摘要：针对无人机航拍图像中存在缺陷目标较小且背景复杂问题,提出了一种基于yolov8模型的绝缘子缺陷检测的算法CSSD_yolov8。首先使用SAConv代替Conv,设计全新的SA_C2f模块代替部分C2f,提高模型对多尺度目标的特征提取能力;其次,引入SPPF_LSKA模块,丰富多尺度特征表达;另外,设计一种DWR_Detect检测头替换原Detect结构,有效地降低小目标的漏检率;同时为优化小目标检测效果,添加小目标检测层,增强深层语义信息与浅层语义信息的结合。实验结果表明,改进后的绝缘子缺陷检测网络精度为92.1%,召回率为90.2%,mAP为93.8%,较原yolov8网络分别提高了0.7,3.9,3.1个百分点,提高了模型的检测效果,证明了该改进算法的有效性。

摘要：甲骨文目标检测是甲骨文数字化研究中重要一环,主要依靠深度学习模型实现对甲骨文图像中位置信息和分类信息的识别。为了避免模型过拟合,深度学习模型的训练一般需要依赖大规模的数据集,而在甲骨文目标检测领域,目前可用于深度学习的大规模数据集较少,很多研究所用的数据集均依靠专家人工标注和整理,这使得甲骨文目标检测数据集存在整理成本较高、数据量较小、数据质量不高、类别间均衡性差等问题。提出了动态两阶段Mosaic算法及甲骨文大规模数据集生成技术,解决传统Mosaic算法在处理甲骨文图像中存在的拼接图数量有限、图像的多样性和差异性不足、空白背景较大、信息缺失等问题,并设计了完整的数据集生成流程,实现了从甲骨文单字符图片到大规模数据集生成的流程化、智能化处理,从根本上解决了甲骨文目标检测领域的数据困境。通过此研究方法,生成了标注位置信息和类别信息且规模庞大的甲骨文数据集,共生成57万张甲骨文图像和57万份对应的标注文件,包含甲骨文类别416类,样本数量最少的类别包含了516个甲骨文字符,且数据集规模和各类别样本数量可动态调整以避免类别间样本不均衡。采用yolov8模型对生成后的大规模数据集进行训练,在经过200批次训练后,模型精度(Precision)达到96.45%,mAP50值为97.75%,mAP50-95值为96.96%,从模型训练曲线看,训练过程表现出较好的稳定性和高效性,模型训练结果表明,研究的数据集生成技术可应用于甲骨文目标检测。

摘要：自动扶梯智能化监控是预防乘客事故发生的重要手段,然而扶梯运行环境较复杂,背景干扰严重,远距离小目标乘客的检测容易造成漏检和误检问题,提出一种基于感兴趣区域改进yolov8的轻量化自动扶梯乘客摔倒检测算法。改进算法设计了基于感兴趣区域的BiFormer_ROI注意力机制模块,构造SPD-Conv和BiFormer_ROI的小目标检测模块组改进yolov8骨干网络,屏蔽非扶梯背景区域的复杂环境干扰,有效提高小目标检测率。考虑实际应用需要采用GhostSlimPAFPN轻量化结构优化Neck网络,在保持检测精度的同时有效减少模型参数量。采用具有目标尺寸自适应惩罚因子的PIoU v2损失函数改进Head网络,从而实现更快的收敛和更高的检测精度。在自建扶梯乘客摔倒数据集上,改进算法乘客摔倒平均检测精度达到94.2%,检测帧率为87.7 FPS,检测性能显著提高,能有效减少漏检和误检问题,且具有良好的实时性,可以更好地保障乘客安全乘梯。

摘要：针对在自动驾驶行驶中交通标志背景复杂和检测目标小等问题,设计了一种基于yolov8改进的交通标志识别算法。首先在yolov8的DarkNet53中使用动态蛇形卷积,通过引入动态蛇形卷积自适应调整卷积核形状和大小,可以更好地适应小目标尺寸,从而提高准确性,而且可通过目标形状的和轮廓,局部调整卷积核,使在卷积过程中更加关注目标特征,计算复杂度降低,提高检测精度;其次引入局部敏感卷积(LSKA)对SPPF进行改进,通过金字塔池化和频率金字塔来获得多尺度和多频率的特征表示,再利用LSKA来提取局部位置不变性,让其具有更好的鲁棒性和精度,提高网络对交通标志识别的准确性。实验结果表明,改进后的算法在精确率、召回率、平均精确率上相比原算法分别提升2.8%、2.7%、3.3%,检测速度满足实时性要求。

摘要：针对当前有载变压器直流电阻测试中需要专人手动调节档位的问题,本文设计并实现了一种自动化有载变压器直流电阻测试系统,能够自动识别和调节分接开关的档位。系统引入了图像采集与处理模块,结合先进的yolov8算法,实现了对分接开关档位的精确捕捉和自动识别,采用香橙派作为核心控制器,负责整体调度与数据交换,确保了测试流程的自动化和智能化。实际应用表明,该系统能够有效提高测试的自动化水平,减少人为操作失误,显著提高了测试效率和准确性。In response to the issue of requiring a dedicated person to manually adjust the gear in the current on load transformer DC resistance testing, this paper designs and implements an automated on load transformer DC resistance testing system that can automatically identify and adjust the gear of the tap changer. The system introduces an image acquisition and processing module, combined with advanced yolov8 algorithm, to achieve precise capture and automatic recognition of tap changer gears. Orange Pi is used as the core controller, responsible for overall scheduling and data exchange, ensuring the automation and intelligence of the testing process. Practical application has shown that the system can effectively improve the automation level of testing, reduce human operational errors, and significantly improve testing efficiency and accuracy.

摘要：在考试监控领域,深度学习技术的应用对于提高作弊检测的准确性和效率至关重要。结合yolov8算法和AlphaPose姿态识别模型,构建一个既能快速检测异常行为又能精准判断作弊行为的考试作弊行为检测系统。通过改进数据结构和优化网络结构,仅使用身体数据进行模型训练,使得模型更加专注检测与作弊行为相关的身体动作,从而提高系统的鲁棒性和适用性。实验结果表明:系统对作弊检测的实际准确率在95%左右,能够有效区分正常行为和作弊行为,为考试监管提供了强有力的技术支持。

摘要：针对织物疵点的错检、漏检问题,文章采用了一种基于yolov8算法的织物疵点检测方法,以提高传统织物疵点检测的效率以及准确性。鉴于织物疵点种类的多样性和织物纹理的复杂性,传统织物疵点检测手段在处理具有复杂纹理背景的织物图像时,提取图像特征困难,检测效果已逐渐下降。文章设计一种用于检测织物疵点的新算法,采用自主设计的黑箱采集装置进行数据集的采集,并在织物图像数据集上进行验证测试。

摘要：当前航天业务繁重,如何高效准确地完成相关软件的测试尤为重要。设计了一种基于图像的航天业务软件Web UI自动化测试方法。该方法以用户视角进行自动化测试,使用yolov8模型检测被测Web软件截图,识别出表格、折线图和导航按键(包括导航菜单、面包屑、按钮等按键)3类网页元素。之后利用Selenium工具自动测试导航按键元素的可访问性,使用文字识别技术PaddleOCR、结构相似性(Structural Similarity, SSIM)指数算法分别测试表格元素和折线图元素信息的正确性,并生成测试报告。该方法可移植性好,能够自动为Selenium提供元素定位,改善Selenium脚本易失效的问题,并且可以自动检查图表数据的正确性。实验结果表明,该方法能够覆盖90%的测试用例,可检测具体错误位置和相关信息,显著减少了手动测试工作量,提高了测试效率。