关键词： 膝骨关节炎   深度学习   YOLOv8   Transformer   目标检测   检测精度  

摘要： 背景:膝骨关节炎是一种常见的退行性疾病,不仅严重影响患者的生活质量,同时增加社会医疗负担。早期准确诊断膝骨关节炎对于患者的治疗和预后至关重要,传统的诊断方法不仅主观且耗时,还不能保证稳定的高准确率。目的:开发一种基于深度学习的膝骨关节炎自动诊断方法,利用深度学习网络提高诊断的准确性和效率。方法:在YOLOv8n网络基础上采用Efficient-ViT网络替换YOLOv8n的骨干网络以及增加注意力机制的方法,提出了一种新的网络模型YOLOV8-ViT模型,用于自动识别和分类膝骨关节炎的X射线片图像。实验数据集来自广州中医药大学第三附属医院的5078张膝骨关节炎患者的X射线片图像,由3个影像医师根据Kellgren-Lawrence分级标准采用labelme软件来标注膝关节炎部位并进行分类,采用并集结果。评价指标包括Precision、F1分数、mean average precision(mAP)、Recall、val/box_loss、val/cls_loss和val/dfl_loss。结果与结论:实验结果表明,与YOLOv5n、YOLOv8n、YOLOv9n模型比较,YOLOV8-ViT模型的准确率、IoU阈值为0.5的平均精度(mAP50)、IoU阈值为0.5-0.95的平均精度(mAP50-95)、F1分数和Recall均有所提高,val/box_loss、val/cls_loss和val/dfl_loss分别降低了0.496、0.45和0.523,1.037、0.305和0.728,0.267、0654和0.854,验证了该模型具有较高的检测精度。

关键词： 肉牛产业   计算机视觉   三维重建   体尺测量   肉牛定价   鸿蒙系统  

摘要： 肉牛交易中快速准确的定价是保障养殖户收入的关键环节。随着人工智能技术的发展,视觉算法在肉牛养殖过程中快速普及。本研究旨在解决肉牛交易中定价不准确、效率低下和透明度不足的问题,以保护养殖户的权益。文中提出了一种通过视觉算法对肉牛进行三维重建,结合视觉体尺测量来预测肉牛体重并给出定价的方法。利用先进的图像采集和处理技术,获取肉牛的多维度数据,通过算法模型进行分析和计算。系统能够快速、准确地完成肉牛的体尺测量和体重预测,进而实现合理定价。在实际测试中,该系统展现出了高效性和准确性,大幅缩短了测量和定价的时间,减少了人为误差。此系统显著提高了肉牛交易的效率和透明度,具有良好的应用前景和较大的市场价值。为肉牛养殖和交易行业提供了具有创新性的解决方案,有望推动行业的规范化和现代化发展。同时,也为相关技术在农业领域的进一步应用提供了有益的参考和借鉴。

关键词： 玉米苗   杂草   目标检测   注意力机制   ASPP  

摘要： 为实现田间复杂环境下玉米幼苗与杂草的精准识别,通过对PP-YOLOE算法进行改进和优化,包括引入坐标注意力机制和ASPP(Atrous Spatial Pyramid Pooling)结构,提出了一种用于玉米苗间杂草检测的AAPP-YOLOE模型。试验结果表明,AAPP-YOLOE模型在玉米苗间杂草检测中取得了显著的性能提升。模型在召回率、准确率和F1-Score指标上表现更佳,证明了算法在玉米苗间杂草检测中的有效性和实用性,可为农业生产管理提供一定的帮助,有助于减轻杂草对玉米苗生长的影响。

关键词： 自动化生产线   质量检测   计算机视觉   优化方案  

摘要： 此研究优化了计算机视觉的自动化生产线质量检测系统,提升了检测精度、效率和稳定性。通过对基于融合卷积神经网络(ConvolutionalNeural Networks,CNN)与视觉转换器(Vision Transformer,ViT)的深度学习架构、结合对比度受限自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)与生成对抗网络(Generative Adversarial Network,GAN)的图像处理技术和协同现场可编程门阵列(Field Programmable Gate Array,FPGA)与图形处理器(Graphics Processing Unit,GPU)的硬件加速方案进行升级,系统性能实现了显著提升。精度从85%提升至93.5%,效率从160ms/frame降至115ms/frame,稳定性由91.5%提高至96.1%,成本减少1.2万元。t-SNE分析验证了优化后的特征提取效果。结果表明,深度学习与边缘计算优化提升了系统适应性与实时性,具备良好的工业应用价值。

关键词： 行人重识别   目标检测   特征融合   全局特征   局部特征  

摘要： 针对行人重识别技术在实际应用中常常因为特征遮挡而导致识别率不高的问题,提出了一种复杂环境下行人防遮挡重识别方法,其由全局和局部特征提取两部分组成。以ResNet-50网络为主干网络,首先,在全局特征提取使用特征感知注意力机制对全局特征进行提取;然后,在局部分支使用特征分割空间的方法进行局部特征提取;最后,通过多尺度双向金字塔网络进行特征融合。在常用遮挡行人数据集Market-1501等上进行了实验,验证了论文所提出方法的有效性,且提升了行人重识别效果。

关键词： 目标检测   YOLOv8n   HA混合注意力机制   遥感图像   小目标数据   深度学习  

摘要： 针对遥感图像中背景复杂、目标小而密集,导致现有目标检测算法对小目标检测效果不佳,容易出现误检和漏检的问题,在YOLOv8n模型的基础上引入HA注意力机制,提出了YOLOv8n-HA模型改善上述问题。具体地,文章在YOLOv8n每个检测分支的瓶颈端嵌入HA注意力模块。实验结果表明,YOLOv8n-HA模型在DOTAv1.5和Fiar1M子数据集上的mAP@0.5和mAP@0.5:0.95分别达到了0.797和0.597,相较于YOLOv8n模型分别提升了0.013和0.028。

关键词： 大白菜   目标检测   YOLOv5   轻量化   注意力机制  

摘要： 大白菜收获机融入深度学习目标检测技术是实现大白菜收获自动化的一种重要途径,但常用的深度学习目标检测方法过于依赖GPU硬件,很难在普通移动端应用。针对这一问题,研究以YOLOv5为基础模型的大白菜快速识别方法,并进行了相应的改进。首先,用ShuffleNetV2网络的下采样单元和基本单元替换原模型骨干部分,使模型的参数大量减少,实现轻量化;然后,在颈部嵌入CBAM注意力模块检测输出,弥补轻量化后模型精度下降问题,最终的模型命名为YSCNet。实验结果表明:改进模型能够快速准确地识别白菜,其准确度、召回率、平均精度分别为97.32%、97.38%、98.08%。通过实时检测测试发现,YSCNet在CPU平台上相较于原模型表现更好,其FPS可达50.51帧/s。

关键词： 目标检测   头盔佩戴   YOLOv5   物联网   目标检测   交通安全管理  

摘要： 近年来,随着经济的快速发展以及人们出行需求的增加,我国道路交通行业高速发展,交通安全管理工作的实施越来越困难。为保障广大群众出行安全,设计研发了YOLOv5目标检测模型与前端C/S架构相结合的系统来实现头盔佩戴图片、视频文件、摄像头实时视频的头盔佩戴监测功能。实验结果表明,该系统减少了资源的浪费,交互性强,整体运行流畅且高效,有效地优化了交通管理效率,减少了人工巡查的成本和时间,对产品研发有一定借鉴意义。

关键词： 非现场监管   YOLO算法   实时监控   异常检测   计算机视觉  

摘要： 医疗器械生产过程的质量与安全直接关系到公众健康,传统现场监管因实时性和覆盖范围的局限,难以满足现代化生产需求。本文设计了一套基于YOLOv5的智能化非现场监管系统,结合深度学习与计算机视觉技术,实现了对隔离门状态、防护设备佩戴及洗手动作的实时监测与异常检测。系统在复杂场景下通过多尺度特征融合与数据增强,确保了高效的目标检测与异常行为识别。实验结果表明,该系统在生产监管中表现出卓越的实时性与鲁棒性,显著提升了监管效率,为医疗器械生产企业的智能化转型提供了技术支持。