关键词： 广义高效层聚合网络模块   C2F＿DCN   YOLOv8   安检图像   目标检测  

摘要： 针对X射线安检图像中违禁品与背景和多重叠目标的检测难点，本文提出了一种基于YOLOv8改进的检测模型GELAN-C2F＿DCN-YOLOv8(GC-YOLOv8)。首先，采用广义高效层聚合网络(Generalized Efficient Layer Aggregation Network, GELAN)模块来增强特征融合能力；然后在Backbone网络的C2f(Faster Implementation of CSP Bottleneck with 2 convolutions)模块嵌入了可变形卷积网络DCN(Deformable Convolution Network, DCN)构造C2F＿DCN可变形卷积。通过引入C2F＿DCN,模型可以自适应地调整感受野的位置和形状，以适应目标的多样性。将GC-YOLOv8模型在刀具和液体容器X射线数据集(Cutters and Liquid Containers X-ray Dataset, CLC X-ray)上进行测试，结果表明GC-YOLOv8模型在召回率比基线模型高0.8%的同时准确率明显提升8.1%,验证了所提方法的有效性。并且，FPS最终达到了140.4,完全满足安检设备部署的实时性要求，验证了所提方法的通用性。

摘要： 雾凇岛位于吉林市郊外正北方的松花江上,进入冬季,每逢傍晚江面飘起大雾,岛上的柳树、洋槐等枝条便会沾满水汽,经过夜晚零下二十多摄氏度的低温冰冻,水汽凝结成雪白的浓霜,被人们称为雾凇,也叫树挂。第二天大雾散去,在阳光的照耀下,银装素裹,煞是好看,是冬日旅游观景的绝佳之选,这里也成为许多影友的打卡之地。

关键词： YOLO-AFB   多目标检测   特征提取  

摘要： 针对传统变电站多目标检测全面性不足、精度低的问题，提出基于YOLO-AFB网络模型的检测方法。确定某变电站实验数据，建立YOLO-AFB网络模型，阐述多目标检测流程，分析训练结果，与其他多目标检测方法进行对比实验，检验所提方法在变电站多目标检测中的应用效果。

关键词： 野生动物识别   目标检测   注意力机制  

摘要： 动物识别对于生态保护、农业管理以及智能监控等领域具有重要的意义和作用。然而，人工辨识动物往往依赖于个体的经验和知识，存在主观性强、效率低下和难以大规模应用等问题。为了解决这一挑战，文章重点研究了一种基于深度学习的RGB图像识别方法。基于YOLOv7，引入K-means聚类算法优化目标候选框。实验结果表明，与YOLOv3、YOLOv5、YOLOv7和YOLOv10相比，所提模型在所有评估指标上性能最佳，精度为73.80%，mAP@0.5为74.60%，mAP@0.5:0.95为66.60%；与基线方法YOLOv7相比，在精度(P)、召回率(R)、mAP@0.5和mAP@0.5:0.95上分别提高了0.50%、3.40%、1.30%和2.00%。综上所述，该研究实现了对多种野生动物及家养动物的高效、准确识别，为生态保护、农业管理以及智能监控等领域提供了强有力的技术支持。

关键词： 电表外观检定   工业自动化   深度学习   图像处理   场景文字识别  

摘要： 电表外观检定系统对于电表生产的质量评估有着重要的意义。针对现阶段字符缺陷检测系统在文字分布密集的场景识别准确率低的问题，利用自适应多尺度模块，提升算法对密集字符的检测精度和分割质量；引入STN注意力机制，将文字图像变换为最合适的角度作为网络输入，提升识别模块在字符倾斜、投影等影响下的鲁棒性；提出点位配准算法，对文字缺陷处精准定位，并降低匹配算法误判。实验表明，文字检测和识别算法精度分别较现有算法提升了6.1%和4.3%;基于点位配准的缺陷检测，F-score达到97.8%;每张电表图片检测时间为0.8 s,能够满足电表工业流水线的实时性要求。

关键词： 光学疵病   多光谱技术   图像处理   缺陷检测   图像融合  

摘要： 在进行多光谱光学元件疵病谱检测时，由于光谱图像数据量较为庞大，人为操作的误差以及光斑亮度不均匀等问题致使图像明暗不均，多光谱图像的细节信息被掩盖，从而导致检测效率的下降。针对该问题，提出了一种基于图像处理的多光谱光学疵病检测技术，首先将光谱图像进行融合，然后根据图像的照明不均匀性进行背景的提取与自适应补偿，最后对图像进行阈值分割与连通标记法将疵病进行识别。实验表明，该方法可以准确地识别光学元件疵病，对不同环境的样本，其缺陷检测率可达95.73%,提升了多光谱光学元件疵病检测的效率。

关键词： 目标检测   火灾检测   神经网络   特征提取  

摘要： 针对现有火灾检测算法不能很好平衡精度和模型复杂度等问题,提出基于改进YOLOv7-Tiny的火灾检测算法。算法以YOLOv7-Tiny为基础,结合Pconv、Faster block以及YOLOv7的ELAN结构提出一个新的结构F-ELAN,用于替代Backbone中的ELAN结构;引入GSConv以及GSblock,用于替代Neck结构中的普通卷积和ELAN结构,在减少模型复杂度的同时增强特征提取能力,提高模型精度;同时为了进一步提高模型性能,在Head部分增加一个检测层,提高对于目标的检测精度;在损失函数中采用Wise-Io U代替CIoU,在保持模型复杂度不变的情况下提高模型鲁棒性。实验结果表明,改进后的YOLOv7-Tiny模型参数量仅为5.45M,FLOPs为8.9G,相比原模型分别减少9.5%和32.6%,同时精度提高了2.4%达到了90.8%,在检测精度和模型复杂度都有一定优势。

关键词： 人工智能   图像处理技术   教学案例库  

摘要： 本文通过深度学习算法、三维重建技术等核心技术支持，构建了“四层三端”智能教学平台，实现了教学资源的整合与多端便捷访问。教学案例库采用科学的知识建模和规范的开发流程，构建了高质量的教学案例，并通过教学实践验证了其有效性。实验结果显示，该融合技术在提升临床医学专业学生的医学知识掌握水平、临床技能、临床思维以及学习积极性方面成效显著。

关键词： YOLOv8s   目标检测   深度学习   遥感图像   空间到深度卷积   Transformer   注意力机制  

摘要： 针对遥感图像存在的小目标密集、目标遮挡、背景复杂等问题，提出一种改进YOLOv8s的遥感图像目标检测网络模型。采用空间到深度卷积中的SPD模块，在特征提取时保留更多信息；基于Bottleneck Transformer设计BOT模块，在保持全局上下文建模的同时，更好地捕捉图像中的局部特征；引入注意力机制设计C2fGAM模块，聚焦有效信息，抑制无效背景信息；将上采样模块替换为CARAFE上采样，提高特征重建质量。实验结果表明，该模型相较其它算法具有更好的检测效果和较强的通用性。

关键词： 异形电子元件检测   RT-DETR   目标检测   数据增强  

摘要： 异形电子元件表面缺陷检测是提高异形插件机插装工艺水平的关键环节。传统的人工检测易受人为主观性影响，模板匹配算法的效率较低，且在样本数据不足的情况下，现有深度学习技术在缺陷检测方面存在精度低、实时性不足等问题。为提高异形元件检测的精度和实时性，文章对目标检测模型RT-DETR进行改进，提出了一种实时多维特征自适应网络(RT-MDAFNet):首先，在模型特征融合层处设计自适应融合金字塔网络(AFPN),通过动态通道注意力机制和选择性特征融合机制来提高模型对多尺度目标的适应性和特征提取能力；然后，设计了自适应通道-空间聚合网络模块(SASE-RepNet),通过结合多层次特征聚合、通道自适应权重分配和空间选择性增强机制来提升在复杂背景下的检测精度和效率。在现有数据集缺乏的情况下，构建了异形电子元件数据集，并将RT-MDAFNet模型与DETR、Faster R-CNN、YOLO系列等8种基线模型进行了对比实验。对比实验结果表明：RT-MDAFNet模型的帧率为41.5 FPS,每秒浮点运算次数(GFLOPs)为75.3,参数量为24.31 M,mAP50值为80.87%,mAP50-95值分别为50.43%。与目前最佳的基线模型(DINO)相比，RT-MDAFNet模型的mAP50、mAP50-95值分别提高了3.31%、3.46%。最后，为了探讨关键组件对模型效果的影响，在自建数据集上进行了消融实验。消融实验结果表明：RT-MDAFNet模型中的AFPN模块和SASE-RepNet模块在模型轻量化和精度提升上具备有效性。与RT-DETR模型相比，RT-MDAFNet模型的mAP50、mAP50-95值分别提高了4.66%、2.54%,参数量降低了9.67 M,GFLOPs减少了28.1,帧率提高了18.7 FPS。总体而言，RT-MDAFNet模型在保证轻量化的同时，也提升了异形元件的检测精度。