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： 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： 深度学习   YOLOv5算法   目标检测   模型训练   图像处理   系统测试  

摘要： 非机动车驾乘人员正确佩戴头盔可以减轻交通意外中的人身伤害,为了检测非机动车驾乘人员头盔状态,基于YOLOv5设计了一款非机动车驾乘人员头盔检测系统。首先通过网络爬虫下载交通监控图像建立数据集,标注图像中的非机动车驾乘人员头盔佩戴状态,分为正确佩戴和未佩戴两种;接着将数据集划分为训练集、验证集和测试集;设置算法的超参数,训练头盔检测模型,开发非机动车驾乘人员头盔检测系统。系统分为用户管理、图像采集、头盔检测、结果分析与显示4个模块,分别实现用户身份验证,交通视频图像获取,利用训练好的模型检测头盔状态,显示头盔检测结果等功能。实验表明,该系统能有效检测非机动车驾乘人员的头盔状态,为道路交通安全提供支持。

关键词： 水下目标检测   YOLOv8s   Shallow-UWnet   跨层特征融合  

摘要： 针对水下环境存在的色偏、细节模糊以及水下目标存在多尺度和遮挡等问题,提出了一种改进YOLOv8s的水下目标检测算法SLG-YOLOv8s。首先,通过Shallow-UWnet网络对水下图像进行增强,提高图像的对比度和清晰度;其次,提出了轻量化多尺度全局注意力(lightweight multi-scale global attention,LMGA)模块,将此模块与YOLOv8s主千部分的C2f融合,通过动态调整权重进行特征重标定,加强特征表达能力,减少计算量;最后,通过聚集和分发(gather-and-distribute,GD)机制采用跨层特征融合的方式增强中间层的信息融合能力,从而提升模型对多尺度目标的检测效率。实验结果表明,SLG-YOLOv8s算法的平均精度均值达到了95.1%,与YOLOv8s算法相比平均精度均值提升了5.1%,精确率和召回率分别提升了4.5%和5.2%,IoU为0.5时海参、海胆、海星、扇贝检测的平均精确率分别提升了4.3%、5.3%、5.6%、5.5%,研究结果可为水下机器人精准捕捞提供重要依据。

关键词： 深度学习   目标检测   YOLOv8   铁路异物  

摘要： 由于监控场景覆盖面积大、侵限异物相对尺寸小、背景干扰较多等,现有铁路侵限监控系统检测精度较低,且达不到实时检测要求,为此提出一种基于改进YOLOv8的铁路异物检测算法。首先,引用FasterNet中部分卷积的设计思想,在颈部网络采用FasterC2f模块替代原C2f模块,以降低模型参数量和运算量,同时提升模型的特征融合能力;其次,对快速空间金字塔池化(SPPF)模块进行改进,引入大型可分离核注意力(LSKA)机制,提出一种SPPF_LSKA模块结构,以在特征提取时减少复杂背景的干扰,加强对小目标的检测能力;最后,采用WIoU损失函数替代原CIoU损失函数,以降低低质量、小目标样本带来的不良梯度影响。实验结果表明:与原YOLOv8模型相比,改进YOLOv8模型检测的平均精度均值(mAP@0.5)达到92.9%,提升了2.09%,模型权重降低了3.28%,浮点运算量降低了6.17%,在检测精度和效率之间达到了较好的平衡,能够满足实际检测需求。

关键词： 深度学习   道路目标检测   自动驾驶   YOLOv7算法  

摘要： 自动驾驶视觉感知算法需要在合理延迟的基础上,准确地检测道路目标。针对该问题,基于YOLOv7,提出一种改进的道路目标检测算法。算法使用SODA10M道路目标检测数据集,确定了损失函数各部分损失的最佳权重,验证了最佳锚框数量和在不同检测尺度上的锚框分布,在不降低检测精度的前提下提高了检测速度;改进了一种加权特征融合ELAN结构,促进了网络模型中提取特征的动态融合;在检测头前采用ASFF网络实现提取特征的跨尺度融合,增强了网络的特征提取能力。实验证明:改进后算法的平均检测精度mAP、精确率P和召回率R,优于改进前的算法以及与之对比的其他目标检测算法。

关键词： 果蔬采摘   YOLOv5   BiFormer机制   小番茄目标检测  

摘要： 目前果蔬的采摘仍然以人工为主,人工采摘耗时耗力,效率低下。采摘机器人的视觉系统是其获取目标果实信息的关键,对完成采摘动作起着关键性作用。以果蔬园中小番茄为研究对象,研究了自然环境下成熟小番茄的识别与定位,以提高小番茄采摘机器人采摘作业的实时性与鲁棒性。通过不同时段,不同光照,不同遮挡等条件下的小番茄拍摄图片构建数据集,基于YOLOv5对识别模型进行了研究和构建,成功构建了基于BiFormer机制改进的小番茄目标检测模型YOLOv5_tomato,实验结果表明该模型能很好地实现复杂自然环境下小番茄果实目标定位。

关键词： 检测系统   特征识别   图像处理   稻粒  

摘要： 通过视觉识别图像处理技术对稻谷谷粒进行处理,利用OTSU自适应阈值对稻谷图像进行二值化处理,采用中值滤波对图像进行降噪处理、图像分割和连通区域标记,基于几何形状特征阈值检测算法识别不同种类稻谷的长度、宽度、周长和面积像素值,提出一种综合的阈值通用旋转法,可实现不同谷粒的分类。根据获取谷粒图像样品和采集谷粒数目特征,基于形态学处理和分水岭变换分割算法对谷粒进行数目识别提取,最后根据检测的数目和整碎谷粒特征统计汇总稻谷谷粒的相关参数信息,将谷粒识别结果和相关数据信息保存在数据库中,便于进一步分析。研究结果表明:利用MatLab软件中GUI界面开发的稻谷检测系统对谷粒数目有较好的识别力,精确度达98.327%,对于整碎谷粒的识别误差在可控范围,满足要求与传统人工检测相比,具有检测快速、多样化等优点。

关键词： YOLOv7   目标检测   深度学习   信息安全   CBAM   加密显示  

摘要： 随着信息显示技术的持续发展,信息显示的安全性问题愈发突出。信息加密显示技术的实现依赖于目标检测技术,需要根据不同信息的特点来选用相应的加密算法。为此,提出一种基于YOLOv7的显著性目标检测算法,该算法可以通过自建数据集标定显著性区域,对模型进行训练,并将得到的显著性区域用于自适应加密显示算法,以实现可分级的加密显示。实验结果表明,该模型性能优越,有着较高的检测准确率,能够为后续针对敏感信息区域进行加密提供有力的支撑。

关键词： 数字图像处理   工程测量   实践应用  

摘要： 现代信息技术以及通信技术的迅猛发展,在前沿科学技术融入不同领域的基础条件下催生了数字图像处理方法,其在工程测量领域扮演的角色无可取代。数字图像处理技术具有精确度较高、分辨率高、非接触远程测量、形象信息丰富等多方面的特征,以其独特的优越性在我国的工程测量领域中得到了广泛的应用。本篇文章主要分析了数字图像处理在工程测量中的关键应用技术,并且就数字图像处理技术在工程测量中的实践应用进行了探究,希望能够为推动数字图像处理技术在工程测量领域中进一步发挥应用价值提供参考意见。