关键词： YOLOv5   目标检测   智慧农业   人工智能   树莓派   边缘计算  

摘要： 针对传统番茄人工栽培劳动成本高、存在个体主观差异及生产效率低等问题。本研究基于深度学习框架,设计开发了一款基于树莓派和YOLOv5的番茄植株健康检测系统。YOLOv5采用CSPDarkNet53作为其主干网络,该网络结构在保持高效的同时,提高了模型的精度和速度。首先将所提轻量化算法部署至树莓派,然后系统通过USB摄像头连接至树莓派采集番茄植株状态,采用YOLOv5阶段目标检测算法进行番茄病虫害识别、生长状态识别、周边杂草状况识别。最后将采集、分析的数据及图片通过MQTT传输至阿里云OSS。经测试,所提算法在番茄植株健康检测任务中的mAP达到了99.36%,运行速度达到了8 fps,满足自动健康检测要求,适用于传统大棚环境和现代化温室空间。

关键词： YOLOv3   工业扬尘   火灾烟雾   目标检测   视觉烟雾检测智能识别系统  

摘要： 针对传统烟雾和工业扬尘检测系统存在的环境适应性差、响应延迟等问题,文章提出了一种基于改进YOLOv3算法的视觉智能检测系统。通过融合残差模块、瓶颈层及多尺度特征融合策略(上采样+级联),优化了网络在复杂光照下的特征提取能力。系统结合了火灾烟雾和工业扬尘的实际场景数据训练,实现在不同环境下的高精度检测。实验表明,改进后的YOLOv3模型在火灾烟雾、明火及工业扬尘检测中的准确率分别达到95.6%、98.3%和91.7%,较原始模型提升7.1%、12.3%和20.3%。系统在强光、逆光等复杂场景下误检率降低至2.1%,显著优于传统检测方法。该系统具有响应速度快、成本低、适应环境广等优势,能够广泛应用于消防安全、工业环保等领域。

关键词： 病害   葡萄   深度学习   YOLO   目标检测   人工智能  

摘要： 为提高葡萄果叶病害的检测精度和速度,解决葡萄因生长环境和病害种类复杂造成的误检、漏检等问题,该研究提出了一种基于改进YOLO11n的葡萄病害检测模型RLSL-YOLO11。首先,为提高葡萄病害特征的提取能力,将YOLO11n主干网络替换为融合RepConv的HGNetv2,构建改进型主干网络RHGNetv2。其次,引入基于LSKA(large separable kernel attention)注意力机制设计的改进型池化模块LSPF,用于强化模型的多尺度特征建模能力。再次,采用Slim-neck架构优化颈部特征融合网络,以降低模型的整体计算复杂度。最后,设计了一种轻量级共享卷积分离器批量归一化检测头LSCSBND(lightweight shared convolutional separator batch normalized detection head),以进一步降低参数量和计算复杂度,并提高模型对多尺度病害特征的定位和提取能力。在该研究构建的数据集检测中,RLSL-YOLO11模型的准确率、召回率、mAP_(0.5)和mAP_(0.5-0.95)分别为82.8%、76.1%、83.1%和52.0%,与基准模型YOLO11n相比,mAP_(0.5)和mAP_(0.5-0.95)分别提升了1.9和6.0个百分点;模型参数量、计算复杂度和模型权重分别降低12.0%、14.2%和8.9%。研究表明,RLSL-YOLO11模型在有效提升综合检测能力的同时也降低了计算资源的需求,为葡萄果叶病害检测的轻量化和实际应用提供了参考。

关键词： 人工智能   艺术体操   智能化教学   计算机视觉   生成式人工智能   人机协同  

摘要： 人工智能与艺术体操教学的深度融合为传统教学模式向智能化转型提供了新路径。本文聚焦徒手动作标准化、器械操作精准度两大核心教学场景,探讨了AI技术的创新应用模式。通过文献分析与案例研究,提出基于计算机视觉的徒手动作姿态解析技术和融合惯性传感与轨迹预测算法的器械训练系统,指出AI落地需突破复杂动作语义建模准确性、多模态数据融合有效性及人机协同教学机制合理性三大关键问题,并构建“技术适配性优化-教学场景化改造”的双向协同模式。

关键词： 石油基层站队   库房安全管理   安全行为识别   YOLOv8   计算机视觉  

摘要： 本文基于YOLOv8目标检测算法,针对石油库房员工易发的15类关键不安全行为,搭建了一套智能安全行为检测模型,并采集、构建了高质量训练数据集。在此基础上对YOLOv8网络结构进行了优化改进,引入SE注意力模块增强小目标检测,采用GIoU损失加速收敛,设计了满足油库复杂环境的检测框架。应用测试结果表明,该模型可显著提升库房安全管理智能化水平,为企业安全生产提供了新思路和新方法,具有良好的推广应用前景。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。

关键词： PCB检测   轻量化   YOLOv8n   深度学习   目标检测  

摘要： 针对现阶段PCB缺陷检测算法在模型参数量和检测精度无法同时兼顾的问题,本文提出改进YOLOv8n的轻量化PCB检测算法ST-YOLO。首先,采用轻量化主干网络StarNet替换YOLOv8n的主干网络,调整网络结构。删除大目标检测层,新增小目标检测层。其次,颈部网络中将C2f模块与Star Block和CA注意力机制结合设计出C2f-Star-CA模块,能够更好的融合局部和全局的上下文信息。最后,设计轻量化检测头,通过使用共享卷积减少模型的参数量。实验结果表明:与YOLOv8n相比,本文算法模型参数量减少了45.5%,计算量减少了56.8%,mAP%0.5提升了0.2%,为满足移动端部署的需要提供了新的可能性。

关键词： 计算机视觉技术   农业动物   肉品质   智能测定  

摘要： 计算机视觉(Computer Vision)技术是人工智能的重要方向,其通过模仿人类视觉系统的方式,使机器能够像人一样从图像中获取和处理图像信息、识别图像特征,从而支持自主决策、智能交互和自动化应用等工作。计算机视觉技术能够完成许多突破人类视觉局限的任务,其在农业动物肉质品质测定中应用,必将为智慧畜牧业的高质量发展提供助力。本文综述了传统的农业动物肉品质测定方法及其优缺点、计算机视觉技术在农业动物肉品质测定中的应用以及计算机视觉技术在肉品质方面的优势和挑战,以期为农业动物肉品质智能测定和智慧畜牧业发展提供参考。

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： YOLOv5   杂草检测   目标检测   深度学习  

摘要： 【目的】解决检测算法模型存在的检测精度低、模型复杂、参数量大、在移动端设备上部署困难以及大型数据集制作成本高等问题。【方法】以YOLOv5s为基本架构,用轻量级的Ghost模块替换原模型中参数量大的卷积模块,减少模型的参数量和计算量;在轻量化改进后的网络中增加ECA注意力模块,提升模型对不同尺度和通道的特征捕捉能力;使用FocalEIoU改进损失函数,提升模型精度的同时增强模型的鲁棒性。此外,在恒源智享云平台搭建实验环境,进行了轻量化改进模型训练,并通过消融实验分析改进模型性能。【结果】改进模型参数量由7M降低至3.9M,降低了43.9%;浮点运算次数由16 GFLOPs降低至8.6 GFLOPs,降低了46.3%;权重参数由14.4 MB降低至8.4 MB,降低了41.7%;图像的测试速度由70.92帧·s^(-1)提升至78.52帧·s^(-1),增长约10.7%;改进模型的mAP值由0.912提升至0.925。【结论】本研究设计的改进YOLOv5s模型可以有效识别棉花田杂草,并为轻量级的杂草检测算法模型部署移动应用提供技术支持。