关键词： 人工智能   深度学习   正畸诊疗   图像处理   计算机辅助  

摘要： 人工智能(Artificial intelligence, AI)在正畸诊疗中的应用涵盖诊断、方案设计、治疗预测、远程监控及问题咨询等多个领域,辅助医生提高临床效率与精准性。在头颅侧位片关键点检测中,人工智能实现了高效、精准的自动定位,减少人为误差。在生长潜力评估中,人工智能能够准确识别颈椎骨成熟阶段,提升效率。拔牙决策辅助系统利用人工智能综合分析患者牙颌特征,为治疗规划提供支持。此外,人工智能实现了治疗后面部软组织的形态预测,为医生与患者提供参考。远程监控技术借助人工智能提升患者依从性,自然语言处理技术通过智能聊天机器人改善沟通。尽管人工智能展现巨大潜力,其临床应用仍面临数据覆盖不足、学习样本的构建标准不一致、模型可解释性欠缺及隐私风险等挑战。未来需优化算法、提升数据质量并完善监管框架,以推动人工智能在正畸诊疗中的应用。Artificial Intelligence (AI) in orthodontics spans diagnosis, treatment planning, outcome prediction, remote monitoring, and consultation, enhancing clinical efficiency and precision. In the detection of key points on lateral cephalograms, artificial intelligence has achieved efficient and precise automatic localization, reducing human error. In the assessment of growth potential, artificial intelligence can accurately identify the stages of cervical vertebral maturation, enhancing efficiency. The decision support system for tooth extraction utilizes artificial intelligence to comprehensively analyze patients’ dental and occlusal characteristics, providing support for treatment planning. It also predicts post-treatment facial morphology, assisting clinicians and patients. Remote monitoring improves compliance, while AI-powered chatbots enhance communication. However, challenges remain, including limited data coverage, inconsistent gold standards, lack of interpretability, and data privacy concerns. Advancing AI adoption requires optimizing algorithms, improving data quality, and strengthening regulatory frameworks.

关键词： 河湖“四乱   目标检测   多样化分支块   动态检测头   损失函数  

摘要： 针对河湖“四乱”遥感图像中目标检测精度低、小目标检测难等问题,提出一种基于改进YOLOv5的河湖“四乱”目标检测算法。首先,以YOLOv5s为基础,采用多样化分支块代替原有的C3模块,以增强主干网络的特征提取能力。其次,引入具有统一注意力机制的动态检测头,以增强算法的目标检测和定位能力。最后,设计新的损失函数ShapeIoU,降低目标尺度差异带来的影响,以提升模型的泛化能力。将该算法在自建的河湖“四乱”数据集上进行实验,结果表明,模型的检测精度为60.6%、召回率为55.7%、mAP50为56.1%、AP50∶95为32.2%,较基准网络分别提升了5.3%、5.3%、6.7%和4.6%。此外,在公开数据集RSOD和NWPU VHR-10上的实验表明,该算法与几种经典算法相比,整体均表现出较大优势。

关键词： 目标检测   电路板检测   YOLOv9   BRA模块   RE4DConv  

摘要： 针对印刷电路板生产时出现缺孔、开路、短路、毛刺和假铜等缺陷,由于缺陷尺寸微小和背景的相似性等问题造成的检测精度低,提出一种改进YOLOv9的电路板表面缺陷检测算法DySnake-YOLO。在特征提取部分,添加了一种动态的、查询感知的稀疏注意力机制BRA,来对印刷电路板的特征进行细粒度的提取。在特征融合部分设计了一种根据管状目标以适应电路板特性,以及关注区域连通性特征适合管状场景的RE4DConv卷积模块,提升了模型融合印刷电路板中的管状尺度特征的能力。通过在北京大学公开的PCB缺陷数据集上进行实验表明,改进后的算法相较于原型,mAP50提高了0.023,与YOLOv8n等主流目标检测算法相比,改进方法在mAP50、mAP50-95方面分别提升了0.071、0.085,在印刷电路板缺陷检测任务上的有着较高的应用价值。

关键词： 技工教育   计算机视觉   实训监控   行为分析   特征提取  

摘要： 随着职业教育的快速发展,技工教育对学生的实训能力要求越来越高。实训操作在技工教育中占据核心地位,传统的教学方式难以在远程环境中实时监督学生的操作细节。基于计算机视觉的技工教育远程实训监控系统能够通过自动化技术,实时监控学生操作行为,提供精确的反馈,成为解决远程教育中监督问题的有效手段。因此,设计并测试了一种基于计算机视觉的技工教育远程实训监控系统。通过图像预处理和特征提取,系统能够识别学生的操作行为,并通过深度学习技术实时分析操作的准确性,生成操作反馈和安全警告。实验结果显示,与传统人工监控相比,该系统在准确率、响应时间和误报率上表现优异,大幅提升了操作监控的智能化和实时性。

关键词： 多源无人机影像   轻量级目标检测   MobileNetv3   移动式窗口视觉变压器   动态上采样  

摘要： 针对无人机载荷硬件算力有限,而当前轻量级模型对无人机影像内目标检测精度不佳的问题,设计了一种基于MobileNetv3的轻量级目标检测模型。在特征提取层内引入通道混排注意力机制,同步捕捉通道与空间维度的注意力特征,同时在网络末端引入移动式窗口式视觉变压器模块,计算全局尺度的上下文语义特征;通过双向加权特征金字塔实现多尺度特征加权融合,并在其中引入深度可分离卷积核与动态上采样层,降低融合阶段计算消耗;参考YOLOv7损失函数结构,采用焦点-高效交并比函数计算目标框回归损失,采用梯度协调函数计算目标分类损失。在光学及热红外影像数据集上的实验结果表明,所提模型较原模型在检测速度方面提升了3.52%与3.83%,同时mAP 0.5也分别提高7.11%与6.85%,与对照组内主流轻量级检测模型相比,本文模型在检测精度、速度及体量方面,具有一定的优势,适合部署在无人机载荷硬件中,针对复杂地面场景,开展全天候目标实时检测。

关键词： 智能监护系统   计算机视觉   人工智能  

摘要： 为保障在院患者护理质量,应对眼科医院术后患者复杂多变的情况进行更加全面、准确、实时的监测,该文设计了基于计算机视觉及人工智能(artificial intelligence,AI)的智能监护系统,用于实时监测患者的健康状况。其主要应用场景包括医疗监护、康复治疗和住院护理等,涵盖智能采集设备、智能摄像头、连续生理数据分析算法与人工智能算法及软件。由于眼科医院术后患者的情况复杂多变,对患者进行全面、准确、实时的监测很必要,因此需要探索一种低生理负担和心理压力的监测技术。智能监护系统可以连续采集患者的生理参数指标,在对监测数据进行智能算法分析后,将其传输至医生工作站或护士站,为患者监护、病情评估、风险预警等提供新的工具与手段。同时,应用计算机视觉和人工智能技术,还可以分析面部表情、人体姿态等数据,识别患者的情绪状态和卧床姿态,及时发现异常情况并采取相应的措施。这有助于改善医护人员的日常工作,提升病区中单间病房的护理安全,且可用于危重患者、老年患者的护理,并提高护理效率和质量。

关键词： 光电探测   目标识别   跟踪算法  

摘要： 随着科技的迅猛进步,光电探测技术在信息收集领域扮演着至关重要的角色,特别是在目标识别与跟踪算法性能提升方面的需求日益显著。鉴于军事侦察、航空航天及智能交通等行业的发展需求,对这些算法的准确性、实时性以及鲁棒性的要求也在不断提高。本文致力于探讨基于光电探测技术的目标识别与跟踪算法的设计优化。通过实施多传感器数据(如可见光、红外线和激光雷达等)的预处理与特征提取过程,我们有效地增强了目标识别的速度与精度。在分类识别环节,通过对支持向量机(SVM)、决策树以及卷积神经网络(CNN)等多种方法的应用,改进了样本训练流程,进而提升了训练效率与识别准确率。结果 显示,经过优化后的CNN模型达到了96%的训练精度,相较于传统的SVM和决策树方法,在识别效果上有明显优势。针对目标跟踪问题,本研究采用了联合概率数据关联(JPDA)与多假设跟踪(MHT)策略,有效应对了目标被遮挡或丢失的情况。经过优化后,目标跟踪的精确度从最初的9.96米提高到了7.78米,即提升了约21.9%。同时,计算耗时也由原来的122.4毫秒缩短至90毫秒,减少了大约25.8%,这进一步加强了系统在复杂环境中的实时响应能力和准确性。

关键词： 光伏组件   目标检测   ResNet网络   精度   分类  

摘要： 针对光伏板检测提取精度问题,提出一种改进的SSD和ResNet的光伏板检测与分类算法。为了提升SSD算法检测精度,在其主干网络VGG16中融合CBAM注意力机制,从而增强算法的多尺度特征提取能力,针对光伏板的形状特征,重新设计了网络中默认框的长宽比;在ResNet算法每个残差结构中嵌入SENet(Squeeze and Excitation)通道注意力模块,提升模型特征提取能力。结果表明,改进后SSD算法检测精度更高,模型训练速度更快;改进后ResNet模型在光伏表面缺陷数据集上分类准确率较原算法有了很大提升。

关键词： 运动行人检测   YOLOv5算法   DeepSORT   目标跟踪   监控视频  

摘要： 针对传统监控视频存在目标尺寸小、行人被遮挡导致检测精度和跟踪效果不佳的问题,提出一种综合运动前景与运动行人的智能视频双重监测算法。首先,基于YOLOv5算法,构建一个结合协同注意力机制的行人检测模型;然后以行人检测模型作为检测器,引入DeepSORT的行人跟踪算法,并在该算法基础上加入GhostNet-cot重识别网络和抗遮挡策略;最后将改进YOLOv5检测模型与增强数据关联的DeepSORT跟踪模型相结合,搭建一个综合运动前景与运动行人的智能视频双重监测模型,通过该模型实现运动行人准确检测和跟踪。实验结果表明,本模型的MOTA、HOTA、IDFI指标分别取值为48.86%、53.35%和56.66%,均高于传统的DeepSort模型、GAN-RNN模型和ECA-BIFPN模型。且本模型的IDSW和参数量分别为204和9.2 M,明显低于另外三种模型。综合分析可知,本模型可实现运动行人的抗遮挡,基于监控视频的行人检测跟踪精度明显提高,可实现智能体育视频的双重监测。

关键词： 域自适应   目标检测   自训练   伪标签   一致性  

摘要： 作为一种重要手段,自训练方法极大提升了域自适应目标检测(DAOD)性能,其主要通过教师网络对目标域数据进行预测,然后选择高置信度的预测结果作为伪标签来指导学生网络训练。然而,由于源域与目标域存在显著的域差异,教师网络产生的伪标签质量不佳,进而影响学生网络训练,降低了模型性能。因此,提出一种面向DAOD的一致无偏教师(CUT)模型。首先,在教师网络设计自适应阈值生成(ATG)模块,该模块通过高斯混合模型(GMM)在训练过程为每张图像生成自适应阈值筛选伪标签,保证伪标签数量时序一致性,提高伪标签质量。其次,提出预测引导样本选择(PSS)策略,借助教师网络中区域建议网络的预测结果为学生网络选择样本,使选择的样本与真实结果具有一致性,降低质量不佳伪标签对学生网络的影响。此外,为了提升对小目标和数量较少困难类别目标的检测性能,设计混合域增强(MDA)模块,在训练过程中生成包含源域和类目标域随机信息的混合域图像对学生网络进行训练。将该模型在3个场景数据集进行实验,性能分别提升4.0%,5.8%和3.7%,验证了该算法的有效性。值得注意的是,该模型CUT首次利用自训练方法来解决可见光图像到红外图像的较大域差异问题。