关键词： 辅助诊断   消化内镜   医学影像   计算机视觉   智慧医疗  

摘要： 本项目打造了一款辅助肠镜检查的医学影像智慧诊断平台。该平台可检测、追踪和分割肠镜影像中的息肉等病灶,在通用目标检测模型基础上通过私有数据集训练,提升对国内患者早期扁平微小息肉的检测效果;通过关联匹配、ROI重检测与两个轻量级无外观算法,进一步解决缺失关联和缺失检测问题;通过改进的框Dice和对比潜在锚框分别规避了区域混淆和互补约束问题。

关键词： 骨折   诊断   人工智能  

摘要： 目的比较单阶段目标检测法YOLO-v5、YOLO-v7、YOLO-v83种模型对X线平片不同部位骨折线的诊断性能,选择对细小骨折线、复杂骨折线、多发骨折线精准检测的最佳模型。方法纳入6740幅骨折数字化X线平片影像,使用pycharm集成开发环境配置YOLO-v5、YOLO-v7、YOLO-v8目标检测模型,以端对端的方式输入影像并可视化诊断结果。使用准确率、精准率、召回率、F1值、平均精度、ROC曲线下面积等评价指标比较不同模型诊断骨折线的性能差异。由两名放射科医师使用/不使用3种诊断模型辅助,即8种诊断方式对测试集进行诊断,比较诊断时间、准确率,敏感度、特异度等差异,分析假阳性、假阴性结果的原因。结果3种模型中YOLO-v5在综合部位组中的骨折诊断准确率最高(78.11%),四肢长骨骨折组的准确率为82.47%,脊柱骨折组的准确率为83.34%,但对骨盆和手足部位骨折的检测效能较差,准确率分别为60.15%、65.12%。YOLO-v7模型对四肢长骨、骨盆、手足骨折检测的准确率最低(30.35%、30.11%、47.68%),但脊柱骨折诊断准确率最高(88.92%)。YOLO-v85组骨折检测准确率分别为76.20%、81.69%、82.36%、60.52%、55.65%,性能介于其他2个模型之间。对比有无模型辅助诊断,发现YOLO-v5、YOLO-v8模型均能提升诊断医师的工作速度及诊断准确性。结论3种模型辅助诊断效果有差异,选择适宜模型进行辅助诊断可提升医师的诊断效率和准确性。

关键词： 异源目标   YOLOv8   MobileNetV3   目标识别   NAM Attention  

摘要： 果园环境具有多样性且存在复杂的外界因素干扰,如光照条件、枝干遮挡、树叶重叠等,异源果实目标检测是一项极具挑战性的任务。针对这些问题,本文提出了一种基于YOLOv8的轻量化苹果异源目标检测模型(YoloMN)。在该模型的目标检测部分,引入了一个数据预处理模块,能够同时处理异源彩色图像和深度图像,通过图像特征的融合来增强特征表达能力;采用MobileNetV3对主干网络进行了改进,并在其后的头部输入部分加入了NAM attention模块,显著提升了模型的特征提取和表达能力,进一步强化了模型在复杂环境中的异源目标检测能力。本文提出的模型在保持原有目标检测精度提高的同时参数量减少60%和模型大小减小50%。在复杂环境下,本文模型展现出了较好的目标检测能力,在减少参数量的情况下,本文模型的目标检测能力依旧出色。

关键词： 光学遥感图像   YOLOv7   特征提取   特征融合  

摘要： 针对光学遥感图像目标检测中目标尺度差异大和背景复杂造成的检测困难问题,本文提出一种基于YOLOv7的光学遥感图像目标检测算法,该算法分别对特征提取和特征融合过程进行了优化。首先,引入CNN和Transformer相结合的特征提取模块以更好地捕捉图像的全局信息;然后,设计双向融合结构增强浅层特征与深层特征的融合效果。实验结果表明,该方法的mAP@0.5在NWPU VHR-10数据集和RSOD数据集上分别达到96.6%和97.6%,较YOLOv7算法提升了3.2%和4.2%,有效提高了遥感图像目标检测的精度。

关键词： 铁钻工   模板匹配   自适应分层   角度识别   鲁棒性   计算机视觉  

摘要： 提出了一种自适应精度的分层旋转模板匹配方法用于铁钻工旋转角度识别。该方法利用计算机视觉中的RGB色彩空间转换、颜色阈值掩膜、高斯模糊、Canny边缘检测等进行图像预处理。在具体实施过程中,改进的模板匹配方法结合了自适应和分层策略,能够根据识别精度自动设置匹配层数;通过逐层匹配,逐渐缩小匹配角度范围,直至完成迭代,显著提高了算法的识别效率和准确率。研究结果表明:经过多次试验测试,在拍摄距离为0.5 m和光照强度为400 lx的条件下,该方法表现最佳,并且识别角度误差保持在0.3°内,符合工程要求,具有较好的鲁棒性和抗噪性能;该方法识别速率始终保持在560 ms左右,相较于单层旋转模板,速率提高了10倍,有助于改善铁钻工的实时反应能力;所研究方法进行铁钻工旋转角度识别的最大误差仅为5.47%,满足实际铁钻工角度识别精度要求。所得结论可为提升钻杆连接安全性和钻井作业自动化提供有效技术方案。

关键词： 深度学习   轻量化改进   车辆检测   车辆跟踪  

摘要： 针对当前车辆检测模型在低性能边缘设备上部署困难及跟踪过程中存在的遮挡、身份变换和丢失问题,提出了一种轻量级车辆检测与跟踪方法UTA-YOLO-DeepSort。首先建立车辆检测模型的轻量化,通过设计C2f_UIB模块减少参数量计算量,构建车辆检测模型UTA-YOLO;为增强目标检测特征提取能力,在特征融合部分引入轻量型注意力机制Triplet Attention;建立目标跟踪算法,利用匈牙利算法对预测框与检测框进行匹配,在二次匹配过程中引入距离交并比DIOU,构建车辆检测跟踪方法UTA-YOLO-DeepSort。实验结果表明,UTA-YOLO模型的m AP提高了1.1%,参数量、模型容量和计算量分别减少24.2%、32.3%和20.7%;UTA-YOLO-DeepSort在MOTA上提高了3.5%,MOTP提高了0.9%,IDs减少了53次。该算法在精度和实时性方面均表现良好。

关键词： 碰撞事故   YOLOv8   车辆碰撞预警   目标检测   碰撞预警区域   防御性驾驶  

摘要： 针对交通道路上车辆碰撞事故,提出一种基于改进YOLOv8的车辆碰撞预警方法。首先,采用改进的YOLOv8目标检测算法实现对前方车辆的实时检测与跟踪;其次,基于两侧车道线与前方预警线建立更为精确的碰撞预警区域,并根据车辆速度的变化实时计算与更新该区域;最后,结合实际驾驶场景,提出一种遵循防御性驾驶原则的碰撞预警策略,该策略根据车辆与预警区域的相对位置及其运动趋势,分别发出黄色、蓝色、红色三级预警信号。实验结果表明,改进的YOLOv8算法在自建数据集上的平均精度均值(mAP)和帧率分别达到了89.3%和92 f/s,相较于其他主流目标检测算法,其综合性能显著提升。在实际道路条件下的测试中,所提出的碰撞预警系统的平均预警率为96.05%,漏警率和误警率为3.95%和3.53%。该模型的预警结果实用性更强,有助于提升道路交通安全。

关键词： 台区故障   热成像   主动抓拍   视觉识别   图像处理   台区智能融合终端   物联网云主站  

摘要： 随着用户负荷的增长,配电网规模迅速扩大,供电可靠性要求也不断提高,这使得配电网故障诊断和定位愈发重要。传统配电网故障排查方法主要依靠人力,存在效率低、成本高、实时性差的问题。而随着光学图像处理和人工智能计算的快速发展,视觉识别在电力行业故障检测中的应用变得切实可行。文中介绍了一种基于视觉识别的配电台架故障监测系统。该系统能够有效监测和定位配电台架运行故障,在配电云主站实现主动告警并展示抓拍图片,将被动抢修转变为主动抢修,从而缩短用户停电时间,提高供电可靠性,还能节约运维人工成本。该监测系统已在湖北荆州示范区成功部署并投入使用,投运后取得了预期效果。

关键词： 目标检测   交通标志检测   多尺度特征融合   RT-DETR  

摘要： 交通标志智能实时检测作为智慧交通系统的核心支撑技术,在无人驾驶决策系统与高精度动态地图构建中具有不可替代的战略价值.面对复杂多变的道路场景实时检测需求,尤其是现有DETR模型在复杂场景和小目标检测中的不足,本文提出了一种目标检测模型,针对强光照、雨雪天气等恶劣条件下交通标志特征易退化的问题,进一步提出了OmniFocus-RT-DETR模型.该模型引入动态范围直方图自注意力机制(DHSA),通过动态范围自注意力机制,能够对天气退化引起的像素模式进行自适应处理,并结合动态范围卷积,有效缓解了光照剧烈波动带来的特征失真问题.同时,引入空间到深度的特征重组卷积(SPDConv)和CSP-OmniKernel模块,结合空间域与频域的联合学习方法,显著增强了复杂环境下模型的鲁棒性.实验结果表明,OmniFocus-RT-DETR模型在自制的复杂环境交通标志检测数据集TT100K_(aug)和CCSTDB_(aug)中,相较于基准模型RT-DETR,mAP@50分别提高了8.9%和7.7%,小目标的检测精度也分别提升了9.1%和4%,在精度、鲁棒性和实时性上都优于当前主流方法.实验结果表明该改进方法能有效提高复杂环境下的交通标志目标检测精度.

关键词： 目标检测   图像增强   深度学习   联合优化   自监督  

摘要： 目标检测技术旨在从图像或视频中对特定类别目标进行定位和识别。然而,在低照度场景中面临对比度低、边界模糊、噪声干扰等问题,导致检测算法性能下降。为此,提出了一种基于颜色通道变换增强的目标检测(Color Channel Transformation Enhancement-based Object Detection,C2TEOD)算法。首先,构建了颜色通道变换模块,引入可学习参数对不同颜色通道进行变换,提升增强策略灵活性。然后,通过一个图像增强模块对图像进行预处理,并采用检测损失联合优化增强模块与检测网络,使增强网络能够朝着有利于检测任务的方向优化。此外,提出了选择性自监督回归损失,利用原始低照度图像和增强图像输入检测网络并对其进行优化,再根据它们的检测结果对增强模块进行自监督回归优化,进一步提升检测效果。实验结果显示,该算法相比基线方法在Exdark、M3FD、LLVIP数据集上的平均精度均值(mean Average Precision,mAP)分别提升2.2%、1.1%和0.2%。