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： 目标检测   宫川温州蜜柑   Yolo模型  

摘要： 本研究提出基于自然状态下单侧完整树冠柑橘果实的图像制作数据集,建立Yolo检测模型,为柑橘果实的识别、定位提供理论和实践依据。柑橘进入果实转色期后,利用相机于宫川温州蜜柑果园随机采集单侧树冠的树体照片,单侧树冠的全部果实为一张图片,共采集800张图像,通过Mosaic数据增强手段扩增至2 000张。使用Yolov5、Yolov7和Yolov8建立柑橘果实的目标检测模型。不同Yolo模型的训练损失值(loss)均在前15轮快速下降,之后Yolov5和Yolov7的loss值下降快速收敛,Yolov8的loss值则呈缓慢降低的趋势。Yolov5和Yolov8的平均精确度(mAP)分别在训练49和29轮次达到最优值,分别为91.9%和92.5%。Yolov7的mAP呈波动式增长至300轮次达到最大,为91.2%。在未标注的树冠组和结果枝组的实例图上分别进行模型预测性能评估,Yolov7模型的综合预测表现最优。利用自然状态下柑橘树冠图像建立的果实目标检测模型,具备良好的识别能力,本研究为目标检测技术在复杂环境下果实的实时检测提供重要参考。

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。

关键词： 隐私保护   神经网络   计算机视觉   离散小波变换   人体姿态估计  

摘要： 近年来随着基于神经网络深度学习的二维人体姿态估计技术迅速发展,同时也带来了隐私风险。在服务器端进行推理时,未经授权的第三方可能会窃取并滥用用户的性别、面部特征等敏感信息。针对这一挑战,提出了一种基于人类视觉认知与神经网络模型差异的保护策略。在对输入图像进行离散小波变换后,训练与推断阶段选取高频分量,从而有效隐藏可识别的视觉细节。实验表明,方法在保证高精度和高召回率的同时,显著增强了对视觉信息的保护,实现了更优的性能和隐私平衡。

关键词： 图书馆文献   纸张表面缺陷   目标检测   Faster R-CNN网络  

摘要： 为提高图书馆文献纸张表面缺陷检测精度,提出一种基于改进Faster R-CNN网络的图书馆文献纸张表面缺陷检测方法。首先,在Faster R-CNN网络基础上,改进骨干网络、损失函数,并进行网络剪枝,提出改进Faster R-CNN网络;其次,利用改进Faster R-CNN网络,对图书馆文献纸张表面缺陷进行检测,并在仿真平台上进行验证。结果表明,本方法可实现图书馆文献纸张表面裂纹、脏点、孔洞、褶皱缺陷检测,平均准确率、精确率、召回率分别为96.99%、97.61%、96.29%。由此得出,本方法可实现不同类型的图书馆文献纸张表面缺陷检测,且具有优异的图书馆文献纸张表面缺陷检测性能,提高了图书馆文献纸张表面缺陷检测精度。

关键词： 深度学习   目标检测   预选抛废   YOLOv8算法   智能选矿  

摘要： 基于X射线透射技术的智能矿石识别算法已在工业生产中实现应用,但由于矿石与废石的物理性质接近,导致X射线透射图像的灰度差异小,且对比度不明显,从而增加了识别的难度。现有算法在精度和速度上仍存在瓶颈需要进一步优化模型性能。为此本研究基于YOLOv8单阶段深度学习算法,提出一种专门针对白钨原矿灰度图像的识别算法YOLOv8-Miner,旨在提高矿石自动化识别的精度和速度。通过对白钨原矿灰度图像数据集的训练和验证,优化了YOLOv8算法的识别性能以满足矿石分选系统对实时性和准确性的双重要求。结果表明:采用图像数据增强、新型损失函数、注意力机制、超参数自动化和轻量化卷积五项技术后,YOLOv8算法在矿石与废石的分类任务中实现了精确且快速的识别,显著降低了计算成本。针对矿石类别的平均精度值(PAP)从0.928增大到0.969,精度值和召回率的调和平均值(F1)从0.85增大到0.87,单张图像纯推理时间仅需2.78 ms,算法参数总量仅为8.33×10^(6)。此外本研究还改进了可视化软件以直观展示优化算法在矿石识别中的应用效果,优化后的图像识别算法为白钨矿智能选矿提供了新的技术方案。

关键词： 废钢   分类   深度学习   目标检测   YOLOv5  

摘要： 废钢作为一种可循环利用的绿色资源,是钢铁工业重要低碳属性原料,对促进钢铁行业可持续发展发挥着关键作用。废钢的品级关系到生产成本及质量,其精准分类和评级对废钢回收至关重要。现有废钢分类的研究普遍存在小目标废钢检测效果不佳及背景干扰等问题,影响废钢分类的精准度。为此,提出一种基于YOLOv5改进的密集小目标废钢识别算法YOLO-SNBP。首先,通过增加小目标检测层以提升模型在验收场景下密集小目标废钢的识别效果;其次,引入BiFormer注意力机制来加强模型在复杂背景中对小目标特征的提取能力;最后,采用Soft-NMS(Soft Non-Maximum Suppression)算法替代传统NMS(Non-Maximum Suppression)以减少因重叠导致废钢漏检问题。在自建废钢数据集上对YOLO-SNBP模型进行训练和验证,并不同检测算法进行对比分析。试验结果表明,相比基础模型,YOLO-SNBP模型P(Precision)、R(Recall)和P_(mA)(mean Average Precision)值分别提高2.8%、7.2%和7.4%,与前人算法相比P_(mA)值分别提升29.0%、18.2%和18.8%,在废钢料型精准识别中展现出显著优势,为验收时的高效评级提供了有效支撑。

关键词： 桡骨骨折   X线透视检查   图像处理   计算机辅助   下尺桡关节  

摘要： 目的评估桡骨远端骨折术中腕背伸切线位透视法(ETV)对桡骨乙状切迹(RSN)和下尺桡关节(DRUJ)复位情况的价值。方法回顾性分析2023年3月至2024年1月南京医科大学第一附属医院骨科接受掌侧锁定钢板手术治疗的25例桡骨远端骨折患者的资料。男9例, 女16例;年龄57.0(49.0, 61.0)岁。所有患者均接受术中ETV透视和术后CT平扫, 以评估RSN和DRUJ的复位质量;在术中ETV和术后CT轴位片上测量螺钉至RSN的最小距离, 计算两种方法测量值间的差值, 通过Pearson相关分析和绘制Bland-Altman图, 评估两种测量方式的相关性及一致性;末次随访时采用Gartland-Werley评分评估腕关节功能。结果所有患者术后获15.0(12.0,19.0)个月随访。所有患者术后CT均未发现螺钉穿透DRUJ。共有18例关节内骨折患者, 其中15例存在RSN和DRUJ损伤。术中ETV与术后CT平扫在RSN和DRUJ复位质量评估结果上完全一致:优11例, 良2例, 差2例。ETV显示螺钉至RSN的最小距离为(6.37±2.79)mm, 而术后CT的测量结果为(4.22±2.06)mm, 两者的差值为(2.15±1.24)mm;Pearson相关系数为0.913, 两种测量方法具有强相关性(95%CI: 1.63~2.66, P<0.05)。Bland-Altman图中散点数据基本落入一致性区间内, 表明一致性良好。末次随访时所有患者Gartland-Werley评分为1.0(1.0,3.0)分;优15例, 良10例。结论 ETV透视在评估RSN和DRUJ复位质量和尺侧螺钉侵犯DRUJ的能力方面与CT平扫相近, 具有较好的应用前景。