基于“8S”管理理念的“1+X”老年照护实训教学管理改革研究

“8S”管理理念对于构建“1+X”老年照护实训教学管理模式的适切性,有助于营造良好实训环境、防止教学资源浪费、解决人员不足问题以及保证实训过程安全。按照“8S”管理理念要求,从整理、整顿、清扫、清洁、素养、安全、节约、学习对“1+X”老年照护实训教学管理进行改革,形成了“8S”管理理念下的“1+X”老年照护实训教学管理模式。实践证明,该模式能够有效改善实训室环境、有效提高学生职业素养、有效节省实训物资耗材、有效拓展学生就业范围。

基于轻量化YOLO v8s-GD的自然环境下百香果快速检测模型

为了提高百香果检测精度,并将深度学习模型部署在移动平台上,实现快速实时推理,本文提出一种基于改进YOLO v8s的轻量化百香果检测模型(YOLO v8s-GD)。使用聚集和分发机制(GD)替换颈部特征融合网络,提高模型对百香果图像特征信息跨层融合能力和模型泛化能力;通过基于层自适应幅度的剪枝(LAMP)修剪模型,损失一定精度换取减小模型体积,减少模型参数量,以实现在嵌入式设备上快速检测;运用知识蒸馏学习策略弥补因剪枝而损失的检测精度,提高模型检测性能。实验结果表明,对于自然环境下采集的百香果数据集,改进后模型参数量和内存占用量相比原YOLO v8s基线模型分别降低63.88%和62.10%,精确率(Precision)和平均精度(AP)相较于原模型分别提高0.9、2.3个百分点,优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78、19.38 f/s,为原模型的1.93、1.24倍。因此,本文提出的改进后模型能够有效检测复杂环境下百香果目标,为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。

基于改进YOLOv8s算法的胸环靶弹孔检测技术

为了解决传统胸环靶弹孔检测技术在自然条件下易受光照强度、复杂背景影响的问题,设计了一种基于YOLOv8s的改进算法。首先,在数据集的制作过程中引入图形分割将背景与胸环靶分离,避免了复杂环境对弹孔识别精度的影响。其次,为提升模型对弹孔的检测能力,在C2f中引入CBAM注意力机制,通过对空间和通道特征赋予不同的权值提高网络对弹孔目标的识别能力;增加检测尺度为160×160的小目标输出层,减少了弹孔特征在下采样过程中的信息损失并降低弹孔漏检的概率;考虑到原有卷积层对小目标不敏感,采用SPD-Conv模块替换原有卷积层,提取更多的特征信息提升检测精度。最后,将边界框损失函数更改为WIoU以减弱正负样本数量不均衡的影响,提高了预测框的回归精度。在自制胸环靶数据集的实验结果表明:改进算法的准确率P为96.9%、召回率R为96.4%、平均精度mAP50为98.0%,相较于原算法,分别提升8.8百分点、25.4百分点、15.3百分点。实验结果证明改进的YOLOv8s模型在复杂环境和密集弹孔的检测方面具有更好的性能。

基于改进YOLOv8s的铁路车站信号平面布置图信息提取方法

针对车站信号平面布置图在2次利用过程中,无法将不同设备图元转化为通用数据的问题,提出基于改进YOLOv8s的信息提取方法。首先,将空间和通道重建卷积(SCConv)与颈部网络中的C2f单元相结合,以降低特征图的冗余度,减少空间和通道维度上的重复信息,实现检测模型的轻量化;其次,在传统YOLOv8s模型的主干和颈部网络中引入高效多尺度注意力模块(EMA),以增强模型对图内设备周边上下文信息的获取能力;最后,将模型中的标准卷积层替换为具有更大感受野的注意力卷积(RFAConv),以解决卷积核参数共享所导致的特征提取限制。结果表明:所提方法的平均精度均值可达92.5%,相较于YOLOv8s算法提升6.6%;综合评价指标值达到91.7,且模型权重参数减少16%,优于大多数常规模型。该方法不仅能够高效地从图纸中提取信号设备的布局信息,还为自动生成联锁数据配置文件和提高联锁软件搭建效率提供了有效的技术手段。

基于改进YOLOv8s的无人机航拍目标检测算法

针对无人机航拍图像存在目标小、目标遮挡等问题,提出一种改进YOLOv8s的目标检测算法YOLO-RC。在骨干网络结构中引入感受野空间注意力(RFA),避免卷积核参数共享,以提高模型的图像特征提取性能。改进C2f模块,引入深度分离卷积,减少模型的计算量。新增混合注意力卷积的小目标检测层,以改善对小目标检测精度。为充分考虑预测图像几何特征,使用MPDIoU损失函数优化网络。在无人机图像数据集VisDrone2019上的实验表明,所提改进算法的mAP@0.5为44.7%,较YOLOv8s提升了5.4个百分点,在新增小目标检测层的情况下,参数量降低了1.81×106。在DOTAv1.0数据集上,mAP@0.5提高了5.6个百分点。改进后的算法具有更强的鲁棒性,适用于无人机视角目标检测任务。

“8S”管理法在新农科背景下畜牧兽医类实验室管理中的应用

知农爱农新型人才培养是新农科建设对涉农高校提出的新要求。实验室是夯实学生为农本领、树立学生安全意识、提升实践能力和创新精神的主阵地。文章对标新农科人才培养新要求,以河南牧业经济学院畜牧兽医类实验室为例,引入“8S”管理理念,从实验室资源重组、安全体系构建、安全文化建设和实验教学课程思政等方面开展实践研究,形成了融“规范管理+文化建设+课程思政”于一体的实验室管理体系,推进了畜牧兽医类实验室管理的制度化、规范化、安全化和育人化,为新农科人才培养奠定了坚实基础。

8S管理模式联合SWOT分析法在消毒供应中心外来医疗器械管理中的应用

目的:探讨8S管理模式联合SWOT分析法在消毒供应中心外来医疗器械管理中的应用效果。方法:选取2022年8月1日~2023年5月31日消毒供应中心接收的428件外来医疗器械作为研究对象,随机分为对照组和研究组各214件,对照组实施常规规范管理,研究组实施8S管理模式联合SWOT分析法;比较两组器械清洗合格率,器械消毒、包装、灭菌合格率,器械不良事件发生率,器械消毒灭菌满意度。结果:研究组器械清洗、消毒、包装、灭菌合格率及消毒灭菌满意度高于对照组(P<0.05),器械不良事件发生率低于对照组(P<0.05)。结论:8S管理模式联合SWOT分析法可提高消毒供应中心外来医疗器械管理效率,降低不良事件发生率,提升外来医疗器械管理服务质量。

基于改进YOLOv8s的大田甘蓝移栽状态检测算法

[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像,利用数据增强方式对数据进行处理,输入YOLOv8s(You Only Look Once Version 8s)算法中进行识别,通过结合可变形卷积,提高算法特征提取和目标定位能力,捕获更多有用的目标信息,提高对目标的识别效果;通过嵌入多尺度注意力机制,降低背景因素干扰,增加算法对目标区域的关注,提高模型对不同尺寸的甘蓝的检测能力,降低漏检率;通过引入Focal-EIoU Loss(Focal Extended Intersection over Union Loss),优化算法定位精度,提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试,对甘蓝移栽状态的召回率R值和平均精度均值(Mean Average Precision,mAP)分别达到92.2%和96.2%,传输速率为146帧/s,可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。[结论]提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别,可以提升移栽质量测量效率,减少时间和人力投入,提高大田移栽质量调查的自动化程度。

基于改进YOLO v8s的羊只行为识别方法

羊只站立、行走、采食等日常行为与其健康状况密切相关,高效、准确的羊只行为识别有助于疾病检测,对实现羊只健康预警具有重要意义。针对目前羊只多行为识别检测大多基于传感器等接触式设备,羊只活动受限,行为具有局限性,且群体养殖环境下,羊只行为多样、场景复杂、存在遮挡等造成的行为识别精度低等问题,提出了一种基于改进YOLO v8s的羊只行为识别方法。首先,引入SPPCSPC空间金字塔结构增强了模型的特征提取能力,提升了模型的检测精度。其次,新增P2小目标检测层,增强了模型对小目标的识别和定位能力。最后,引入多尺度轻量化模块PConv和EMSConv,在保证模型识别效果的同时,降低了模型参数量和计算量,实现了模型轻量化。实验结果表明,改进YOLO v8s模型对羊只站立、行走、采食、饮水、趴卧行为平均识别精度分别为84.62%、92.58%、87.54%、98.13%和87.18%,整体平均识别精度为90.01%。与Faster R-CNN、YOLO v5s、YOLO v7、YOLO v8s模型相比,平均识别精度分别提高12.03、3.95、1.46、2.19个百分点。研究成果可为羊只健康管理和疾病预警提供技术支撑。

面向无人机视角下小目标检测的YOLOv8s改进模型

从无人机视角进行目标检测,面临图像目标小、分布密集、类别不均衡等难点,且由于无人机的硬件条件限制了模型的规模,导致模型的准确率偏低。提出一种融合多种注意力机制的YOLOv8s改进模型,在骨干网络中引入感受野注意力卷积和CBAM(concentration-based attention module)注意力机制改进卷积模块,解决注意力权重参数在感受野特征中共享问题的同时,在通道和空间维度加上注意力权重,增强特征提取能力;通过引入大型可分离卷积注意力思想,改造空间金字塔池化层,增加不同层级特征间的信息交融;优化颈部结构,增加具有丰富小目标语义信息的特征层;使用inner-IoU损失函数的思想改进MPDIoU(minimum point distance based IoU)函数,以innerMPDIoU代替原损失函数,提升对困难样本的学习能力。实验结果表明,改进后的YOLOv8s模型在VisDrone数据集上mAP、P、R分别提升了16.1%、9.3%、14.9%,性能超过YOLOv8m,可以有效应用于无人机平台上的目标检测任务。

基于轻量化YOLOv8s交通标志的检测

为了提高交通标志检测的实时性和可行性,提出了一种基于YOLOv8s的轻量化交通标志检测模型。首先,用FasterNet中的残差模块FasterNetBlock替换C2f模块中的BottleNeck,降低模型参数量和计算量;其次,用一种小目标检测层去替换大目标检测层,降低Backbone中网络层数,实现大幅度提高检测速度和降低参数量;最后,用Wise-IOU替换原CIOU损失函数,提高速度和精度。在TT100K交通标志数据集上验证,其与YOLOv8s模型比较,mAP50提高了5.16%,参数量降低了76.48%,计算量降低了13.33%,FPS快了35.83%。与其他模型相比,mAP50平均提高了15.11%,参数量平均降低了85.74%,计算量平均下降了46.23%,FPS平均提高了31.49%。该模型具有检测精度高、参数量少、计算量低、速度快等优点,较原算法有很大地提升,且与其他先进的交通标志检测模型比较时表现出了很强的竞争力,在交通标志检测中具有较大优势。

基于改进YOLOv8s的鼓形滚子表面缺陷检测算法

为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution,PConv)和高效多尺度注意力(Efficient Multi-scale Attention,EMA)机制构建全新的F_C_(2)f_EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module,SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism,GAM)通过全局上下文的关联建模,充分获取小目标的上下文信息;使用GSConv和Effective Squeeze-Excitation(EffectiveSE)设计全新的G_E_C_(2)f,进一步降低参数量,降低模型的误检率和漏检率;使用WIoU损失函数解决目标不均衡和尺度差异的问题,加快模型收敛的同时提高了回归的精度。实验结果表明,该算法在VisDrone2019数据集上的精确度(Precision)、召回率(Recall)和平均精度(mean Average Precision,mAP)为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。在WiderPerson和SSDD数据集上进行模型泛化性实验验证,效果优于其他经典算法。

基于YOLOv8s模型改进的道路交通目标检测方法研究

红外图像目标检测在交通领域中有很重要的应用价值,然而,由于红外图像存在分辨率低、缺乏颜色信息、对比度差、特征模糊的特点,导致现有模型在检测红外车辆与行人时精度不高。为此,文中对YOLOv8s进行了改进,首先对特征融合机制进行改进,在网络中添加小目标检测层,充分利用目标的浅层特征信息,提高对小目标检测的准确性。其次引入了SPD(Space to Depth)细粒化模块来代替YOLOv8s中的3×3卷积进行下采样,避免了3×3卷积下采样导致红外图像细粒度信息丢失。并且还设计了一个新的混合注意力机制,使网络更好地聚焦感兴趣的区域,减少背景对行人和车辆检测的干扰,增强模型对目标特征的关注度。最后使用Focal EIOU损失函数代替CIOU损失函数,改善了CIOU在特殊情况失效和正负样本不平衡的问题。在交通场景红外图像数据集FLIR_ADAS_v2上进了行实验,验证了算法的有效性。与YOLOv8s相比,改进后的模型mAP@0.5从83.4%提升到了89.3%。

基于改进YOLOv8s的多尺度检测算法

针对绝缘子小目标特征信息不足导致的检测精度低、模型体积大不利于硬件移植等问题,提出一种多尺度检测算法MPH-YOLO。MPH-YOLO首先通过扩充小目标检测尺度,提高小目标感知能力;其次使用SIoU损失函数代替YOLOv8s中的CIoU损失函数作为边框损失函数,增强对目标的定位精度;最后引入更低成本的Ghost卷积代替网络结构中的传统卷积,轻量化模型的体积。改进后的算法在绝缘子数据集上的检测精度和模型轻量化均有提升,检测精度mAP50-95为86.2%,模型体积仅有4.7 MB。实验结果表明,MPH-YOLO不仅能够有效改善小目标检测,而且更加轻量化有利于硬件移植,具有较高的实用价值。

基于改进YOLOv8s的果实与叶片器官分割方法

为解决多器官特征识别存在的多器官数据集难以获取以及待处理数据集存在的密集小目标和多尺度目标等问题,该研究提出了一种基于改进YOLOv8s的果实与叶片器官分割方法。该方法以YOLOv8s为基础,在Backbone部分设计了跨阶段局部残差(residual CSPLayer 2Conv,RC2)模块,以拓宽每个网络层的感受野,使网络能充分提取密集的小目标特征。在Neck部分设计了尺度空间金字塔池化(scale spatial pyramid pooling,SSPP)模块,以充分融合网络的高阶多尺度特征信息,增强模型对多尺度目标的检测能力。在Head部分设计了非对称解耦检测头(asymmetric decoupling detection head,ADDH)模块,使模型分类更关注于中心内容,而回归更关注于边缘信息。试验结果表明,在PlantCLEF2022公共数据集中选取的17种果树的数据集中,改进的YOLOv8s模型对果树果实和叶片器官识别的平均精度均值为90.2%,比YOLOv8s模型高6.7个百分点。此外,该研究还将该模型应用到自建的枣数据集上,达到了99.1%的识别准确率,较原模型提升6.6个百分点,证明了所提出方法的通用性,可为常见果树的器官分割与基于多器官特征的细粒度品种分类研究提供参考。

基于改进YOLOv8s模型的电动车骑乘人员头盔佩戴检测

针对电动车头盔检测模型易受天气、视角等因素影响,存在漏检、误检、精度低和实时检测效率差等问题,基于原始YOLO第8小版(you only look once version 8 small, YOLOv8s)模型进行改进,提出改进YOLOv8s模型。主干特征提取网络选用轻量级的香草网络(vanilla network, VanillaNet)模块,颈部网络采用轻量级的上采样算子内容感知特征重组(content-aware reassembly of features, CARAFE)模块,增加160像素×160像素的极小目标检测层(tiny object detection layer, tiny)模块并修改损失函数为多尺度预测距离交并比(multi-scale prediction distance intersection over union, MPDIoU)。为验证优化模块的有效性,采用消融实验并对比模型改进前后的差异。结果表明,改进YOLOv8s模型平均精确率均值达95.6%,检测速度提升至102帧/s,检测精度有明显提升且延时有所降低。改进YOLOv8s模型能够在实际场景中有效检测电动车骑乘人员的头盔佩戴情况,对于减少人身伤害、提升道路安全和优化智能交通系统具有重要作用。

基于改进YOLOv8s的恶劣天气车辆行人检测方法

针对恶劣天气条件下摄像头捕获图像时存在图像模糊以及光照分布不均等问题,导致了场景对比度的下降,进而增加了在图像中区分检测目标与背景的难度。为了提高在恶劣天气环境下车辆和行人的检测能力,本文提出了一种改进的YOLOv8s算法。首先,本文在YOLOv8s算法的基础上,利用可扩张残差结构对主干网络中的C2F模块进行了优化,增强了模型对环境变化的适应能力。同时,在主干网络的SPPF模块前置层引入了高效多尺度注意力机制,该机制能够更有效地捕获图像中丰富多变的多尺度特征。其次,针对YOLOv8s算法的检测头部进行了重新设计,在保持模型准确性的前提下,降低了模型的复杂度。最后,引入Wise-IoU改进YOLOv8s算法的回归损失函数,提高了算法的收敛速度和检测精度。实验结果表明,改进的YOLOv8s算法在恶劣天气条件下对车辆和行人检测的平均精度均值达到91.41%,相比原始算法提升了2.56%,同时模型参数量减少了8%,计算量降低了4.9 GFLOPs。相比于其他主流的目标检测算法,改进后的YOLOv8s算法在保证了实时性能的同时,满足了恶劣天气条件下的车辆和行人检测需求。

基于改进YOLOv8s的玫瑰鲜切花分级方法

[目的/意义]针对当前玫瑰鲜切花分级仍依赖人工进行简单分级,造成效率低、准确率低等问题,提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。[方法]以单一背景下单支玫瑰花的花头作为检测目标,将鲜切花分为A、B、C、D四个等级,对YOLOv8s(You Only Look Once version 8 small)模型进行了优化改进。首先,构建了一个全新的玫瑰鲜切花分级检测数据集。其次,在YOLOv8s的骨干网络分别添加CBAM(Con⁃volutional Block Attention Module)和SAM(Spatial Attion Module)两个注意力机制模块进行对比实验;选择SAM模块并对其进一步优化,针对模型轻量化需求,再结合深度可分离卷积模块一起添加到C2f结构中,形成Flower-YOLOv8s模型。[结果和讨论]从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度,mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%,达到97.4%,平均精度均值(mAP)提高了0.7%,同时降低了模型参数和计算量,分别降低2.26 M和4.45 MB;最后使用相同的数据集和预处理方法与Fast-RCNN、Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验,证明所提出的实验方法综合强于其他经典YOLO模型。[结论]提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准度,为玫瑰鲜切花分级检测技术提供一定的参考价值。

基于改进YOLOv8s的目标检测与抓取

以提升机器人对未知物体的抓取能力为研究对象,研究基于改进YOLOv8s的目标检测与抓取。首先,搭建了智能抓取系统硬件平台,并完成了机器人手眼标定;其次,为了提升YOLOv8s的检测精度,对其主干网络引入CA(coordinate attention)注意力机制;再次,分析对比了主流轻量化目标检测算法,结果表明改进后的YOLOv8s具有更优的检测性能,且较原先模型mAP(mean average precision)提升了2.3%,模型大小仅增加了0.1 MB。结合目标检测的结果、相机获取的深度值以及GR-CNN(generative residual convolutional neural network)物体抓取位姿,成功完成了对零件的抓取分类。最后,为了实现实时监控和数据分析,开发了基于PyQt5的上位机。