基于深度估计及改进YOLO X的钢筋间距检测

施工初期对钢筋的规范绑扎是安全施工的基础,其中钢筋的间距是衡量绑扎效果的一大指标,为了防止绑扎后的钢筋间距不满足要求规范而引发的相应安全事故,提出一种基于深度估计模型AdaBins及改进YOLOX的钢筋间距检测方法。利用深度估计算法获得深度图,从多层的钢筋架构中分割中最上层钢筋,再利用目标检测算法对钢筋进行检测并判断其间距是否满足要求。针对钢筋的特点对目标检测算法进行改进,使用注意力模块并改进多尺度结构,只保留感受野最大的两个检测头。实验结果表明,在对钢筋检测任务中,改进模型均值平均精度高达85.35%,高于其他目标检测算法,满足钢筋间距检测的准确性要求。

医用X线图像输入分辨率对转子间骨折识别YOLO网络效果的影响

目的以股骨转子间骨折数据集为研究对象,探究医用X线图像输入分辨率的改变对YOLO系列目标检测网络识别效果的影响。方法收集陆军特色医学中心2017-2022年间患转子间骨折患者的X线正位数据,按排除标准排除后共保留426例患者,847幅图像。结合2018版Arbeitsgemeinschaft für Osteosynthesefragen/Orthopaedic Trauma Association(AO/OTA)分型指南和临床实际发病率,将转子间骨折重新整理划分为A1.2、A1.3、A2.2、A2.3、A3等5个亚组,并按8∶1∶1的比例划分为训练集(678幅)、验证集(84幅)和测试集(85幅),每次试验中保持严格一致。将YOLOX-Swin-Transformer、YOLOX、YOLOv5、YOLOv4目标识别网络图像输入大小分别设置为8种常用的分辨率,使用从头训练和迁移学习方法分别训练转子间骨折数据集,记录训练耗时,利用测试集进行模型测试并记录评价指标。采用SPSS20.0统计软件回归分析对训练耗时和均值平均精度(mean average precision,mAP)做曲线拟合,利用频数统计功能对各输入分辨率下评价指标评级为优的频数进行统计,以此判断最优区间。结果图像输入分辨率与各网络训练耗时呈正相关,所有P<0.05,线性回归分析有统计学意义。图像输入分辨率与网络mAP均值二次曲线拟合R^(2)=0.834,P=0.011,说明曲线拟合优度较好,回归分析有统计学意义。当图像输入分辨率在480×480、576×576、640×640范围内时,数据评级为优出现的频率最高(占42.86%)。结论训练耗时随分辨率的增加而增加。在不改变网络结构的前提下采用YOLO系列网络做医学图像识别的下游任务时,要取得最佳的识别效果,图像输入分辨率应控制在480×480、576×576、640×640范围之内。

基于YOLO-MCA的X光图像检测算法

YOLO算法直接用于X光图像检测时存在提取特征不明显问题,特别是违禁物与安全物存在折叠交叉时,容易导致漏检、多检现象。为此本文提出一种YOLO-MCA算法,该算法在YOLOv5基础上,增加了一个多卷积融合坐标注意力机制分支模块,该模块通过多支路连通的方式增大感受野,注重位置信息提取,增强提取有效特征能力,可改善物体折叠交叉导致的漏检、多检问题。在PIDray_OD数据集上的实验结果表明,所提出的YOLO-MCA算法的mAP@0.5∶0.95达到72.9%,比原模型算法的精度更高;FPS达到87,满足实时检测需求。

基于目标检测的手腕部X线片参照骨提取算法

在预测成年身高和诊断生长障碍时,骨龄是重要判断指标之一。参照骨的准确提取是保证骨龄评估准确性的关键。然而,现有的方法会导致部分参照骨的漏判和误判,从而降低14个参照骨的平均提取精度。基于优化的YOLO算法,结合可变卷积、坐标注意力、特征层扩展以及EIOU损失,提出了一种手腕部X光片参照骨提取方法,IM-YOLO。该方法可以更好地提取不规则参照骨的特征信息,提高小关节间隙区域的检测能力,将参与CHN法骨龄评估的14个参照骨准确地提取出来。实验结果表明,IM-YOLO算法检测速度快,精度高,所有参照骨的检测精度都达到99%以上,FPS指数为16。

基于YOLO的违禁品检测深度卷积网络

为自动识别X光图像中的违禁品,在YOLOv3深度卷积神经网络的基础上,文章针对多数违禁品对象尺寸较小,经常折叠交叉的特点,对YOLO网络的部分结构和机制进行了改进,构建了违禁品检测深度卷积神经网络探码器,用于对从安检系统获得的X光图像进行违禁品检测。实验结果表明,所提方法除了响应时间比YOLOv3稍长之外,在检测识别密集分布物体、小尺度目标及识别精度方面,均明显优于后者。

基于机器视觉和机器学习技术的浙贝母外观品质等级区分

为区分浙贝母外观品质等级,本研究利用数字电子眼系统及图像标注工具构建浙贝母数据集,选择若干统计学习算法和目标检测算法在该数据集上进行训练与测试。结果表明:目标检测算法YOLO(you only look once)系列YOLO-X所得模型的效果最佳。为优化YOLO-X,根据浙贝母数据集的特点,针对性地向YOLO-X的主干特征提取网络末端嵌入空洞卷积结构,以加强模型对尺度特征的敏感度。改进后模型(空洞率为4)的平均精确率均值为99.01%,对于特级、一级、二级、虫蛀、霉变、破碎浙贝母的平均精确率分别为99.97%、98.33%、98.47%、98.71%、99.73%、98.85%,精确率和召回率的加权调和平均数(F1)分别为0.99、0.92、0.94、0.97、0.99、0.97。本研究在不增加参数量、计算量或者对算法进行大规模改动的情况下,改善了模型的检测效果,为后续浙贝母检测平台的搭建提供了科学依据。

基于深度学习的铸件缺陷检测方法

针对铸件X射线图像获取困难、人工及传统识片方法效率低且漏判率高的问题,文中提出了一种基于深度学习的铸件缺陷检测方法。首先,采用Overlap切图(重叠切图)数据增广方法实现缺陷扩充,并基于简化Mosaic数据增广进一步提升图像的复杂度;然后,基于仅浏览一次(YouOnlyLookOnce,YOLO)的理念实现缺陷检测模型构建;最后,提出一种基于边界框抑制的测试图像缺陷检测方法,以子图迭代方式完成测试图像中的缺陷检测。实验结果表明,该方法能够有效实现多种铸件缺陷的自动检测,为铸件缺陷检测提供了基于深度学习的解决方案。