基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型

背景随着人口老龄化,压力性损伤(PI)的发病率逐渐增加,这不仅严重影响了患者的生存质量,还增加了医保支出。然而,PI的早期发现和准确分期极大地依赖于专业培训。目的构建并测试一个用于PI自动检测和分期的人工智能模型,以提高PI诊断的实时性、准确性和客观性。方法选取常熟市第一人民医院压疮电子化管理系统中2021年1月—2024年2月的693张PI图像,将图像随机划分为训练集(551张)和测试集(142张),并按照2019年美国压疮咨询委员会(NPUAP)制订的PI预防和治疗指南分为6期,包括:Ⅰ期154张、Ⅱ期188张、Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8[nano(n)、small(s)、medium(m)、large(l)和extra large(x)]神经网络和迁移学习,建立针对PI的深度学习目标检测模型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后,通过Ultralytics Hub平台将模型部署到手机应用程序(App)中,实现AI模型在临床工作中的应用。结果在对包含142张PI图像的测试集进行评估时,YOLOv8l版本在确保高精确度(0.827)的同时,也展现了较快的推理速度(68.49帧/s),与其他YOLO版本相比,在精确度与速度之间取得了最佳的平衡。具体而言,其在所有类别上的整体准确率为93.18%,灵敏度为76.52%,特异度为96.29%,假阳性率为3.72%。在6个PI分期中,模型预测Ⅰ期的准确率最高,达到95.97%;预测Ⅱ期、Ⅲ期、Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言,YOLOv8l处理142张图像的总耗时为2.07 s,平均每秒可处理68.49张PI图像。结论基于YOLOv8l网络的AI模型能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中,能够在临床实践中便携使用,具有很大的临床应用潜力。

基于YOLO模型的堤坝管涌监测智能识别方法

针对堤坝管涌现象的监测识别问题,提出一种基于YOLO模型的堤坝管涌识别方法。该方法通过引入改进的残差块及替换模型的激活函数来提升YOLO v3模型的网络性能,构建了基于堤坝管涌感兴趣区域提取的Piping YOLO模型来提取管涌感兴趣区域,并采用二维主成分分析方法提取管涌现象的特征,将其作为多权值神经网络的输入,经训练后实现管涌状态的分类识别。基于自主搭建的管涌渗漏试验平台建立了数据集并进行了试验验证,结果表明,提出的方法能有效识别堤坝管涌现象,在堤坝管涌无人巡检领域具有一定的应用前景。

改进YOLO v4模型在版纳微型猪只行为识别中的研究

为了能够在猪只重叠、遮挡等复杂场景中实现版纳微型猪只行为的准确、高效识别,试验通过改进YOLO v4模型的方法来识别猪只行为,通过视频捕获的方式截取不同角度猪只行为图片,构建行为特征数据集;采用嵌入CBAM注意力机制的Res Net50残差网络结构作为改进YOLO v4模型的主干网络,并引入由深度可分离卷积、批标准化(BN)、Hard Swish激活函数组成的CH模块,代替主干网络中的传统卷积,提升模型检测精度的同时降低参数量;在PANet多尺度特征融合结构中引入双重3层1×1和3×3交替卷积运算替代上、下原采样方式,构成DPANet网络结构,增强对猪只行为图片中细节特征的提取,提高计算效率;基于参数共享理念与二阶段训练的迁移学习方法,优化训练过程以显著缩短训练时间,加速模型的收敛速度。结果表明:改进YOLO v4模型对猪只行为数据集的训练时间仅为6 h,而原模型训练时间则需要19 h;改进YOLO v4模型识别平均精度为93.97%,召回率为96.27%、参数量为0.26×10^(8),与Faster-RCNN、SSD、YOLO v4模型相比,平均精度与召回率分别提升8.88,15.36,8.68个百分点及16.09,41.34,30.40个百分点,参数量最大减少1.11×10^(8)。改进YOLO v4模型对识别爬栏探究、站立行走、进食、躺卧4种行为的准确率达到了98%、88%、92%、97%,与其他3种模型相比,站立行走、进食两种行为的识别效果远大于其他模型。说明改进YOLO v4模型在复杂场景下具有良好的准确性和有效性,能够精准识别猪只的不同行为。

基于YOLO v5-IBX网络模型的公路隧道衬砌裂缝检测方法研究

目的 针对传统隧道衬砌裂缝检测效率低、成本高、周期长以及当前基于计算机视觉、图像处理技术的裂缝智能检测方法效率低、精度低、检测结果不准确等问题,提出一种改进的网络模型YOLO v5-IBX对公路隧道衬砌裂缝进行智能检测。方法 在原始YOLO v5网络模型的检测层中新增一个低维尺度和在特征提取层中融入注意力机制,提高特征融合利用和对小目标的检测精度,降低网络参数的计算量,达到减少裂缝细节信息丢失的目的;对采集到的公路隧道衬砌裂缝图像,通过图像翻转、裁剪、调整图像饱和度、对比度等随机转换方式来进行数据增强,增加数据特征样本,建立数据集,以满足模型检测的需求;在建立的隧道衬砌裂缝数据集上进行试验,以精确率、召回率、计算平均精度及平均精度均值作为检测精度的综合评价指标,将笔者提出的网络模型YOLO v5-IBX与原始的YOLO v5等其他网络模型进行对比。结果 采用改进的网络模型YOLO v5-IBX检测隧道衬砌裂缝,在迭代300次的情况下,训练损失可以降到0.014,裂缝检测精度率达到97.8%左右,召回率达到97.7%左右,精度均值达到98.6%左右,均优于其他模型,检测精度得到有效提高。结论 相比较传统的人工检测方法和原始YOLO v5检测算法,改进的网络模型YOLO v5-IBX可以更快速、准确地识别出隧道衬砌裂缝,为隧道衬砌裂缝检测提供新的更加实用的检测方案。

基于改进的Yolo v4绝缘子目标识别算法研究

针对传统卷积神经网络模块体积庞大、运算量高,在体积较小、资源有限的嵌入式平台上运行效果不好,以及现有轻量化模块无法满足测量速度和测试精确度要求的问题,为此选择目前的主流目标识别算法Yolo v4进行模型轻量化,在Yolo v4模型中引入Mobilenet网络和深度可分离模块进行研究。研究结果表明,改进后不同Mobilenet网络的Yolo v4模型检测一张图片的用时均比原始Yolo v4模型减少19 ms以上,准确率都高于92%。其中以Mobilenet v3为主干特征提取网络的改进Yolo v4模型的准确率为95.12%,与原始Yolo v4模型准确率相比提高2.99%,但该模型的参数量约为Yolo v4模型的1/6,模型处理一张巡检图片用时比原Yolo v4模型减少20 ms。绝缘子作为输电线路的重要组成部分,在众多图像中更快地识别出绝缘子能为之后分析输电线路的运行情况提供帮助。

基于YOLO v5s的作物叶片病害检测模型轻量化方法

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构(Lightweight convolutional neural networks,LCNN)替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层(Batch normalization layer)的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0 f/s,移动端检测帧率1.2 f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。

基于轻量化YOLO网络的实时X射线焊缝缺陷检测

X射线无损检测是进行焊缝焊接质量检查的重要方法,为了提高射线评片效率和准确率,本文提出了基于轻量化YOLO网络的实时X射线焊缝缺陷检测方法。首先,在分析焊缝射线检测图像特征的基础上,为提升焊缝图像缺陷检测精度与速度,设计了级联缺陷检测模型,先使用经过轻量化设计的焊缝定位网络定位缺陷集中分布的焊缝区域,再使用滑窗裁剪操作,将切割的小图输入到缺陷检测网络中进行精准的缺陷检测。然后,为了应对缺陷样本过少导致的网络过拟合问题,本文提出了基于负样本正常图像的Copy-Pasting数据增强策略,提升了缺陷检测精度。实验结果表明,本文提出的方法能够有效降低网络模型大小,同时mAP0.5达到99.5%,精确率99.8%,召回率99.6%,检测速度在20 frame/s至33 frame/s,能够满足实时辅助评片的要求。

基于YOLO模型的小麦外观分类算法研究

小麦种植广泛且营养丰富,其品质问题需要重点关注。小麦品质的衡量指标主要是不完善粒占比。为此,需要对小麦颗粒进行分类识别。提出了1种基于你只看一次(YOLO)模型的小麦外观自动分类算法,创新性地将YOLO模型应用于小麦外观分类场景。对采集得到的小麦样本图像切割、筛选、扩充和标记,构建了完善粒与不完善粒图像库。对YOLO网络进行了训练,利用训练后的模型对麦粒图像进行了测试,实现了完善粒、不完善粒分别为91.7%、87.1%的分类准确率。这种自动分拣麦粒的检验方法避免了人工视觉疲劳后的误判,而且检测效率显著提高,为小麦外观分类研究提供了新的思路。

基于深度学习的农场虫情检测算法研究及实现

传统的病虫害防治手段需要消耗大量人力、物力,且达不到很高的精确度,为了更科学、高效地做好农场病虫害防治工作,本文结合深度学习技术和物联网技术研发了虫情检测系统进行病虫害的远程检测,提高防治工作的效率。该系统采用YOLO-v5网络模型,结合迁移学习,训练学习了林业常见害虫和农田常见害虫的特征,实现了高效的检测识别。基于物联网技术实现远程控制拍摄病虫害图像,并通过Wi-Fi传输到计算机端进行识别,通过可视化界面呈现出农田中虫害的种类和数量,对减少人力、物力消耗以及实现科学防虫具有良好的实际应用价值。

高斯混合模型与GhostNet结合的YOLO-G遗留物检测方法

遗留物检测作为视频监控的关键支撑技术之一,具有广泛的应用前景.针对现有方法存在无法较好地解决光影变化问题、深度学习遗留物检测方法中神经网络的参数量较多及准确度低等问题,提出基于YOLO-G的遗留物检测方法.首先结合高斯混合模型背景建模进行前景检测,根据移动区域与静止区域的分离距离与时间得到可疑静止区域,将判定为分离时刻的帧图像传入深层神经网络进行检测与识别;然后在网络模型中将幽灵网络中的幽灵模块应用于CSPDarknet53主干网络;最后引入压缩激励网络进一步提高特征提取能力.实验结果表明,所提方法的检测准确率比FCOS,SSD,RefineNet,YOLOv3,LRF和YOLOv4分别提高了34.22%,23.86%,16.64%,13.19%,8.16%和1.41%,网络参数量比YOLOv4减少了22.78%.

基于深度学习的曲面体层片颌骨病变辅助诊断技术研究

目的 探讨深度学习应用于曲面体层片辅助诊断颌骨透射病变、颌骨阻射病变的效果,以减少漏诊,辅助医生早期筛查、提高诊断准确性。方法 本研究通过四川大学华西口腔医院伦理委员会批准。以443例曲面体层片为研究对象,构建YOLO v8m-p2神经网络模型,将标注后的图像分为训练集354例,验证集45例和测试集44例,用于模型训练、验证和测试。采用精确率、召回率、F-1分值、G分值、mAP50评价模型的检测性能。结果 443例曲面体层片涵盖颌骨常见的良性病变,其中颌骨透射病变数量为318,包括含牙囊肿、牙源性角化囊肿、成釉细胞瘤3类病变;颌骨阻射病变数量为145,包含特发性骨硬化、牙瘤、牙骨质瘤、牙骨质-骨结构不良4类病变,样本有良好的代表性。YOLO v8m-p2神经网络模型识别颌骨病变的性能:精确率为0.887,召回率为0.860,F-1分值为0.873,G分值为0.873,mAP50为0.863。其中,含牙囊肿、牙源性角化囊肿、成釉细胞瘤召回率分别为0.833、0.941、0.875。结论 YOLO v8m-p2神经网络模型应用于初步检测口腔曲面体层片中的颌骨透射病变及颌骨阻射病变以及多分类检测颌骨透射病变时诊断性能表现良好,可辅助医生筛查曲面体层片的颌骨疾病。

基于EF-YOLO的输电线路鸟害检测技术研究

由于鸟类监测设备需在野外环境下工作,因此最好采用轻量级网络并兼具检测精度和实时性的特点。文中根据EfficientNet-lite轻量级网络,提出一种适用于野外高压输电线路上检测鸟类的实时检测网络,即轻量级目标检测网络(EFYOLO)。网络特征提取部分借鉴EfficientNet-lite轻量级模型,预测输出部分则使用YOLO算法,采用Ciou损失函数和Diounms非极大值抑制策略。实验结果表明:EF-YOLO检测精度达87.60%,平均检测速度为138 f/s,在检测速度方面,文中提出的EF-YOLO优于目前主要的三种网络模型;且模型权重大小为4.01 MB,适合在输电线路边缘检测平台上进行部署,辅助驱鸟器工作。

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO(You Only Look Once)模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。

基于T-YOLO-LITE树干检测的模型部署方法

为解决猕猴桃采摘机器人视觉导航问题,提出基于T-YOLO-LITE的猕猴桃树干检测方法。通过保留BN层、调整输入图像尺寸、修改anchor boxes、添加负样本对YOLO-LITE进行改进,并利用Movidius与OpenCV-DNN将改进后的模型分别部署在树莓派与CPU设备中。实验结果表明:通过改进优化使模型检测精度提升至59.75%;利用Movidius与OpenCV-DNN部署后,模型检测速度分别达到了2帧每秒和6帧每秒。该模型在检测精度与YOLOV2-TINY持平的情况下,检测速度为YOLOV2-TINY的两倍,并在非GPU设备上完成近实时的树干检测任务。

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。

基于YOLO与改进的DLIB多角度遮挡人脸判别方法

针对ATM机上违法犯罪分子通过遮挡面部进行犯罪活动进而无法追踪的问题,提出了一种基于YOLO与改进的DLIB多角度遮挡人脸判别方法。通过将基于YOLO模型的多目标检测改成单一人脸检测,并调整其损失函数中人脸置信度损失计算方式,提高了人脸定位的准确性与时效性,完成了从原始图像的输入到任意人脸位置的回归,再结合改进的DLIB多角度人脸68个关键点检测算法在回归出的人脸位置上进行遮挡判别的新方法。测试结果验证了新方法优于传统方法,能够有效并快速地判别出各类遮挡,实现了ATM机上遮挡人脸判别的实时性与鲁棒性,具有较高的应用价值。

基于深度学习YOLO模型的植物图像识别算法研究

为提高YOLO模型进行植物图像快速识别的准确率,对基于深度学习YOLO模型算法进行研究。在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合cuDNN库进行并行计算,提高了算法的效率。采用改进的YOLOv3网络模型结合公开数据集进行测试,实现了102种植物的有效识别,平均检测时间为1.275 s,在Top-2、Top-3准确率上均达到96%,与传统YOLO算法相比,识别的准确率和效率均有提高。结果表明,所建立的基于深度学习YOLO模型,在复杂多种类植物识别方面有推广应用价值。

基于YOLOv3的安全帽佩戴检测方法研究

在大型锅炉、钢铁和其他制造业工厂中,正确佩戴安全帽是进入现场的前提。但是在现实场景中,由于各种原因,工人伤亡事故中没有正确佩戴安全帽而导致的事故占比一直较高。为了减少该类事故的发生,对深度学习、人工智能展开了研究,采用了卷积神经网络的方法。首先,对相关数据集标定,将数据集总体分为三种类别,针对标定好的数据,使用迁移学习的训练方式训练YOLOv3网络。接着,使用该参数和模型对监控视频数据检测人形和安全帽的类别和位置。最后,对检测的三种类别计算相关交并比,并以此判断工人是否正确佩戴安全帽。该算法创新性地将YOLOv3网络模型和交并比算法结合,对网络输出的类别和位置信息再细化处理,提高了检出的准确性,降低了误识别率。试验结果表明,该算法可以满足安全帽佩戴检测中的实时性要求,同时能够准确检出未佩戴安全帽的人员并通知有关人员。

基于YOLO网络模型的多类别标签缺陷检测

由于热转印滚筒温度的变化,热转印标签在转印的过程中会出现热转印标签褶皱、脱模不完全等问题。针对某些较大标签存在缺陷种类较多及未知缺陷的问题,提出了一种基于YOLO网络模型的多类别标签缺陷检测方法,将自适应匹配缺陷检测方法与改进的YOLO网络模型相结合,增加注意力机制模块以提高小目标缺陷的检测能力。在处理过程中,首先,对不同区域内的标签进行快速定位及预处理;然后,针对不同区域使用不同的检测方法进行检测;最后,将不同区域结果融合,判断检测结果。试验结果表明,基于YOLO网络模型的多类别标签缺陷的检测方法能够有效进行热转印标签的缺陷检测,检测准确率达98%,能够满足实际的生产要求。

基于深度卷积神经网络的行人检测实现

行人检测在视频监控等应用领域具有重要价值。在应用场景复杂、响应速度快的视频监控应用领域,如何提高行人检测的准确率和检测速度是计算机视觉研究者们研究热点之一。深度学习在计算机视觉领域不断创造佳绩,使得深度卷积神经网络在智能监控的通用目标检测中被广泛使用。论文主要介绍一种基于卷积神经网络的行人检测实现方法。该方法以Tensor flow作为训练框架,以Yolo v3作为神经网络算法,使用VOC2007数据集对模型进行训练实现图片的行人检测。试验证明,该方法训练的行人检测模型无论在检测准确度和检测速度,还是模型适用场景,比传统模式的行人检测都有着绝对的优势。