简介：摘要：目标检测算法在不断更新迭代，从20世纪90年代至今，目标检测领域已经发生了翻天覆地的变化。本文简要梳理了目标检测算法的发展历程，重点对YOLOv1和YOLOv3两代算法进行了详细讨论，同时还探讨了YOLO算法在农业、工业、医学和遥感监测等领域的广泛应用，并展望了其未来的发展潜力。

简介：

简介：摘要：本文综述了近年来基于深度学习的PCB缺陷检测方法的研究进展，分析了不同方法的优缺点和适用场景，并提出了了一种基于YOLOv7的PCB缺陷检测方法。本文详细介绍了YOLOv7的网络架构和实现细节，并将其应用于PCB缺陷检测的任务，通过实验验证了其在PCB缺陷检测上的有效性和实用性。

简介：摘要：YOLO V8（You Only Look Once V8）是一种用于目标检测的高性能算法。本文主要研究了YOLO V8的数据结构和算法，并对其进行了分析和优化。首先，我们介绍了YOLO V8使用的锚框（anchors）数据结构，这是一组预定义的矩形框，用于表示目标的位置和尺寸。然后，我们详细探讨了YOLO V8的算法，其基于深度卷积神经网络（CNN），通过一次前向传递实现多目标的位置和分类预测。此外，我们还研究了YOLO V8中使用的非极大值抑制（NMS）算法，用于筛选重叠的检测结果。为了提高检测性能，我们对YOLO V8进行了一系列优化，包括卷积核的大小和数量、激活函数的选择和损失函数的设计。

简介：【摘要】随着城市化进程的加快，各地建筑数量与规模日渐攀升。随之而来的是城市建筑火灾事故步履，火灾极易导致毁灭性与灾难性后果，造成巨额经济损失的同时，危及公众生命财产安全。因此提升火灾预测准确性，必须借助智能火灾检测方法。本文基于yolo算法，设计出一种火灾检测智能机械臂小车，旨在实现火灾的实时检测，并在最短时间内应对可能的火灾安全隐患。

简介：摘要目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network，DCNN)模型，并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4)，另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张，无息肉图像1 000张)用于DCNN模型构建、训练与验证；数据集2和数据集3(2019年1—3月的肠息肉图像320张，无息肉图像400张)用于DCNN模型在图像中的测试；数据集4(2018年12月肠镜视频15个，包含33个息肉)，用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646)；在数据集3中检测肠息肉的准确率为95.00%(684/720)，敏感度为98.13%(314/320)，特异度为92.50%(370/400)，假阳性率为7.50%(30/400)；在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33)，逐帧准确率为96.29%(133 840/138 998)，逐帧敏感度为90.24%(4 066/4 506)，逐帧特异度为96.49%(129 774/134 492)，逐帧假阳性率为3.51%(4 718/134 492)。结论构建的DCNN模型可用于自动检测结直肠息肉，在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度，且在视频中测试的假阳性率低，可用于帮助内镜医师检测结直肠息肉。

简介：摘要：目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有较长时间深入地研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。本文广泛调研国内外目标检测方法，主要介绍一阶段目标检测算法——YOLO（You Only Look Once）系列的发展历程。

简介：

简介：摘要：针对传统的火焰及烟雾传感器对火灾发生初期预警效果不理想等问题，提出了一种软硬件相结合的视频图像智能检测方法。该方法基于YOLOv5算法模型，通过对火焰样本数据集进行标注，并输入到YOLOv5的训练算法，生成pt格式的权重模型，利用该权重模型进行测试，能够在短时间内对火焰进行特征提取，同时辅以高精度的烟雾传感器提高对火灾预防的准确性，实现了有效的灾情预防效果。

简介：摘要：草坪障碍物的检测是智能割草机械不可避免的问题，它关系到割草机能否安全、稳定、高效的运行。考虑到障碍物检测的实时性以及嵌入式平台的应用，本文搭建了一个草坪异物检测平台，建立一个异物图片数据集，提出了一种简单高效的方法用于生成图片中垃圾目标物的简易真值热力图。基于 YOLOv5网络，以真值热力图为量化标准，设计并实验得出一种用于生成异物目标物预测热力图的分支结构。随后将预测热力图送回 YOLOv5的 backbone 结构，增加目标检测网络前向传播过程中特征图的空间注意力权重，以提高整个目标检测网络的性能。通过拍照将数据上传到平台，使用神经网络图像识别技术进行特征提取。与数据集里收集的异物图片特征进行对比，将对比结果及时反馈给平台，草坪管理人员可以通过检测结果及时进行草坪清理，既保障群众在草坪上的安全性，也能够保护草坪环境。

简介：

简介：摘要：为了识别养殖场里是否有牲畜和人，通过摄像头将图像信息传给STM32芯片，芯片通过算法分析图像来检测是否有人和牲畜，在没有人和牲畜的情况下自动开启消杀。YOLO是一种现有较为成熟的目标检测算法，具有检测精度高、速度快的特点，且使用端对端的训练方式和预测手段，具备较高的灵活性。STM32芯片控制的系统当前被越来越多的应用于各个领域，它能够在使用过程中更加方便快捷。

简介：摘要：随着电力设施的复杂性和覆盖范围的扩大，对其的维护和监控变得越来越关键。传统的人工巡检方法既耗时又可能存在漏检风险。无人机作为一种高效、全面的巡视工具，配合先进的人工智能技术，为此提供了高效的解决方案。本文主要探讨如何利用YOLO算法在无人机巡视数据中快速发现可能造成电力线路故障的挖掘机等隐患。

简介：

简介：摘 要：垃圾造成的环境污染日益严重，现有的垃圾分类技术难以对大规模垃圾进行有效分类，因此人工智能技术在垃圾分类领域的应用成为近期的热点。本文分析了现有的智能垃圾分类模型，采用最新的YOLO v8目标检测算法对垃圾进行智能分类。该模型可以实现垃圾的智能识别、分类和回收，有效提高了智能垃圾分类领域的垃圾识别和分类效率。

简介：摘要：针对目前常用的目标检测算法检测PCB板表面缺陷具有定位不准确、细小缺陷难以检测等问题，本文提出了多尺度特征融合的YOLO V3（Multiscale Feature Fusion，MFF-YOLO V3）PCB缺陷检测方法。受YOLO V3模型启发，通过设计卷积神经网络提取多尺度图像特征，将生成的多尺度特征进行融合以生成单尺度图像特征，然后运用聚类方法以实现对PCB板缺陷的准确定位。与YOLO V3不同在于，通过提高多尺度图像特征的分辨率并进行融合，提高了模型对PCB板微小缺陷的检测能力；为实现PCB板缺陷的精准定位，采用以AvgIOU为金标准的K-means算法实现候选目标区域的重定义。同时，由于MFF-YOLO V3实现了单输出以实现特征的提取，减小卷积层的层数，从而减小网络训练的计算量。通过在DeepPCB数据集上进行测试，其mAP较YOLO V3提升了9.2%，准确率达到了87.9%。实验表明，多尺度特征融合YOLO V3的PCB板表面缺陷检测方法能够更有效的检测PCB板缺陷，基本满足工业检测要求。

简介：鸟点新的马德里洪水道(BP-NMF)和Yolo绕过，在密西西比和萨克拉门托河里定位了分别地，是曾经是广阔沼泽地的每部分，但是现在间歇地为洪水控制被使用的农业区域。这里，类似停止，BP-NMF被用来在将近80年里传送洪水仅仅两次，当时Yolo绕过每隔一年平均被用于这个目的。后果是极大地不同。在2011，BP-NMF通过它的早朝的保险丝塞子部分的爆炸爆炸被激活，导致提高的性质和经济损坏，庄稼损失，和诉讼。跟随BP-NMF的开始的高精力的流动在BP-NMF的开始的附近搜索粗糙的沉积并且在洪水道以内扔这材料，在农业地上包括。一般来说，许多BP-NMF的环境提供差的野生动物产地。相反，Yolo的平淡的操作绕过被期望，避免损坏和诉讼，供应器官富人的沉积到地，并且提供好野生动物产地。二个系统之间的差别被归因于Yolo上的条件绕过的天赋的更好的近似。

简介：摘要电力是国民经济发展的重要基础，而输电线路的安全稳定运行是保障电力输送安全的重要因素。为了提高对输电线路巡检的密度和精度，而又能大量的降低成本，无人机巡检被引入到了电力行业中。我们如何处理海里的图像数据，分析出其中代表输电线路系统运行状态的信息是一个亟待解决的问题。传统的机器学习技术的性能已经不能满足我们对实时性和准确率的要求。针对这个矛盾我们选择了具有识别和定位功能的SSD网络和YOLO网络对输电系统上的部件进行识别和定位，对比了两个网络模型在输电线路图像中对不同部件对象识别的性能。我们通过5种实际的输电线路部件图像数据，分析了训练样本数量，图像分辨率，卷积核尺寸参数与模型检测精度的相关性。在实验中我们采样的数据全部来源于无人机采集的输电线路部件图像，实验结果显示SSD模型在绝缘子上的识别率为98%，检测帧率为10帧，YOLO模型在绝缘子上的识别率为99%，检测帧率为0.6。

简介：摘要：混凝土是基础设施体系中应用广泛的一种材料，但这种材料容易受到外部环境影响，导致混凝土产生裂缝。本研究提出了一种采用网络剪枝技术和EvoNorm-S0结构的改进后的YOLO v4网络，以更好地从众多干扰目标中识别裂缝。提出的网络与使用相同数据集的同类型的另外三种先进算法（SSD300、YOLOv3和YOLO X-l）进行了比较测试。结果表明，所提出的网络不仅能够以较快的计算速度正确分类最多的目标种类，而且具有最高的。

简介：摘要：羽毛球在我国的发展十分迅速，很多我国有很多优秀的羽毛球运动员，如林丹等，羽毛球运动员的训练对于成绩的影响十分重要，传统的训练模式和战术分析主要是依靠教练盯着羽毛球比赛影片来做分析，这样做不仅费时和费力,而且由于教练和选手们长时间盯着屏幕容易造成眼睛疲劳。因此,为了提高运动员的训练成绩，同时避免人力物力的浪费，采用现代化的技术和手段提出基于yolo的羽毛球检测跟踪和数据分析，可以帮助教练和选手快速分析球员的战术。本文主要是研究如何提升从羽球比赛影片中侦测和辨识羽球选手的精确度。主要方法是采用标注整体和局部羽球选手方式,深度学习yolo的训练和测试,提高羽毛球检测精确率、召回率和实时性等。