给大家分享8篇关于Yolov5的计算机专业论文

今天分享的是关于Yolov5的8篇计算机毕业论文范文, 如果你的论文涉及到Yolov5等主题,本文能够帮助到你

深度学习诊断肝局灶性病变的Meta分析及囊型肝包虫病的目标检测算法研究

这是一篇关于囊型肝包虫病,肝局灶性病变,图像分割,Yolov5,集成模型的论文, 主要内容为目的:1、使用诊断性Meta分析的方法探索深度学习技术与传统机器学习方法对肝局灶性病变中的诊断价值。2、基于Meta分析的结果进行囊型肝包虫病目标检测算法的开发与研究,实现在超声图像上对囊型肝包虫病的定位与鉴别,使患者及时的接受相关治疗,阻止疾病的进一步发展。方法:本研究的数据来源于新疆医科大学第一附属医院腹部超声科2008年-2020年972名囊型肝包虫病患者,共计3083张肝脏超声图像。1、通过检索中英文数据库自建库至2022年3月前有关计算机辅助诊断肝局灶性病变的研究性论文。通过对文献进行筛选及质量评价、对研究数据进行提取后采用双变量方法和分层总受试者操作特征曲线生成敏感度和特异度的森林图。使用Meta回归的方法探索可能的异质性来源。2、基于Poly-Yolo分割算法去除超声图像中的非成像区域,降低后续模型的计算量。构建Yolov5目标检测模型病灶进行定位与分类,在此基础上,通过集成模型构建囊型肝包虫病的精确分类模型,并通过精确率、召回率等指标评价模型。结果:1、诊断性Meta分析纳入24篇相关文献,深度学习方法相比与传统机器学习模型获得更好的性能,其中敏感度(91%vs 87%),特异度(93%vs 87%)。2、通过Poly-YOLO网络的分割算法能够有效实现对成像区域的精确分割。其中DCS系数(U-Net:0.97 vs OSTU:0.83 vs Markov:0.85),IOU交并比(Poly-Yolo:0.95 vs OSTU:0.79 vs Markov:0.81)。使用Yolov5l模型作为囊型肝包虫病病灶目标检测的模型,平均精度均值(m AP)为88.1%。使用快照集成的算法获取子模型并构建集成模型,Conv Ne Xt-T取得了最好的结果,精确率为86.0%,召回率为85.95%,F1-分数为86.0%。结论:在基于超声图像的肝局灶性病变诊断任务中,深度学习方法好于传统机器学习方法,深度学习方法分析囊型肝包虫病超声图像具有理论可行性。通过polyYolo分割算法能够有效去除超声图像的非成像区域,使得Yolov5l能够有效的分析超声下的肝脏区域。通过基于集成算法的模型能够进一步提高病灶的分类精度。本研究提出的方法有望成为囊型肝包虫病的潜在辅助诊断工具。

驾驶行为检测智能终端的设计与应用

这是一篇关于危险驾驶行为检测,Yolov5,瑞芯微RV11xx,视频流输入,嵌入式系统设计的论文, 主要内容为汽车交通领域中的危险驾驶行为,尤其是发生在“两客一危”车辆上的疲劳或者分心驾驶,深深危害着人们的生命和财产安全。因此,智能交通领域的一个重要研究课题是如何通过监管来尽可能减少此类行为的发生,智能监控报警装置是一个重要的实现载体。然而,目前市场上的监测终端形态、方法各异,采用的芯片种类包括FPGA、GPU、类脑芯片和NPU等,大多都难以平衡其硬件设备在性能、功耗和成本之间的矛盾,是导致基于视觉方法的驾驶行为监控装置难以落地的原因之一。针对这一难题,本文从各方面都表现优异的瑞芯微RV11xx系列芯片平台出发,研究探索先进的深度学习模型在该平台的部署应用方法,并结合摄像头、喇叭等硬件搭建完整的嵌入式平台的驾驶行为监测及预警系统。本文围绕驾驶行为监测系统的搭建,所做工作分为硬件、算法和系统软件控制三个层面。首先在硬件方面通过选型比较选出低成本、高性能、个人开发难度适宜的瑞芯微RV11xx芯片平台,梳理总结其软硬件资源和RKMedia、RKNN等开发框架,最后通过建模、图纸加工、硬件组装等完成系统硬件部分;在算法方面的工作分为两个层级,第一从疲劳和分心驾驶的评判标准出发,设计了针对视频输入的连续多帧图像分类算法和手持物体法则判断疲劳和分心;第二围绕Yolov5s模型部署平台时,对其中不能支持的Focus和大尺寸Maxpool算子进行替换操作,研究使用了部署模型采用的非对称uint-8位整形量化方法、保证图片缩放比例不变的图像自适应缩放与填充算法,以及加速端侧目标检测的多线程机制,最终该模型在RV1126上取得了 86.6%的mAP检测精度和14.5fps速度的结果。在嵌入式系统软件设计层面,本文将系统分为五个功能模块,引入YUV和RGB格式互转、RTSP推流、RingBuffer和有限状态机等模块,为了实现实时运行,开发四线程并发的程序。本文搭建的系统具备低功耗触发和运行、危险驾驶行为检测和预警、结果可视化的功能,对该系统进行的实际测试结果证明满足设计需求,实现了利用RV1126芯片平台开发高精度、视频输入实时处理并预警的驾驶行为监测系统的目标。

基于机器视觉的临床表单自动识别系统研究与实现

这是一篇关于OpenCV,Yolov5,EAV,TAVR的论文, 主要内容为随着医疗创新环境的改善,国内医院对医疗效率与高质量临床数据的需求已经出现了快速增长的趋势。本课题旨在研究一个实现临床数据标准化结构化,e CRF(Electronic Case Report Form)可自定义配置高复用的临床表单自动识别系统,将医学、信息科学、计算机科学等学科的优势特长结合起来,形成了一个有机的整体,为医院临床科研奠定基础。具体研究内容如下:(1)提出一种基于三角定位的表单区域检测和图像矫正算法,首先对表单图像进行边缘检测、图像平滑、阈值二值化,根据表单图像上的三个位置标记特征确定表单区域的大致区域,然后通过轮廓提取算法找出区域内的最大轮廓,根据最大轮廓的拟合多边形的四个顶点坐标截取出表单区域,考虑到输入图片摆放不正、褶皱造成图片扭曲的问题,本文对图片运用仿射变换进行矫正,最后再进行大小调整得出分割结果。(2)提出一种基于表单先验知识的Yolov5-TCT表单识别方法,首先将表单复选框中心位置和内容关联信息记录到数据库中,通过加入Tranformer Encoder和CBAM(Convolutional Block Attention Module)的Yolov5目标检测模型对经过上述表单区域检测算法处理的表单图像进行识别,得到表单中填写的复选框信息坐标位置,最后根据表单先验知识来确定信息的具体内容。(3)针对TAVR术种相关的临床试验报表内容和结构,采用EAV(Entity Attribute Value)数据模型研究设计数据库,实现e CRF表单自定义配置高复用功能。(4)针对当前医院的开发环境,选择B/S架构,以Java为主要开发语言,采用当下流行的Spring Boot+Vue+SQLServer+Redis框架,严格按照相关部门和信息科的开发规范进行临床表单自动识别系统的研发。论文最终形成了一套完整的针对TAVR注册研究的临床表单自动识别系统,在某三甲医院实施结果表明,本系统满足科室数据采集查询和导出的需求,结合扫描录入、随访提醒等功能,极大的提高了医护人员的工作效率,同时也为以后的临床、教学和科研留下宝贵的资料。

基于深度学习的船舶小目标实时检测

这是一篇关于目标检测,深度学习,Yolov5,注意力机制,数据增强的论文, 主要内容为随着我国航运业的不断发展,海域船舶流量迅猛增长,而相应的问题也层出不穷,例如海上非法捕鱼、海盗行为、贩毒、非法货物运输以及海上事故救援不及时等。因此,对某些海域进行监控来实现海域的管理就非常有必要。目前,海域管理中船舶检测必须依靠船只巡航的方式,这种方式不仅耗费人力、物力和财力,而且效率非常低。传统的船舶检测方法以常规船舶的目标检测为主,该方法难以满足海上复杂的场景要求,对于远距离的船舶目标难以检测,从而增加了海域管理的难度;并且,传统船舶检测算法的实时性有待提高。本文提出一种结合注意力机制和数据增强的轻量化船舶检测算法,形成一套实时监测系统,将有效提高船舶小目标检测算法的精度和实时性,对我国的海洋管理具有重要的理论意义和应用价值。本文主要工作如下:(1)通过网络爬取、图像合成等技术,扩大数据集的规模,建立起船舶小目标数据集,包含了晴天、雾天和目标被遮挡等多个场景,并且根据检测需求进行船舶目标的标注。(2)针对远距离船舶特征信息弱,难以识别的问题。本文提出基于CA注意力机制的船舶目标识别。在Backbone中插入注意力模块,加强顶层特征信息的提取,保证小目标的特征信息受到更多关注,并且这种注意力机制能与原始Yolov5s结构完美的结合得到模型CA-Yolov5,实验证明优化后模型的精度提高了2.2%。接着对CA-Yolov5进行在线数据增强的改进,添加Mix Up和Copy-Paste数据增强得到CA+-Yolov5,达到丰富数据集质量的要求,增强后算法精度得到了0.4%提高。(3)借鉴Ghost Net的思想,采用改进的C3Ghost模块和Ghost Conv卷积对网络进行轻量化处理,优化模型的体积,使其更能满足边缘设备的部署要求。以前面改进得到的CA+-Yolov5网络模型为基础模型,采用C3Ghost模块替换原有的C3模块,以全新的Ghost Conv替换Backbone结构中的原有卷积,形成CG-Yolov5网络模型。实验证明,采用CG-Yolov5轻量化检测模型,能在牺牲较小精度的同时能大大降低模型的参数量,同传统的Yolov5s模型相比,CG-Yolov5模型准确度达到了95.9%。(4)结合船舶管理高效可靠的需求,基于pyqt5设计了一款针对船舶目标的检测平台,可以实现图片、视频和实时检测,得到了较好的效果,为后期开发相关应用打下坚实基础。

基于机器视觉的临床表单自动识别系统研究与实现

基于深度学习的船舶类型检测与跟踪技术研究

这是一篇关于深度学习,船舶类型检测,多目标跟踪,Yolov5,DeepSort的论文, 主要内容为我国水系发达,船只众多,保障船舶安全有序航行对于促进航运业健康发展具有重要的现实意义。随着计算机硬件设备与软件技术的快速发展,基于计算机视觉和深度学习的感知算法可作为智能船舶导航和船舶监管的辅助手段。交通运输部发布的《智能船舶发展行动计划(2019—2021年)》中指出智能船舶是决定未来船舶行业发展方向的重要因素,基于计算机视觉和深度学习的感知算法是智能船舶感知航路环境的主要手段。实现船舶的检测与跟踪是辅助航运监管、智能船舶感知航路环境的基础。目前,对于船舶检测,还存在船舶漏检、类型误检问题。此外,为使算法能够应用于移动端设备,还需降低模型的参数量和计算量。对于船舶跟踪,在保证算法实时性的前提下,还需提升算法的精度。因此,本文以提升目标检测算法的精度,轻量化网络,提升多目标跟踪算法的精度为目标,使用深度学习技术,研究船舶类型检测算法和船舶跟踪算法,实现对船舶目标的实时检测与跟踪。主要研究内容如下:(1)设计了船舶类型检测算法STD-Yolov5。本文以Yolov5目标检测算法为基线网络,兼顾模型的精度、推理速度和模型的计算成本,提出了STD-Yolov5模型,实现对船舶类型的检测。首先,对Yolov5的骨干网络进行优化,在C3模块中嵌入ECA注意力机制模块以增强网络的特征提取能力。其次,为减少模型冗余,对模型进行轻量化改进,在特征金字塔网络FPN中融合Ghost Conv模块,减少模型参数量和浮点运算量。接下来,为解决船舶类型误检、漏检问题,在空间金字塔池化网络SPP的基础上增加Ghost Conv模块和深度可分离卷DSConv组成新的感受野放大模块。最后,为提升模型的边界框回归精度,将CIo U边界框回归损失函数替换为更简单泛化的ɑ-CIo U,确保模型偏向于正样本的回归。STD-Yolov5相较于Yolov5算法,m AP@.5:.95提升1.2%,模型的Params下降32.75%,GFLOPs下降14.46%,FPS也能满足实时检测的需求,对比其他主流目标检测算法,STD-Yolov5的性能依然具有优势。(2)设计了船舶跟踪算法Ship Sort。本文以多目标跟踪算法Deep Sort为基线网络,提出了Ship Sort模型,提升模型对船舶目标的跟踪精度。首先,设计了OD-Res Net作为跟踪算法的特征提取网络,将全维动态卷积ODConv与Res Net相融合,提取船舶目标更深层次的语义信息。其次,受IMM思想的启发,设计了基于IMM的卡尔曼滤波算法,构建多种运动系统来描述同一目标的不同运动状态,再将各个系统加权组合,提升对船舶轨迹预测的准确度。Ship Sort相较于Deep Sort有更高的精度,在MOTA、MOTP、IDP、IDR、IDF1、FPS这六个指标上也有良好的表现。本文提出了STD-Yolov5船舶类型检测算法和Ship Sort船舶跟踪算法,在Sea Ships数据集和船舶航行视频数据上分别进行了实验验证。试验结果表明,STD-Yolov5算法在精度、模型大小上均优于其他主流算法。Ship Sort算法既保证了实时性,又在精度上超越了DeepSort。