XiaoMi-AI文件搜索系统
World File Search SystemYOLO
使用机器学习的盲人避免障碍
摘要最近，对象识别技术已经看到了许多技术用于自动驾驶汽车，机器人和工业设施。尽管如此，最需要这些技术的是视觉障碍，但从中获得了最少的收益。本文的目的是使用深度学习技术为盲人开发对象检测系统。除此之外，还提到了语音指导技术是告知对象所在的视觉问题的人的一种方式。您仅在对象识别深度学习模型中使用（YOLO）算法一次（YOLO）算法，而文本到语音（TTS）用于合成语音公告，从而使盲人可以方便地获取有关对象的信息。因此，它提出了一个有效的对象检测系统，该系统有助于盲人在没有其他人协助的情况下在受限区域内找到事物；并且该系统的性能已通过实验验证。
Aquavision：AI驱动的海洋物种鉴定
摘要：本研究通过使用机器学习和图像分类技术来精确识别鱼类的挑战。主要目的是开发一种创新的算法，该算法可以动态地识别基于可用图像的最常见（在马耳他沿海水域内）侵入性地中海鱼类。尤其包括瘘管，苏里氏菌，pomadasys incisus，siganus luridus和stephanolepis diaspros，它们被用作本研究的物种。通过使用机器学习模型和转移学习，该建议的解决方案旨在实现精确的现场物种识别。方法涉及收集和组织图像以及使用一致数据集训练模型以确保可比结果。尝试了许多型号后，发现RESNET18是最准确和最可靠的，Yolo V8紧随其后。虽然Yolo的表现相当出色，但其结果表现出较少的一致性。这些结果强调了开发算法对包括公民科学计划在内的海洋生物学研究的潜力，并通过准确的鱼类鉴定来促进环境管理工作。
协调的农村机会计划
Yolo县是220,880人口的所在地，该县至少有87％的人口居住在四个合并的城市 - 戴维斯，伍德兰，西萨克拉曼多和温特斯。该县占地1,021平方英里（653,549英亩），其中包括几个农村非法人社区 - 克拉克斯堡，卡拜，邓尼根，邓尼根，埃斯帕托，瓜迪达，吉恩达，骑士着陆，麦迪逊，麦迪逊，纪念碑，纪念碑山。虽然大多数居民居住在建立城市中，但大多数农业生产发生在非法人的地区。此外，该县设有由其监事会任命的农业专员办公室，以管理县广泛的活动以支持农业（其他县部门也从事支持农业）。鉴于这种联系，此个人资料中提出的许多例子和建议都集中在Yolo县作为潜在的领导，同时也强调了其他合作伙伴的作用，例如地方管辖区，地区机构，特殊地区，特殊地区或保护实体。
下载下载PDF
摘要通过使用精密设备可以提高新鲜木薯根的质量。作为开发自动木薯根切割系统的第一步，这项研究证明了使用具有深度学习的计算机视觉系统用于木薯茎检测。捕获了安装在木薯上的木薯树的RGB图像，并使用了带有Resnet 101和Resnet 50的基本体系结构的Yolo V4型号和两个蒙版R-CNN模型来训练重量以预测Cassava Stalk的位置。使用各种形状和大小的茎的一百个测试图像来确定抓地点和倾斜度，并将手动注释的结果与预测的结果进行了比较。关于本地化，具有重新网络101的蒙版R-CNN的性能明显高于其他模型，F1得分和平均值分别为0.81和0.70。Yolo V4显示最高的相关性
使用计算机断层扫描成像的肝细胞癌检测中深度学习应用的诊断性能
抽象背景/目的：肝细胞癌（HCC）是一种普遍的癌症，主要是由于其晚期诊断而在全球范围内显着促进死亡率。早期检测是至关重要但充满挑战的。这项研究利用深度学习（DL）技术的潜力，仅采用您看一次（Yolo）结构，以增强计算机断层扫描（CT）图像中HCC的检测，旨在改善早期诊断，从而改善患者的结果。材料和方法：我们使用了来自122名患者的1290个CT图像的数据集，根据标准的70:20:10分割，用于训练，验证和测试阶段。基于YOLO的DL模型接受了这些图像的培训，随后进行了验证和测试阶段，以全面评估该模型的诊断能力。结果：该模型表现出非凡的诊断准确性，精度为0.97216，召回0.919，总体精度为95.35％，显着超过了传统的诊断方法。它达到了95.83％的特异性和94.74％的敏感性，证明了其在临床环境中的有效性以及降低遗漏诊断和不必要的干预措施的潜力。结论：用于检测CT扫描中HCC的YOLO体系结构的实施显示了很大的希望，表明DL模型很快可能成为肿瘤学诊断的标准工具。关键词：人工智能，计算机断层扫描，深度学习，肝细胞癌，肝癌随着人工智能技术的不断发展，预计其整合到医疗保健系统中，将提高肿瘤学诊断的准确性和效率，增强早期检测和治疗策略，并可能提高患者的存活率。
使用机器学习的安全摄像机对象检测的系统分析
现代移动对象跟踪和识别技术已得到很大改进，帮助机器人技术，媒体生产，生物学研究，视频监控和身份验证系统等广泛的行业。尽管低分辨率视频录像（例如动态背景，照明，遮挡和阴影）存在持续的问题，但这些电影提供了直接的好处，例如减少处理，传输和存储要求。两相对象检测器（例如RCNN）过去很普遍并且成功。，新的发展将单相检测器及其相关算法带到了大多数两相检测器的最前沿。yolo爆炸（Yolo）已被广泛用于对象识别和检测，始终优于其两相检测器对应物[1，2，3]。该领域的这种转变主要是由机器学习（人工智能（AI）（ML）的一个分支）驱动的。使系统能够从以前的性能中发展和学习而无需明确编程。它对于对象识别的主题至关重要[4]。可以构建可靠的对象检测系统，因为机器学习算法能够识别大量标签
“盲人AI导盲系统”
4 Yogesh Y. putage，学生，计算机工程系，帝国工程与研究学院，浦那。 ------------------------------------------------------------------***--------------------------------------------------------------------------------- 摘要 - 在当今世界，人工智能为任何问题都提供了广泛的解决方案。本文介绍了一种“盲人人工智能引导系统”。该系统是深度学习和物联网的跨学科方法。我们的设备形状像一副眼镜，可以为这些人提供有效和安全的引导。与现有系统相比，该系统快速而准确，通过使用 YOLO 算法从摄像头提供的图像帧或视频中检测物体，并使用超声波传感器和红外传感器的独立模块检测障碍物。此外，为了引导人员，我们使用自然语言处理来语音指挥系统并以语音的形式获取感知。该系统可以帮助检测楼梯、任何地方的文本、人、挖掘、臀部、车辆、门、障碍物和货币，这将有助于盲人独立生活。关键词：人工智能、深度学习、物联网、YOLO 算法、物体检测、超声波传感器、红外传感器、自然语言处理。1. 简介
参考矢量处理
乳腺癌是全球健康的主要关注点之一，其管理始于早期诊断。本文使用深度学习Yolo算法介绍了高级机器学习方法（您只看一次）。Yolov8是Yolo深度学习算法的确定版本。乳腺癌检测Yolov8模型基于超声图像。在给定的情况下，深度学习技术的结尾是为了提供高精度，速度和性能。本文介绍了使用超声成像实时乳腺癌检测深度学习算法的应用。相比，该模型比RESNET50和VGG16都代表更高的准确性和回忆，从而代表了其整合到临床环境中的良好潜力。我们的模型显示出93％的准确性和92％的召回结果，分别超过了RESNET50和VGG16的结果6％和10％。最后，我们描述了该系统的集成将如何在实时基于Web的界面上在临床层面上实施，结束了我们的工作，并在临床水平上展示了未来的工作，这项研究如何成为早期发现乳腺癌的进步的来源。
空中对象检测分析
摘要。计算机视觉允许计算机从图像，视频和其他视觉输入中检索信息。无人驾驶汽车（UAV）技术也用于帮助计算机视觉从空中收集图像数据。本文旨在通过从对象上方垂直捕获图像来使用UAV进行树对象检测。图像数据是从2023年7月5日至12日从Sleman Yogyakarta附近收集的。总共将162张图像用作数据集。Yolov8n模型被实施至162张图像作为培训和验证数据。接下来，将其他12个图像用作测试数据。结果表明，Yolov8n可以从上方检测到树木。具有适当图像捕获的测试数据集的置信值超过80％。作为用于对象检测的深度学习算法，Yolo模型可以快速准确地执行对象检测。随后的研究将着重于使用Yolo算法来分析对象检测的实施，以测量开放绿色区域。
YSGA执行委员会会议纪要2024年11月4日
a）批准2025年2月18日会议记录，第3-4页b）批准付款* 5。闭幕式：与法律顾问会议 - 根据政府法规第54956.9（d）（4）（一个潜在案例）6。GSP实施更新a）费用研究更新b）Yolo-Zamora地下水补给项目c）South Colusa North Yolo地下水协调7。