XiaoMi-AI文件搜索系统
World File Search System检测算法
使用Yolov4和RGB-D
摘要。松散的棕榈果（LPF）是一种油棕果，已从其堆中成熟并掉落，含有高油脂含量。LPF的每个损失都会影响石油提取率并导致财务损失。现有的LPF收集方法不是很有效，因为它们需要人类的控制和监督。常规方法，例如机械和滚筒型LPF收集器，由于LPF散布在广泛的人工林上，因此效率低下。因此，必须使用自主LPF检测系统。但是，基于图像的检测系统通常受到诸如亮度和草的环境因素的干扰，而LPF位置随机器人和摄像头的位置而变化。这项研究的一般目标是开发一种基于图像的LPF检测算法。这需要基于深度学习的实时应用的有效检测算法。另外，使用图像深度（RGB-D）准确地确定LPF位置是必不可少的。该项目采用高效率和准确性的Yolov4对象检测器来实现实时LPF检测。使用深度图像和Intel Realsense D435i相机的视野，LPF位置是通过LPF边界框的中心坐标与相机之间的距离确定的。该系统已集成到机器人操作系统（ROS）中，以确保机器人的可用性。该系统达到了98.74％的平均准确性（MAP@IOU 0.5），平均损失为0.124，检测时间为5.14ms。对于LPF位置确定，算法的计算位置和手动测量之间的差异仅为X坐标的3.82厘米，而Y坐标的差异仅为1.80厘米。
USV-YOLO：用于检测环保无人容器表面浮动物体的算法
摘要 - 水资源是人类的基础。表面浮游物体的精确检测是环境保护无人机进行河流清洁操作的主要先决条件。针对当前目标检测算法在复杂场景和低特征识别能力下对水面上的小目标的不良适应性，本文提出了水表面流动物体检测算法USV-yolo，这实现了在内陆河流复杂条件下充电对象的准确识别和检测。最初，设计了一种新颖的C2F频道模块。它优化了特征信息的利用，并通过顺序融合和串联从瓶颈层发出的特征信息来提高检测浮动物体的准确性；其次，该设计介绍了GS-EVC模块，该模块通过合并GSCONV和SHUF-flof flof flof flof flof flof flof flof flof flof flof flopl oterations介绍了表面炉的原始特征信息的利用，增强了远程特征信息之间的依赖性，并增强了特征识别能力；最终，骨干网络中的标准卷积被全尺寸动态ODCONV代替。其中的加权注意机制可以适应复杂目标的特征提取，从而进一步提高了网络的检测精度。实验是在开源数据集（浮动waste-i和flow-img）上进行的，实验结果表明，本文中的USV-Yolo算法提高了平均检测精度，地图50和MAP 50-95，分别提高了4.3％和6.1％，比原始网络更好，这是其他经典的目标。
计算机视觉类XII教学大纲
SL。 编号 实用（建议的实验室实验清单）类别1图像处理基础知识12实用：使用Python任务的图像处理技术简介：使用Python加载和显示图像。 实施基本图像操作，例如调整，裁剪和旋转图像。 应用图像增强技术，例如直方图均衡和对比度拉伸。 实施过滤技术，例如模糊，锐化和边缘检测。 2特征提取12实用：实施特征提取技术。 任务：实现Harris角检测算法。 使用OpenCV函数提取筛分，冲浪和ORB功能。 提取定向梯度（HOG）特征的直方图以进行对象检测。 可视化提取的功能和描述符。SL。编号实用（建议的实验室实验清单）类别1图像处理基础知识12实用：使用Python任务的图像处理技术简介：使用Python加载和显示图像。实施基本图像操作，例如调整，裁剪和旋转图像。应用图像增强技术，例如直方图均衡和对比度拉伸。实施过滤技术，例如模糊，锐化和边缘检测。2特征提取12实用：实施特征提取技术。任务：实现Harris角检测算法。使用OpenCV函数提取筛分，冲浪和ORB功能。提取定向梯度（HOG）特征的直方图以进行对象检测。可视化提取的功能和描述符。
使用Yolov8算法的交通拥堵检测与...
根据中央Java统计局的数据，社区发展和增长有关2021年中部爪哇省车辆数量的数据是20 320 743。社会增长的增长导致了车辆密度，这在城市地区是一个严重的问题。这项研究使用Yolov8算法开发了一种拥塞检测系统，以分析CCTV素材的交通密度。自动检测交通拥堵是城市运输管理中的一个关键挑战。Yolov8是一种快速准确的对象检测算法，用于识别车辆并在高速公路各个区域计数数量。然后处理此信息以评估道路拥堵条件，目的是检测拥塞。在两个道路方案和交通状况上测试了获得的数据，以评估系统的性能。结果表明，在训练测试中，Yolov8的准确性在96％时显示出很高，但是在几种不同的样本测试中，检测准确率在所有测试的框架样品中均显示59.2％。使用Yolov8的使用可以通过有效的计算资源实时检测，从而使其成为大规模部署的潜在解决方案。本研究表明，将高级对象检测算法（例如Yolov8）与CCTV数据合并可以为大城市的交通管理提供有效的解决方案。预计该系统将改善对拥塞的反应，帮助控制交通，并减少城市地区拥塞的负面影响。
人工智能辅助听诊心脏杂音
摘要 人工智能 (AI) 有可能提高通过听诊筛查瓣膜和先天性心脏病的准确性。然而，尽管最近在以心音为重点的信号处理和分类算法方面取得了进展，但临床对这项技术的接受度仍然有限，部分原因是缺乏客观的性能数据。我们假设可以通过虚拟临床试验对心脏杂音检测算法进行定量和客观的评估。从约翰霍普金斯心脏听诊记录数据库 (CARD) 中选择了所有具有病理性杂音、无害杂音或无杂音的病例。独立于 CARD 开发的测试算法使用自动批处理协议分析每个记录。从 CARD 中选择了来自 603 次门诊就诊的 3180 条心音记录。算法对心率的估计与黄金标准相似。检测病理病例的敏感性和特异性分别为 93%（CI 90–95%）和 81%（CI 75–85%），准确率为 88%（CI 85–91%）。性能因算法确定性度量、患者年龄、心率、杂音强度、胸部记录位置和病理诊断而异。据我们所知，这是首次报道的基于人工智能的杂音检测算法的全面客观评估。测试算法在这次虚拟临床试验中表现良好。该策略可用于有效地比较其他算法对同一数据集的性能，并提高对人工智能辅助听诊潜在临床实用性的理解。
Runit 10 月 24 日 IR 数据.pdf
CXR 参考文献：Ju Gang Nam，“基于深度学习的胸部 X 光片恶性肺结节自动检测算法的开发与验证”，放射学第 290 卷，第 1 期 (2018)：218–228，doi：10.1148/radiol.2018180237 MMG 参考文献：Hyo-Eun Kim，“使用人工智能进行乳房 X 光检查时癌症检测和假阳性召回的变化：一项回顾性、多读者研究”，柳叶刀数字健康第 2 卷，第 3 期 (2020)：e138-e148，doi：/10.1016/S2589-7500(20)30003-0
使用
边缘机器学习技术进入智能交通拥堵控制系统，利用高级对象检测算法，预测性建模和动态信号优化的功能。在这个创新系统的核心位置是Yolov8，这是一种最先进的对象检测算法，它在迅速识别和分类的车辆，行人，骑自行车的人和其他路交通摄像头中的其他道路元素方面都符合实时交通摄像头供稿。通过准确检测和跟踪这些对象，系统可以就交通流量，信号时机和安全措施做出明智的决定，从而提高城市交通管理的整体效率和有效性。所提出的系统代表了解决交通拥堵的一种整体方法，将卷积神经网络（CNN）的能力结合在一起，用于拥塞检测，增强学习与近端政策优化（PPO）进行动态信号时机以及长期短期记忆（LSTM）网络（LSTM）网络进行预测性建模。高级算法的这种协同集成使系统能够适应实时的交通状况，最大程度地减少拥塞并优化现有基础架构的利用。2。文献综述，城市交通拥堵的持久问题促使研究人员和工程师之间的一致努力制定了创新的补救措施。将机器学习（ML）和人工智能（AI）方法纳入交通管理系统已成为一种有前途的方法。本评论调查了基于ML的城市交通管理的相关研究和进步，旨在解决其对社会，环境和经济的多方面影响。
使用Python -ijrpr
该项目着重于使用Python设计强大的信用卡欺诈检测系统，利用其丰富的数据科学库和框架生态系统。主要的挑战在于解决欺诈数据集固有的极端类不平衡，在该数据集中，合法交易大大超过了欺诈行为（通常不到总数据的1％）。这种不平衡会偏向模型的性能，从而导致较高的假阴性率和传统准确度指标无效。为了克服这一点，探索了诸如综合少数群体过采样技术（SMOTE），类加权和异常检测算法之类的技术，以增强对欺诈模式的模型敏感性。
