肝包虫病是一种呈全球性分布的人畜共患性疾病。超声作为该病的首选诊断方法,虽能及时发现大病灶位置并进行评价,但对早期小病灶的检测能力不佳。本文基于经预处理的高质量肝囊型包虫病超声图像小病灶数据集,提出了一种基于YOLOv7的检...肝包虫病是一种呈全球性分布的人畜共患性疾病。超声作为该病的首选诊断方法,虽能及时发现大病灶位置并进行评价,但对早期小病灶的检测能力不佳。本文基于经预处理的高质量肝囊型包虫病超声图像小病灶数据集,提出了一种基于YOLOv7的检测肝囊型包虫病5类分型超声图像中小病灶的方法,以实现肝包虫病的自动检测,提高临床诊断效率。首先,用硬件感知神经网络EfficientRep替换原特征提取主干,实现在保证精度和速度不受影响的前提下,提高对硬件设备的适配度;其次,用更优的WIoU(Wise-IoU)替换CIoU(Complete Intersection over Union),改善了YOLOv7网络的评价指标CIoU在作为损失函数时,梯度计算效果差,导致检测精度下降的问题;最后,在主干的最后第4层加入CBAM注意力,进一步提高了模型检测精度。本文在自建的肝囊型包虫病超声图像小病灶数据集上进行了训练,结果显示,改进后的模型平均精度均值为88.1%,相较原始的模型性能得到了提升,并超过了对比的其余主流检测方法。说明本模型能更高效地检测并分类肝囊型包虫病超声图像中小病灶的位置和类别,应用于临床上能节约医师资源、缩短报告时长、提高诊断效率。展开更多
为了快速精准地识别复杂果园环境下的葡萄目标,该研究基于YOLOv5s提出一种改进的葡萄检测模型(MRWYOLOv5s)。首先,为了减少模型参数量,采用轻量型网络MobileNetv3作为特征提取网络,并在MobileNetv3的bneck结构中嵌入坐标注意力模块(coor...为了快速精准地识别复杂果园环境下的葡萄目标,该研究基于YOLOv5s提出一种改进的葡萄检测模型(MRWYOLOv5s)。首先,为了减少模型参数量,采用轻量型网络MobileNetv3作为特征提取网络,并在MobileNetv3的bneck结构中嵌入坐标注意力模块(coordinate attention,CA)以加强网络的特征提取能力;其次,在颈部网络中引入RepVGG Block,融合多分支特征提升模型的检测精度,并利用RepVGG Block的结构重参数化进一步加快模型的推理速度;最后,采用基于动态非单调聚焦机制的损失(wise intersection over union loss,WIoU Loss)作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的MRW-YOLOv5s模型参数量仅为7.56 M,在测试集上的平均精度均值(mean average precision,mAP)达到97.74%,相较于原YOLOv5s模型提升了2.32个百分点,平均每幅图片的检测时间为10.03 ms,比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型SSD、RetinaNet、YOLOv4、YOLOv7和YOLOX相比,MRW-YOLOv5s模型的mAP分别高出9.89、7.53、2.12、0.91、2.42个百分点,并且在模型参数量大小和检测速度方面有着很大的优势,该研究可为果园智能化、采摘机械化提供技术支持。展开更多
文摘肝包虫病是一种呈全球性分布的人畜共患性疾病。超声作为该病的首选诊断方法,虽能及时发现大病灶位置并进行评价,但对早期小病灶的检测能力不佳。本文基于经预处理的高质量肝囊型包虫病超声图像小病灶数据集,提出了一种基于YOLOv7的检测肝囊型包虫病5类分型超声图像中小病灶的方法,以实现肝包虫病的自动检测,提高临床诊断效率。首先,用硬件感知神经网络EfficientRep替换原特征提取主干,实现在保证精度和速度不受影响的前提下,提高对硬件设备的适配度;其次,用更优的WIoU(Wise-IoU)替换CIoU(Complete Intersection over Union),改善了YOLOv7网络的评价指标CIoU在作为损失函数时,梯度计算效果差,导致检测精度下降的问题;最后,在主干的最后第4层加入CBAM注意力,进一步提高了模型检测精度。本文在自建的肝囊型包虫病超声图像小病灶数据集上进行了训练,结果显示,改进后的模型平均精度均值为88.1%,相较原始的模型性能得到了提升,并超过了对比的其余主流检测方法。说明本模型能更高效地检测并分类肝囊型包虫病超声图像中小病灶的位置和类别,应用于临床上能节约医师资源、缩短报告时长、提高诊断效率。
文摘为了快速精准地识别复杂果园环境下的葡萄目标,该研究基于YOLOv5s提出一种改进的葡萄检测模型(MRWYOLOv5s)。首先,为了减少模型参数量,采用轻量型网络MobileNetv3作为特征提取网络,并在MobileNetv3的bneck结构中嵌入坐标注意力模块(coordinate attention,CA)以加强网络的特征提取能力;其次,在颈部网络中引入RepVGG Block,融合多分支特征提升模型的检测精度,并利用RepVGG Block的结构重参数化进一步加快模型的推理速度;最后,采用基于动态非单调聚焦机制的损失(wise intersection over union loss,WIoU Loss)作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进的MRW-YOLOv5s模型参数量仅为7.56 M,在测试集上的平均精度均值(mean average precision,mAP)达到97.74%,相较于原YOLOv5s模型提升了2.32个百分点,平均每幅图片的检测时间为10.03 ms,比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型SSD、RetinaNet、YOLOv4、YOLOv7和YOLOX相比,MRW-YOLOv5s模型的mAP分别高出9.89、7.53、2.12、0.91、2.42个百分点,并且在模型参数量大小和检测速度方面有着很大的优势,该研究可为果园智能化、采摘机械化提供技术支持。
