杭州电子科技大学
毕业设计（论文）开题报告
题 目 | 基于深度学习的犬只检测算法研究 |
学 院 | 网络空间安全学院 |
专 业 | 网络工程 |
姓 名 | |
班 级 | ？？？ |
学 号 | 21272121 |
指导教师 | 张烨菲 |
- 综述本课题国内外研究动态，说明选题的依据和意义
1.1研究意义
随着宠物经济的蓬勃发展，宠物犬只数量不断攀升，宠物犬已成为众多家庭不可或缺的伴侣动物，这一趋势极大地推动了宠物医疗行业的快速发展。宠物医院作为宠物健康管理的重要环节，在日常诊疗、健康管理和疾病预防等方方面面临着巨大的挑战。其中，宠物医保市场的需求随之激增，从最初的概念引入到如今逐渐丰富多样，涵盖疾病治疗、意外伤害等多方面保障，越来越多的保险公司参与其中，推动宠物医保不断完善。
现有的宠物识别技术或通过芯片植入与电子标签技术实现，具有一定的侵入性；或通过图像采集进行人为确认，存在极大的身份盗用风险。因此，如何利用人工智能技术提升宠物医疗智能化水平，实现对犬只的身份确认、健康检测和诊疗操作，确保医保服务精准对应，成为亟待解决的问题。在犬只识别领域，相较于人脸识别等可控、稳定场景下的身份识别技术研究，非约束环境下犬只的姿态和运动状态复杂多变，增加了检测和识别的难度。因此，研究基于深度学习的犬只检测技术，实现对宠物犬只狗脸和狗鼻的精准定位，为基于狗鼻的身份识别提供技术技术支撑具有重要的社会价值。
近年来，深度学习在目标检测领域取得了显著进展，在人脸检测、车辆识别等领域展被广泛应用。Facebook公司的AI Research团队在2017年提出了RetinaNet模型，这是一种改进的Focal Loss算法，通过优化损失函数，提高对小目标和难检测目标的检测性能。近年来，深度学习在目标检测领域取得了显著进展，广泛应用于人脸检测、车辆识别等多个领域。例如，Facebook 公司的 AI Research 团队在 2017 年提出的 RetinaNet 模型，通过改进 Focal Loss 算法，提高了小目标和难检测目标的识别性能。此外，YOLO（You Only Look Once）系列算法自首次推出以来，凭借其实时检测能力逐渐成为目标检测的主流方法。而 R-CNN 系列算法则通过区域提议网络（RPN）有效提高了检测精度，进一步促进了目标检测技术的发展。这些研究成果为基于深度学习的犬只检测技术奠定了坚实的基础。
犬只检测作为经典的目标检测任务，面临着如目标物的不稳定性、姿态动态变化等诸多现实挑战。因此，本文拟重点研究Region-CNN (R-CNN)、Yolo (You Only Look Once) 等深度神经网络模型，构建基于深度学习的犬只检测模型，实现对非约束环境下宠物犬只狗脸和狗鼻的精准检测，从而为后续的身份识别、健康管理提供技术保障和支撑，推动宠物健康管理的智能化发展。
1.2国内外研究现状
随着机器学习和深度学习技术的快速发展，国内外已展开了大量的目标检测算法研究，基于各类深度神经网络模型框架的检测和识别技术在医疗、安防等诸多领域亦得到了广泛的应用。本文从传统目标检测和基于深度学习的目标检测方法两个方面，进行如下概述：
- 传统目标检测方法
传统的目标检测方法主要依赖于人工特征提取和分类器的组合。这些方法通常包括区域提议、特征选择以及分类器训练等步骤。较早的代表性算法有Haar特征与Adaboost结合的级联分类器、HOG（方向梯度直方图）特征结合SVM（支持向量机）的检测框架等。这些方法通过手工设计特征来实现目标检测，但往往对场景的变化和复杂情况缺乏鲁棒性。此外，传统算法在处理大规模数据时效率较低，且难以适应多变的环境。因此，尽管这些方法在某些特定条件下能够取得较好的效果，但随着数据量的增加和复杂性的提高，它们逐渐被基于深度学习的方法所取代。
- 基于深度学习的目标检测方法
基于深度学习的目标检测方法借助深度卷积神经网络（CNN）自动提取特征，从而显著提高了检测精度和效率。其中，R-CNN（Regions with CNN features）系列是较早引入深度学习进行目标检测的算法，通过将区域提议网络与卷积网络结合，有效提升了检测性能。随后，YOLO（You Only Look Once）系列算法因其实时检测能力而受到广泛关注，YOLOv1 到 YOLOv7 的不断迭代优化使其在速度与精度之间达到了良好的平衡。此外，RetinaNet 通过引入 Focal Loss 改善了小物体检测的能力，增强了对困难样本的识别能力。当前，基于深度学习的目标检测方法已经广泛应用于人脸识别、车辆监控、医学影像分析等多个领域，展示出强大的潜力和应用前景。随着研究的深入，这些算法不断演进，新的改进方案层出不穷，为解决实际问题提供了更加有效的工具。
2024 年，项家灏等人提出了一种基于改进 YOLOv7 的无人机视角小目标检测算法 MECW-YOLO，提升了复杂场景下的小目标检测性能[1]。同年，孔德航等人基于改进 YOLO v8n 提出的辣椒穴盘育苗播种质量轻量级检测方法，展示了 YOLO 模型在农业应用中的灵活性和有效性[2]。此外，郝淼等人研究了 YOLO 在地质灾害监测设备识别中的应用，证明了该算法在快速响应与高准确率方面的优势[3]。
罗生民等人提出的基于 YOLO-LCMT 的铁路边坡典型病害无人机图像智能检测方法，进一步验证了 YOLO 系列算法在基础设施监测中的潜力[4]。陈波波等人的研究结合了 YOLO 算法，开展了牛体姿态估计，表明了该技术在动物行为分析中的适用性[5]。郑韬等人将 YOLO 与 Vibe 算法融合，开展 AOI 检测研究，展示了 YOLO 在精准检测复杂场景中的优势[6]。
王杰等人在 2024 年采用 EC-YOLO 算法对道路缺陷进行检测，为城市基础设施维护提供了新的技术途径[7]。廖民玲的研究则专注于多视角人体动作图像识别，探讨了显著性特征在目标检测中的应用[8]。同时，王魁等人于 2024 年提出了基于 YOLO v5 算法的小鼠头部位置和姿态监测系统设计，展现了 YOLO 系列在生物医学领域的应用潜力[10]。
法安等人（2024）提出了一种基于 PN-YOLO v8s-Pruned 的轻量化三七收获目标检测方法，展示了 YOLO 技术在农业自动化中的应用[15]。杨子房等人则在中国计算机用户协会网络应用分会的年会上总结了基于 YOLO 系列的目标检测研究进展，为未来相关研究指明了方向[16]。唐艳凤等人研究了基于 YOLO-v4 的海滩垃圾识别算法，展示了目标检测技术在环境保护领域的应用[17]。最后，孟令波等人利用 YOLO 网络模型开展多类别标签缺陷检测研究，为工业检测提供了新思路[18]。
在各种算法中，YOLO（You Only Look Once）因其高效性和实时性而受到广泛关注。例如在2023年6月27日，就有CSDN博客作者发布了一个基于YOLOv5算法实现的犬种检测识别系统。该系统采用登录注册进行用户管理，功能主界面可对图片、视频和摄像头捕获的实时画面检测犬种，系统支持结果记录、展示和保存。这项工作的意义在于，它提供了一个基于深度学习的犬种识别算法及系统应用，提高了对多个犬种种类的识别准确度并实现简要的应用功能。
自首次提出以来，YOLO 经过多个版本的迭代，YOLOv1 将目标检测视为回归问题，在一个单一的神经网络中同时预测物体类别和边界框坐标，而 YOLOv2 和 YOLOv3 则在模型结构及特征提取上进行了改进，进一步提升了检测精度和速度。而最新的 YOLOv7 则通过引入先进的网络设计和优化策略，展现出更高的检测性能，尤其是在小物体检测和复杂场景下的表现尤为突出。
同时，学者们也针对犬只姿态多变、运动状态复杂的问题，探索了基于姿态估计和运动跟踪等辅助技术，以增强检测效果。
例如Mackenzie Mathis及其团队在2018年开发了DeepLabCut，这是一个基于深度学习的开源工具，专门用于精确标注和追踪动物行为。DeepLabCut的主要功能包括关键点标注、多物体追踪以及多种动物支持，它通过深度学习模型自动标注动物身体的关键点，并能在同一视频中同时追踪多个个体。这项成果的意义在于，它极大地减少了手动标注的工作量，提高了研究效率，并支持用户自定义的标注方案，适应不同的研究需求。
以及在《Multi-animal pose estimation, identification and tracking with DeepLabCut》这篇论文中，研究者提供了一个开源的姿势估计工具箱DeepLabCut，该工具箱能够处理多动物场景中的姿态估计、动物装配和跟踪问题。这项研究还整合了预测动物身份的能力，以协助在遮挡情况下的跟踪。在数据集构建方面，由于犬只检测任务需处理大量且难以标注的数据，因此构建多样化的犬只图像数据库成为研究重点。国内外学者通过收集不同品种、姿态和背景下的犬只图像，并利用 Labelme 等打标软件进行标注，形成了丰富的犬只检测数据集，
以上的这些数据集为算法的训练和测试提供了支持，推动了犬只检测技术的发展。
此外，轻量化模型的研究也日益受到重视，如何在保持模型性能的同时减小体积与计算复杂度，已成为当前研究热潮。学者们在轻量化模型结构设计和模型压缩等方面取得了显著进展，提出了剪枝、量化和知识蒸馏等有效的轻量化算法。例如在2020年，张彤彤等人将知识蒸馏方法应用于目标检测网络的特征提取网络中，提高了浅层特征提取网络的性能。结果表明，经过知识蒸馏后的浅层特征提取网络的检测准确率相比无教师网络指导下的检测准确率提高了11.7%。这些技术在犬只检测中的应用，有助于提高检测速度并降低计算成本，从而推动犬只检测技术的广泛应用。
例如2023年，江苏科技大学的顾周宇和俞越成等人提出了一种基于YOLOv5的改进轻量化目标检测模型，称为LKL-PAN（large kernel lightweight aggregation network）。该模型通过深度可分离大卷积与Ghost卷积的特征图金字塔网络，有效地提升了目标检测的感受野和特征提取能力，同时控制了算法的参数量与计算量。在犬只检测应用中，该模型通过使用大卷积核和Ghost卷积，减少了非关键特征的学习成本，提高了检测速度并降低了计算成本，从而推动了犬只检测技术的广泛应用。
再比如2023年，CSDN博客上发表了一篇文章，介绍了一个基于深度学习的犬种识别系统。该系统利用Yolov7/v7/v6/v5等不同版本的代码和训练数据集，实现了犬种的识别检测。这个系统通过深度学习技术，特别是YOLO系列的目标检测算法，对犬只进行检测和识别，展示了轻量化模型在犬只检测领域的应用。通过这种方式，研究者们能够提高犬只检测的速度，并降低计算成本，推动了犬只检测技术的广泛应用。
综上所述，本课题基于深度学习的犬只检测技术研究具有重要的理论意义和实际应用价值，通过深入研究现有目标检测算法与轻量化模型技术，结合宠物医疗行业的特点与需求，旨在为该行业提供一种高效、准确的犬只检测解决方案，推动宠物健康管理的智能化发展。
二、研究的基本内容，拟解决的主要问题
图1 研究框架
本文聚焦于基于深度学习的犬只检测算法，旨在解决非约束环境下宠物犬只的狗脸和狗鼻精准检测问题，为后续的身份识别、健康管理提供保障。研究围绕数据集构建、算法调研、模型选择与优化、实验性能分析等模块展开，主要研究内容及拟解决的问题如下：
- 如何构建高质量、多样化的犬只图像数据集：在非约束环境下，犬只的检测面临多种挑战，例如犬只被遮挡、化妆戴帽子、姿态变化等，导致检测的复杂性增加。因此，需要构建一个全面、充分的数据集，以反映现实环境中的各种情况。同时，我们将利用图像增强技术（如随机旋转、翻转、噪声添加等）进行数据扩充，从而增加数据的多样性，降低过拟合风险，确保训练出的模型在实际应用中具有良好的泛化能力。
- 选择并设计合适的深度学习目标检测算法：现有的 YOLO 等模型虽然在目标检测中表现优越，但直接使用这些预训练模型往往难以达到理想的检测精度，尤其是在复杂场景下。因此，我们需要从网络结构层面进行优化设计，包括改进卷积层的设置、调整特征提取方式以及引入先进的损失函数，以实现高鲁棒性和高精准度的犬只检测算法。这种定制化的网络设计将更好地适应犬只检测的特殊需求，提高准确率和效率。
3）模型优化和算法性能评估：在完成模型的设计与训练后，需要对所实现的算法模型选取合适的实验方案和实验指标进行比较和分析。我们将采用标准性能评估指标，如检测精度、召回率、F1 分数等，对模型进行全面评估，并与其他主流的目标检测算法（如 Faster R-CNN 和 SSD）进行对比分析。这一过程不仅能帮助我们了解模型在不同情况下的表现，还能为后续的优化方向提供依据，确保最终得到的检测算法能够满足实际应用的需求。
2.1犬只图像数据集的构建与预处理
为了训练高精度的目标检测模型，本文需要构建高质量、多样化的犬只图像数据集。该数据集将包括不同品种、不同姿态和不同背景下的犬只图像，并将样本划分为 Positive 和 Negative 两类，其中 Positive 类指那些能够清晰显示狗脸和狗鼻的图像，这些图像符合后续检测的要求；而 Negative 类则指无法有效识别犬只特征的图像，例如模糊、遮挡、角度不佳或包含多只犬只的图片。
随后，我们将利用 Labelme 打标软件，对筛选出的 Positive 样本进行精确标注。标注工作将涵盖狗脸和狗鼻等关键部位的定位信息，为后续的模型训练和测试提供数据保障。这些精准的标注信息将使模型学习到犬只的不同特征，从而提高检测精度。
同时，考虑到不同类型的样本数据不均匀的问题，我们还将采用数据增强操作，以增加数据集的多样性并防止模型过拟合。具体来说，我们会通过旋转、翻转、裁剪、缩放和颜色调整等技术对现有图像进行变换，从而生成更多的训练样本。这一过程将帮助模型更好地应对实际应用中可能遇到的各种变化，提高其鲁棒性和泛化能力。通过这系列的数据构建与预处理步骤，我们将为目标检测模型的训练奠定坚实的基础。
2.2基于深度学习的犬只检测模型构建
在分析 R-CNN 系列、YOLO 系列和 RetinaNet 等经典目标检测算法后，我们探索了适用于犬只检测任务的算法改进方向，包括网络结构优化和损失函数改进等。经过对比，发现 YOLO 系列在基于深度学习的犬只检测中相比于 RetinaNet 和 R-CNN 具有明显优势。YOLO 及其各类变体在处理小物体和复杂背景的目标检测任务时表现出色，此外，其高效的检测速度使得 YOLO 更适合实时应用。而在非约束环境下进行犬只检测时，YOLO 的优秀性能尤为重要，因为它能够快速响应并准确识别各种复杂场景中的犬只。
进一步地，在 YOLO 系列中，YOLOv7 在多个方面进行了优化，不仅增强了特征提取能力，还提高了检测精度。因此，本文拟采用 YOLOv7 系列模型作为基础，研究基于深度学习的犬只检测模型，以期提升犬只检测的准确性和效率，为后续身份识别和健康管理提供可靠的技术支持。
2.3 模型优化和性能评估
在深度神经网络模型的选择方面，本文将综合考虑模型的精度、速度和可解释性等因素，并根据犬只检测任务的特点和需求进行权衡。最终选取 YOLOv7 作为犬只检测的基础框架，利用构建的数据集进行模型训练。在这一过程中，我们将考虑通过随机裁剪、旋转、缩放和色彩抖动等方法进行数据增强，以增加训练样本的多样性，帮助模型更好地适应不同环境下的挑战。
为提升模型性能，本文将使用预训练模型作为初始权重进行训练，并根据具体任务需求优化网络结构，例如调整卷积层的数量和大小、修改激活函数等。此外，将采用交叉验证方法来评估模型表现，从而找到最佳的超参数配置。这一过程将确保我们能够有效地利用数据集，提高模型的泛化能力和鲁棒性。
为了进一步提高模型的性能，本文将对所选模型进行细致的优化，包括调整学习率、批量大小以及其他优化器参数设置。同时，也会关注正则化措施，如 Dropout 和 L1/L2 正则化，以防止过拟合。通过不断的迭代和优化，本文旨在实现具有高鲁棒性和高精准度的犬只检测算法，为后续的身份识别和健康管理提供坚实的技术保障。在完成模型训练后，我们还将通过标准性能评估指标（如检测精度、召回率和 F1 分数）对模型效果进行全面评估，并与其他主流目标检测算法进行比较分析，以验证其优越性。
三、研究步骤、方法及措施
3.1 研究步骤
针对基于深度学习的犬只检测算法研究，确立如下研究步骤：
①在文献调研与算法选择阶段，将深入阅读并整理目标检测领域的文献资料，重点调研 R-CNN 系列、YOLO 系列和 RetinaNet 等深度学习方法，并对比它们在人脸检测等类似任务上的表现。最终确定使用 YOLOv7 作为犬只检测的基础算法，因其在检测速度和精度上的优越性。
②在数据集构建与预处理阶段，将收集并整理多样化的犬只图像数据，包括单目标图像和多目标图像，利用 Labelme 等打标软件对图像中的狗脸和狗鼻进行精确标注。此过程将确保标注的准确性，以便为后续训练提供高质量的数据支持。同时，对数据进行预处理，如图像增强（例如随机裁剪、旋转、翻转等）和归一化，以提高模型的泛化能力，降低过拟合风险。
③在模型训练与优化阶段，将选取 YOLOv7 作为犬只检测的基础框架，利用构建的数据集进行模型训练。在这一过程中，将通过调整网络结构、优化器参数（如 Adam 或 SGD）、学习率和批量大小等策略，提高模型的检测精度和鲁棒性。此外，还会采用交叉验证方法来评估模型表现，从而找到最佳的超参数配置。
④完成训练后，将进入结果评估与比较分析阶段。将对训练好的 YOLOv7 模型进行性能评估，包括检测精度、召回率、F1 分数等指标。同时，与其他目标检测算法，如 R-CNN 和 RetinaNet 进行对比分析，以验证所选算法在犬只检测任务上的有效性和优越性。
⑤在算法应用与拓展阶段，将把训练好的犬只检测算法应用于宠物医院等实际场景中，实现对宠物犬只的狗脸和狗鼻的精准检测。进一步探索该算法在身份识别和健康管理等方面的拓展应用，推动宠物健康管理的智能化发展，为相关行业提供切实可行的技术解决方案。
在模型选择与优化方面，将使用 YOLOv7 作为犬只检测的基础框架。相较于 YOLOv3 和 YOLOv4，YOLOv7 在多个方面展现了显著优势。首先，YOLOv7 针对网络结构进行了多项改进，使得其在检测速度和精度上有了更好的平衡。此外，YOLOv7 更加适应于复杂场景下的物体检测，尤其是在小物体和多目标检测方面表现尤为突出。
值得注意的是，YOLOv3 和 YOLOv4 虽然在单个目标检测任务中表现良好，但在处理多个对象时常会遇到准确率下降的问题，主要由于其特征提取和定位策略的局限性。而这次的研究方向正是针对多个体检测，因此使用 YOLOv7 将使能够更有效地识别和定位图像中的多个犬只，从而推动这一领域的发展。通过这样的选择，不仅能提升检测效果，还能为后续的宠物健康管理系统构建更为准确和可靠的技术支持。
3.2研究方法及措施
3.2.1 数据集构建与预处理(已完成)
在数据收集阶段，将通过宠物医院、社交媒体、宠物论坛等途径收集多样化的犬只图像数据，确保涵盖不同品种、姿态和背景的狗。这些图像将为模型训练提供丰富的信息基础。在数据标注方面，采用 Labelme 等打标软件对图像中的狗脸和狗鼻进行精确标注，以确保标注的准确性和一致性。此外，在数据预处理阶段，对图像数据进行裁剪、缩放和归一化等操作，以提高模型的训练效率和泛化能力。同时，利用图像增强技术（如随机旋转、翻转、噪声添加等）增加数据的多样性，从而有效防止模型过拟合。
在数据预处理阶段，我们将利用提供的数据库进行必要的数据筛选。首先，对数据集进行审核，剔除模糊、拍摄角度不当、狗脸遮挡或背景复杂的图像。随后，根据定义将数据分为阳性样本和阴性样本，其中阳性样本包含清晰可见狗脸及特征的图像，而阴性样本则不符合这些条件。目前，已对 4000 张图片进行筛选，排除近 200 张不合格图片。
完成样本分类后，将使用 Labelme 软件对阳性样本进行标注。标注过程包括两个步骤：首先标记犬只的头部区域，然后细化识别眼睛、鼻子等重要特征。这些标注工作将为后续模型训练提供高质量的数据支持，目前已打标图片超过 200 张。
图2 阳性样本的打标结果示意图
3.3.2基于Yolov7的犬只检测模型构建
将选择 YOLOv7 作为犬只检测的深度神经网络模型基础框架。根据犬只检测任务的特点和需求，对网络结构进行调整和优化，例如增加卷积层数量或调整卷积核大小，以适应特定的检测目标。在优化器与学习率调整方面，将选择适合的优化器（如 Adam 或 SGD），并应用学习率衰减或预热策略，以提高模型的训练速度和收敛性能。为了防止模型过拟合，将采用 L1/L2 正则化、Dropout 和早停等策略，从而提升模型的泛化能力。
3.3.3模型优化及应用拓展
在结果评估中，将采用检测精度、召回率和 F1 分数等指标对模型性能进行全面评估。同时，与其他目标检测算法（如 Faster R-CNN 和 SSD 等）进行对比分析，从检测精度、速度和鲁棒性等方面进行综合考量。此外，将利用可视化工具对检测结果进行展示，帮助直观了解模型的检测效果和潜在问题。
最终，将训练好的 YOLOv7 犬只检测算法应用于宠物医院等实际场景，实现对宠物犬只的狗脸和狗鼻的精准检测。进一步探索该算法在身份识别和健康管理等领域的拓展应用，例如结合深度学习技术进行犬只身份认证和健康监测。依据实际应用反馈和需求，不断对算法进行优化与迭代，以提高其实用性和准确性，从而推动宠物健康管理的智能化发展。
四、研究工作进度：
序号 | 时间 | 内容 |
1 | 2024.12.22-2024.12.28 | 选好毕业设计题目并准备相关资料 |
2 | 2024.12.29-2025.1.14 | 接受任务书 |
3 | 2025.1.15-2025.3.10 | 搜集资料，准备开题报告 |
4 | 2025.3.11-2025.3.17 | 开题报告会 |
5 | 2025.3.18-2025 3.25 | 心电信号消噪处理的实现 |
6 | 2025.3.26-2025 4.24 | 任务实现 |
7 | 2025.4.25-2025.5.12 | 撰写毕业论文 |
8 | 2025.5.13-2025.5.23 | 论文审核及查重 |
9 | 2025.5.24-2025.5.28 | 论文自查、专家抽查论文 |
10 | 2025.5.29-2025.6.7 | 答辩报告会 |
五、主要参考文献：（所列出的参考文献不得少于10篇，其中外文文献不得少于2篇，发表在期刊上的学术论文不得少于4篇。）
- 项家灏, 徐慧英, 徐广平, 等. MECW-YOLO:基于改进Yolov7的无人机视角小目标检测算法 [J/OL]. 计算机工程与科学, 1-12.
- 孔德航,刘云强,崔巍,等. 基于改进YOLO v8n的辣椒穴盘育苗播种质量轻量级检测方法 [J/OL]. 农业机械学报, 1-14[2024-12-26].
- 郝淼,王雅洁,杨鑫,等. YOLO在地质灾害监测设备识别中的应用研究 [J]. 电脑编程技巧与维护, 2024, (12): 121-125.
- 罗生民,许贵阳,魏培勇,等. 基于YOLO-LCMT的铁路边坡典型病害无人机图像智能检测方法 [J/OL]. 铁道建筑, 1-7[2024-12-26].
- 陈波波,雷远彬,张吉磊,等. 基于YOLO算法的牛体姿态估计研究 [J]. 大理大学学报, 2024, 9 (12): 58-64.
- 郑韬,袁晓燕,张磊. 基于YOLO融合Vibe算法在AOI检测的研究 [J]. 现代传输, 2024, (06): 42-46.
- 王杰,翟亚红,徐龙艳,等. 基于EC-YOLO的道路缺陷检测 [J]. 湖北汽车工业学院学报, 2024, 38 (04): 64-68.
- 廖民玲. 基于显著性特征的多视角人体动作图像识别研究 [J]. 现代电子技术, 2024, 47 (24): 143-147.
- Wang P ,Kim S ,Han X . Development of an automatic beehive transporting system based on YOLO and DeepSORT algorithms [J]. Computers and Electronics in Agriculture, 2025, 229 109749-109749.
- 王魁,周湘堡,周天浩,等. 基于YOLO v5算法的小鼠头部位置和姿态监测系统设计 [J/OL]. 清华大学学报(自然科学版), 1-9[2024-12-26].
- 林秋阳,刘建锋,李志远,等. 基于对比学习和改进CRNN的二次回路端子排图像识别技术 [J/OL]. 上海电力大学学报, 1-7[2024-12-26].
- Ge Y ,Ji H ,Liu X . Infrared remote sensing ship image object detection model based on YOLO In multiple environments [J]. Signal, Image and Video Processing, 2024, 19 (1): 85-85.
- Li L ,Yujing Z ,Sheng J , et al. Yarn target detection of a braiding machine based on the YOLO algorithm [J]. Textile Research Journal, 2024, 94 (23-24): 2863-2875.
- Wang X ,Zhang L ,Jiang Y , et al. Optimizing military target recognition in urban battlefields: an intelligent framework based on graph neural networks and YOLO [J]. Signal, Image and Video Processing, 2024, 19 (1): 6-6.
- 法安,何忠平,张兆国,等. 基于PN-YOLO v8s-Pruned的轻量化三七收获目标检测方法 [J]. 农业机械学报, 2024, 55 (11): 171-183.
- 杨子房,袁家政,徐成,等. 基于YOLO系列的目标检测研究进展综述[C]// 中国计算机用户协会网络应用分会. 中国计算机用户协会网络应用分会2024年第二十八届网络新技术与应用年会论文集. 北京联合大学北京市信息服务工程重点实验室;北京联合大学机器人学院脑与认知智能北京实验室;北京开放大学;, 2024: 5.
- 唐艳凤,胡立姗,尤海正,等. 基于YOLO-v4的海滩垃圾识别算法研究 [J/OL]. 自动化技术与应用, 1-5[2024-12-26].
- 孟令波,杨程午,李亚彬. 基于YOLO网络模型的多类别标签缺陷检测 [J]. 无损检测, 2024, 46 (11): 67-72+90.
- 顾周宇, 俞越成, 宁安琪, 等. LKL-PAN: 基于YOLOv5的改进轻量化目标检测模型[J/OL]. 计算机工程与科学, 2023, 45(11): 1-12 [2023-12-26].
六、开题答辩小组评审意见：
考核点 | 背景及意义阐述情况 | 研究内容与任务书的匹配程度 | 研究方案合理性 | 进度安排情况 | 答辩情况 | 总分 |
满分 | 20 | 30 | 30 | 10 | 10 | 100 |
评分 |
开题答辩小组负责人签字：
2024年3月13日
