企业官网建设流程全解析

专做高中知识的网站,网站建设2017排名,互联网网站如何做流量统计,58同城找工作app下载杭州电子科技大学毕业设计#xff08;论文#xff09;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#xff1f;#xff1f;#xff1f;学 号21272121指导教师张烨菲综述本课题国内外研究动态#xff0c;…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YOLOYou 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-CNNRegions 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YOLOYou 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YOLOYou 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-PANlarge 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 YOLOv4YOLOv7 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12024.12.22-2024.12.28选好毕业设计题目并准备相关资料22024.12.29-2025.1.14接受任务书32025.1.15-2025.3.10搜集资料准备开题报告42025.3.11-2025.3.17开题报告会52025.3.18-2025 3.25心电信号消噪处理的实现62025.3.26-2025 4.24任务实现72025.4.25-2025.5.12撰写毕业论文82025.5.13-2025.5.23论文审核及查重92025.5.24-2025.5.28论文自查、专家抽查论文102025.5.29-2025.6.7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): 67-7290.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2030301010100评分开题答辩小组负责人签字2024年3月13日