为解决真实养殖环境下，水下成像模糊、失真等导致鱼群检测准确率低的问题，提出一种融合视觉注意力机制SKNet (selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理，得到清晰的鱼群图像，然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络，加强对模糊鱼体的识别能力，并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验，以验证SK-YOLOv5的有效性。结果表明：在鱼群检测任务上，SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比，SK-YOLOv5取得了较好的检测效果，与XFishHmMp模型相比，识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比，识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明，融合SKNet与YOLOv5的养殖鱼群检测方法，有效地解决了水下模糊图像鱼群检测准确率低的问题，提升了养殖鱼群检测和识别的整体效果。

为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15 578帧关键帧,将所有关键帧及其标记文件划分为14 178个训练数据及1 400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果。结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classification loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1%和99.2%,召回率分别为98.4%和98.3%,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l。研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型。

鉴于社会发展下的垃圾总量的不断增加，就如何有效分类垃圾，减少污染，文本提出使用计算机深度学习技术进行垃圾识别检测研究。该方法应用卷积神经网络，基于YOLOv5 模型，融合注意力机制进行特征提取。实验表明该方法能有效识别出可回收垃圾、有害垃圾、其他垃圾，从而验证了该方法的有效性。

本项目基于项目组前期采集并标注的大量水稻病害图像数据，利用TensorFlow机器学习框架训练水稻病害识别模型，完成常见的6种病害的识别，最后利用MCU级AI推理框架对基于TensorFlow机器学习框架训练出来的水稻病害识别模型进行优化，并迁移到嵌入式边缘计算平台中。本文将介绍如何进行数据标注和模型训练，接着着重解析如何利用TensorFlow建立水稻病害识别模型，完成病害图片和视频的识别。

初中是化学学习的启蒙阶段，加强初中化学实验操作考核有助于提高学生的基础实验操作技能。然而目前的化学实验操作考核中，主要以人工评价为主，评价主观性较强。如何采用有效的方法对初中化学实验进行自动化评估成为当前教育领域的研究热点，而对实验过程自动化评估的主要任务之一就是自动检测实验过程中的物品。文章以促进教育考试评价改革为研究目的，提出一种改进的YOLOv5模型用于初中化学实验物品的实时检测。该方法将1x1的卷积核引入到传统的YOLOv5模型中，实现对输入数据的降维操作，从而有效地减少模型的参数量。实验在自建的初中化学实验物品数据集上测试结果表明：改进后的YOLOv5模型计算量更小，检测速度更快，能够更好地满足初中化学实验物品自动检测的实时性需求，为后续初中化学实验过程自动化评估奠定了坚实的基础，在一定程度上推动了化学实验评价的客观与公平，从而有效地推进教育公平。