为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

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。

对于海上石油开采的有关设备进行保护，主要就是一种十分适合在海面上长时间进行工作的睡眠穿件检测预警系统。于是，本文主要讲述以DSP以及FPGA最为基本核心的数字处理模块的硬件设计。在这一硬件的基本系统之上，其中有一种适合于DSP处理的被动目标检测算法被提出来。展开软件系统整体的编写流程以及最终实验结果的介绍，经过实验证明这一系统可以真正检测到舰船而且进行报警，具有相应参考价值。

针对信息化战争中的军事目标检测问题，设计实现了一款基于深度学习的遥感图像军事目标检测系统。系统基于YOLOv4目标检测算法，首先通过构建飞机、油罐、立交桥、舰船这4类常见军事目标的数据集，并对数据进行训练得到4类目标的检测模型；然后使用Flask开发了基于检测模型的B/S系统，实现了4类军事目标的快速精准检测。通过对系统的准确性、检测速度等指标进行测试，结果显示该系统各项性能良好，可以满足军事目标检测任务需求。

随着战争智能化趋势的推进，智能技术在战争领域得到了广泛而深入的应用。本文针对战争智能化趋势下的图像处理方法进行研究，在目标检测中复杂背景下目标检测的算法占据越发重要的地位，本文搭建了目标检测网络并应用到目标检测中，获取目标位置信息。

近年来，计算机视觉技术迅猛发展，尤其是目标检测领域备受瞩目，目标检测技术在自动驾驶、智能监控、图像搜索等诸多领域有着重要的应用价值，随着深度学习的兴起，全卷积神经网络作为一种强大的模型结构，为目标检测任务带来了新的机遇和挑战。本文将深入剖析基于全卷积神经网络的计算机视觉目标检测算法，包括其核心思想、算法设计及实现流程等方面，为读者提供一个清晰的认识和全面的理解。

为实现旋翼无人机的自主飞行,设计一种基于树莓派软件的目标检测与识别方法程序,在识别过程中,检测图像的信息并传送给飞控系统,以达到自主飞行的目的。

无人驾驶技术是近年的热门研究领域，以其高效性，安全性受到广泛关注。深度学习作为现代人工智能的重要技术，其在无人驾驶技术中的应用研究意义重大。本文在研究了无人驾驶技术的基本原理和现状的基础上，深入探讨了深度学习技术在无人驾驶中的主要应用，如目标检测、路径规划、环境感知等。我们构建了一种基于深度学习的无人驾驶车辆决策系统，通过实验验证，该系统在解决无人驾驶场景下的种种难题上展现出了良好的性能。同时，对深度学习在无人驾驶中的未来发展前景进行了展望，包括改进算法、数据处理等方向，为推进无人驾驶技术的进步提供了有益的思考。

雷达目标识别在军事及民用领域占据重要地位，计算机深度学习作为一种强大的技术手段，在该领域的应用日益广泛。本文通过系统梳理和总结现有的相关研究成果，详细论述了计算机深度学习在雷达目标识别中的应用进展情况。归纳了计算机深度学习的优点、局限以及当前研究的重点；简述了雷达目标识别的概念；深入探讨了基于特定雷达图像特征的目标识别方法，并对计算机深度学习在雷达目标识别领域的应用前景进行了展望。