基于非对称的双卷曲和自适应特征融合的牙探测系统
HongLing Hou1,2, Ao Yang3, Xiangyao Li3
1School of Mechanical Engineering, Shaanxi University of Technology, Hanzhong, 723001, China. xjtuhhl@163.com.
Scientific reports
|December 31, 2024
概括
这项研究介绍了YOLO-DB,这是一种深度学习模型,用于以99.3%的准确度检测小牙突起. 这种高效的方法实现了无缺陷的计数,并优于现有的算法.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 牙突起很难检测,因为它们的小尺寸和形状.
- 现有的检测方法对于这些物体缺乏精度和效率.
研究的目的:
- 开发一个准确和高效的深度学习模型来检测和计数牙漏洞.
- 为了引入你只看一次的牙 (YOLO-DB) 方法.
主要方法:
- 开发了一种新的深度学习模型,YOLO-DB,包含一个轻量级不对称双卷积 (LADC) 模块.
- 引入了一个融合网络,将SlimNeck与BiFPN-Concat相结合,以增强功能集成.
- 创建了一个专门的平台来检测牙漏洞,并通过严格的实验验证进行计算.
主要成果:
- 在牙孔数据集上获得了99.3%的平均精度 (mAP@0.5).
- 在mAP@0.5:0.95中显示了3.2%的增长,检测速度为每秒128.
- 降低了14.4%的参数体积和17.9%的计算成本,计数精度为100%.
结论:
- 与当前的算法相比,YOLO-DB为牙科提供了优越的检测能力和效率.
- 该模型为精确检测和计数延长物体提供了一种新的方法.
- 这种方法提升了相关工业应用中的自动化检查.
