基于深度学习的芒果成熟度与病害智能识别系统。项目采用EfficientDet-D1作为基础架构，通过增加检测头深度和引入Dropout正则化两项改进策略，显著提升了模型性能。实验结果显示，改进后的模型准确率达到98.05%，较基线模型提升2.93个百分点，平均精度均值提升至0.942。系统支持图片、视频和实时摄像头检测，具备GPU加速功能，处理单张图片仅需83毫秒。该技术解决了传统人工检测效率低、

本文开发了一套基于深度学习的棉田昆虫图像分类系统，采用ConvNeXt和ViT两种模型进行对比实验。实验结果表明，使用预训练权重的ConvNeXt模型表现优异，测试准确率达99.02%，显著优于ViT模型（67.54%）。系统通过类别权重机制解决了数据不平衡问题，并开发了图形化界面支持单张/批量图片分类。核心代码实现了模型加载、图像分类、训练优化等功能模块，为棉田病虫害智能识别提供了有效解决方案。

基于YOLOv10深度学习模型的中国交通标志识别系统。该系统采用YOLOv10n轻量级架构，在包含5998张图像的数据集上进行训练，能够准确识别58种中国交通标志。模型训练100轮后，在验证集上取得mAP50 98.25%、精确率98.73%的优异表现。系统提供Web和桌面两种交互界面，支持图片、视频及实时摄像头检测，可调节置信度阈值并导出检测结果。该技术可应用于自动驾驶、交通管理等领域，具有实时

本文提出了一种改进的YOLOv8多目标检测系统，通过引入CBAM注意力机制和多尺度特征融合模块，显著提升了检测精度。系统在VOC2007数据集上训练100个epoch后，达到73.8%的mAP@0.5。同时集成了基于卡尔曼滤波的多目标追踪模块，支持标准滤波和自适应滤波两种模式。实验结果表明，该系统在检测精度和追踪稳定性方面均有明显提升，同时保持了实时处理能力。系统采用模块化设计，提供多种运行模式，

本文介绍了基于YOLOv10深度学习模型的瓜果成熟度智能检测系统。该系统采用Flask框架构建，包含用户管理、实时检测、历史查询和数据分析等功能模块，支持图片、视频和摄像头等多种检测方式。系统使用自建数据集（2839张训练图像）训练模型，验证结果显示成熟类别的识别准确率达96%，mAP达到0.982。技术实现上，系统通过OpenCV处理视频流，采用PIL库渲染中文标签，并基于Flask Sessi

本文提出了一种改进的YOLOv8多目标检测系统，通过引入CBAM注意力机制和多尺度特征融合模块，显著提升了检测精度。系统在VOC2007数据集上训练100个epoch后，达到73.8%的mAP@0.5。同时集成了基于卡尔曼滤波的多目标追踪模块，支持标准滤波和自适应滤波两种模式。实验结果表明，该系统在检测精度和追踪稳定性方面均有明显提升，同时保持了实时处理能力。系统采用模块化设计，提供多种运行模式，

本文介绍了一个基于Vue3+Flask架构的智能环境监测系统，实现了多模态数据融合处理。系统核心功能包括：实时空气质量监测（覆盖31个城市）、基于EfficientNetB0的天气图像识别（准确率90%+）、历史数据分析与可视化、城市对比、趋势预测，以及集成百度文心一言的智能问答服务。采用前后端分离设计，前端使用Vue3+Element Plus+ECharts构建交互界面，后端通过Flask提供

本文探讨了基于深度学习CNN和PyQt5的表情识别系统的设计与实现。该系统能够实时识别人脸表情，支持多种表情类别，具有高识别准确率和良好的用户体验。系统采用CNN卷积神经网络模型进行表情分类，通过PyQt5构建用户界面，直观展示识别结果和各表情的概率分布。文章详细介绍了系统架构、数据集选择、深度学习模型设计、系统功能展示、技术实现细节、用户界面设计、系统优势、开发技术栈以及未来改进方向。该系统在智

基于YOLOv10深度学习模型的中国交通标志识别系统。该系统采用YOLOv10n轻量级架构，在包含5998张图像的数据集上进行训练，能够准确识别58种中国交通标志。模型训练100轮后，在验证集上取得mAP50 98.25%、精确率98.73%的优异表现。系统提供Web和桌面两种交互界面，支持图片、视频及实时摄像头检测，可调节置信度阈值并导出检测结果。该技术可应用于自动驾驶、交通管理等领域，具有实时

本文开发了一套基于深度学习的棉田昆虫图像分类系统，采用ConvNeXt和ViT两种模型进行对比实验。实验结果表明，使用预训练权重的ConvNeXt模型表现优异，测试准确率达99.02%，显著优于ViT模型（67.54%）。系统通过类别权重机制解决了数据不平衡问题，并开发了图形化界面支持单张/批量图片分类。核心代码实现了模型加载、图像分类、训练优化等功能模块，为棉田病虫害智能识别提供了有效解决方案。