基于深度学习的自动驾驶目标检测系统（YoLov8，深度学习、源程序、开题报告、任务书、Python）

一、本课题的目的及意义，研究现状分析

（1）目的及意义

本文深入研究了基于YOLOv8的自动驾驶目标检测系统，核心采用YOLOv8并整合了YOLOv7、YOLOv6、YOLOv5算法，进行性能指标对比；详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码，及基于Streamlit的交互式Web应用界面设计。在Web网页中可以支持图像、视频和实时摄像头进行自动驾驶目标检测，可上传不同训练模型（YOLOv8）进行推理预测。

 在本系统中，实时摄像头检测功能允许用户通过简单的按钮点击，快速开启摄像头进行实时自动驾驶目标检测，系统能够在实时视频流中准确识别并标记出目标物品。接着，图片检测功能支持用户选择本地存储的图片文件进行目标识别，系统将分析图片并标出识别的目标项目。对于视频内容的分析，视频文件检测功能使用户能够选择本地视频文件进行目标识别，系统将逐帧分析视频内容，并在视频画面上实时标记目标物品。为了提供灵活的检测选项，系统引入了模型选择功能，通过下拉菜单，用户可选择不同的训练好的模型文件（YOLOv8）进行检测，以比较不同模型的效果和准确率。同时，检测画面展示功能使检测结果可以与原始画面同时或单独显示，为用户提供了灵活的视觉对比选项。此外，为了便于专注于特定类型的目标识别，特定目标标记与筛选功能允许用户通过下拉框选择特定的目标目标进行标记并显示结果。本毕业论文将围绕以下几个内容展开研究工作。

（2）研究现状分析

YOLOV8是近年来在目标检测领域取得显著成果的深度学习算法，基于卷积神经网络（CNN）实现了高效的目标定位与分类。研究主要从YOLOV8算法的基本概念、目标函数、区域生成网络（RPN）、损失函数等理论知识入手。通过YOLOV8进行目标检测时，首先利用RPN生成候选区域，然后在每个候选区域内进行分类和边界框回归。本文将深入探讨YOLOV8算法在自动驾驶中的应用，给出其具体实现流程，包括模型训练、目标检测结果的处理与优化。

目标定位与识别技术是自动驾驶中不可或缺的部分，依赖于计算机视觉和深度学习的融合。本文基于YOLOV8，研究目标检测中的关键技术，如边缘检测、目标定位、图像分割等。首先，利用边缘检测算法识别物体的轮廓，进一步通过定位算法确定目标物体在图像中的精确位置。然后，应用图像分割技术细化目标区域，以提高检测精度。最后，结合YOLOV8的目标检测模型，给出从图像预处理、特征提取到检测结果输出的基本流程及具体实现方法。

在此部分，研究主要从数据获取、数据预处理、特征工程、模型构建、模型评估等五个方面进行自动驾驶目标检测模型的构建。首先，收集自动驾驶数据集，如图像和视频数据，进行数据预处理，包括图像增强、去噪等操作。其次，进行特征工程，通过卷积神经网络提取图像特征。接着，构建YOLOV8模型，训练网络并优化参数。最后，评估模型性能，使用精度、召回率、F1值等指标对目标检测效果进行量化评估。此外，还将搭建交互界面，支持数据集读取、模型训练、模型评估以及检测样本数据导入等操作。

基于构建的目标检测模型，本文选取不同场景下的待识别数据，进行目标检测的速度与准确性对比研究。通过测试不同样本数据的检测性能，评估YOLOV8在自动驾驶场景中的适用性。研究将重点对比算法在不同光照、天气、交通密集等复杂环境下的表现，分析模型的稳定性与鲁棒性。此外，还将探讨如何进一步提升模型的检测精度和实时性，以应对实际驾驶中的挑战。

二、国内外研究现状（文献综述）

（1）国内研究现状

罗逸豪等（2023）《基于深度学习的水下图像目标检测综述》中阐述了基于深度学习的水下图像目标检测技术的最新进展，并探讨了其在复杂水下环境中的应用。作者指出，深度学习方法能够有效提高水下图像处理的准确性，尤其是目标检测任务。在水下自动驾驶系统中，图像的质量通常受到水质、光照等因素的影响，因此，改进网络结构和训练算法以应对这些挑战，是当前研究的重点。通过深度学习，尤其是卷积神经网络（CNN）等方法，能够从水下图像中提取丰富的特征，从而实现对复杂水下环境中的目标识别和定位。此类技术可为自动驾驶系统在水下环境中的目标检测提供理论和技术支持。

胡丹丹、张忠婷（2024）《基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法》中提出了一种基于改进YOLOv5s的道路目标检测算法，专门用于自动驾驶场景中的目标检测。作者在YOLOv5s的基础上，通过引入多尺度特征融合和增强型数据预处理等手段，提高了目标检测精度和实时性。通过实验验证，改进后的模型在复杂的城市道路场景中表现优异，能够准确识别行人、车辆等目标，为自动驾驶系统提供可靠的感知能力。该研究为自动驾驶中的道路目标检测技术提供了有效的解决方案，尤其是在多变环境下的实时性能优化方面。

李亚东等（2023）《基于深度学习的无人机造林成活率自动检测方法》中探讨了基于深度学习的无人机造林成活率自动检测技术，提出了一种通过无人机图像数据分析自动评估树木成活率的方法。该方法结合深度学习中的目标检测算法，能够从无人机拍摄的图像中自动识别树木，并对其成活情况进行判断。虽然该研究主要应用于植被监测，但其所采用的目标检测技术和深度学习方法对自动驾驶系统中的目标识别和场景感知同样具有重要意义，特别是在复杂环境中进行实时目标检测时。

梁振明等（2024）《自动驾驶中基于深度学习的3D目标检测方法综述》中阐述了自动驾驶领域中的3D目标检测方法，重点分析了深度学习在三维感知中的应用。随着自动驾驶技术的不断发展，传统的二维目标检测已经无法满足对环境感知的高精度要求，三维目标检测成为研究的热点。作者总结了基于点云数据、激光雷达（LiDAR）数据等多种3D传感技术的目标检测方法，并讨论了深度学习如何结合这些数据源提高检测精度和鲁棒性。该综述为自动驾驶系统中的三维感知能力提供了理论支持，并展望了未来深度学习与多模态数据融合技术的应用前景。

王栋欢等（2024）《基于深度学习的航空发动机涡轮叶片自动射线检测技术研究》中探讨了基于深度学习的航空发动机涡轮叶片自动射线检测技术，并介绍了该技术在制造领域中的应用。通过利用深度学习算法，尤其是卷积神经网络（CNN）和图像处理技术，能够自动检测航空发动机涡轮叶片上的微小缺陷。尽管该技术的研究集中在工业检测领域，但其自动化检测的核心思想和方法对于自动驾驶目标检测系统中传感器数据的处理与缺陷识别具有一定的借鉴意义，尤其是在目标识别和场景理解中面对复杂环境时的智能检测能力。

（2）国外研究现状

Zhu X, Lyu S, Wang X. (2021)《TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios》提出了一种基于改进YOLOv5的目标检测方法TPH-YOLOv5，专为无人机拍摄场景中的目标检测而设计。文章重点介绍了通过引入变压器（Transformer）预测头来提升YOLOv5模型的检测性能，尤其是在复杂、动态变化的场景中。TPH-YOLOv5的核心创新在于将Transformer架构与传统的YOLOv5模型相结合，以增强模型对长距离依赖关系的建模能力。此方法在无人机图像数据上进行训练，并在多个复杂场景中取得了优异的目标检测效果。对于自动驾驶领域，尤其是在动态交通环境中，如何利用此技术提高自动驾驶车辆的实时目标检测和场景理解能力，具有重要的应用前景。

Sun Z, Chen B (2022)《Research on Pedestrian Detection and Recognition Based on Improved YOLOv6 Algorithm》提出了一种基于改进YOLOv6算法的行人检测与识别方法，专注于自动驾驶系统中的行人检测任务。为了提高YOLOv6在复杂环境中的性能，作者对模型进行了一些改进，包括优化卷积神经网络架构、增强数据集的多样性、以及采用更加高效的特征提取方法。通过这些优化，改进后的YOLOv6能够更好地处理自动驾驶场景中常见的遮挡、低光照等挑战因素。实验结果表明，该算法在行人检测任务中，尤其是在城市街道、交叉口等复杂环境中的表现更加精准且高效。此研究为自动驾驶系统中的行人安全检测提供了有力支持。

Zhao H, Zhang H, Zhao Y (2023)《Yolov7-sea: Object detection of maritime UAV images based on improved yolov7》提出了YOLOv7-sea，一个针对海上无人机图像进行目标检测的改进YOLOv7模型。作者在原YOLOv7的基础上，优化了算法以适应海上环境的特殊挑战，包括海洋背景的变化、目标的远距离识别以及恶劣天气条件下的图像质量问题。YOLOv7-sea通过增强的图像预处理技术和数据增强策略，显著提高了检测的准确性和鲁棒性。尽管该研究主要面向海上无人机图像，但其所采用的技术与方法对自动驾驶系统中的目标检测同样具有借鉴意义，尤其是在复杂的道路环境中，如何处理背景复杂、动态变化的目标检测问题，提供了宝贵的思路。

Aboah A, Wang B, Bagci U, et al. (2023)《Real-time multi-class helmet violation detection using few-shot data sampling technique and yolov8》介绍了一种基于YOLOv8的实时多类别头盔违规检测方法，结合了少样本数据采样技术。该方法利用YOLOv8强大的目标检测能力，结合少样本学习算法，能够在数据样本稀缺的情况下，仍然保证较高的检测准确率。实验表明，YOLOv8模型能有效地识别和分类不同类型的头盔违规行为，这对于实时监控系统具有重要意义。尽管该研究关注的是头盔违规检测，但其所提出的少样本学习和YOLOv8的结合方法，对于自动驾驶领域中面临的目标检测任务，特别是遇到少数目标样本时，具有较高的实用价值。

三、本课题的基本任务、拟解决的主要问题，及其实现途径、方法和手段

（1）基本任务

在本系统中，实时摄像头检测功能允许用户通过简单的按钮点击，快速开启摄像头进行实时自动驾驶目标检测，系统能够在实时视频流中准确识别并标记出目标物品。接着，图片检测功能支持用户选择本地存储的图片文件进行目标识别，系统将分析图片并标出识别的目标项目。对于视频内容的分析，视频文件检测功能使用户能够选择本地视频文件进行目标识别，系统将逐帧分析视频内容，并在视频画面上实时标记目标物品。为了提供灵活的检测选项，系统引入了模型选择功能，通过下拉菜单，用户可选择不同的训练好的模型文件（YOLOv8/v7/v6/v5）进行检测，以比较不同模型的效果和准确率。同时，检测画面展示功能使检测结果可以与原始画面同时或单独显示，为用户提供了灵活的视觉对比选项。此外，为了便于专注于特定类型的目标识别，特定目标标记与筛选功能允许用户通过下拉框选择特定的目标目标进行标记并显示结果。

在结果展示方面，检测结果表格展示功能将所有检测结果实时显示在页面上的表格中，包括目标类别、置信度等信息，而置信度与IOU阈值调整功能提供接口允许用户动态调整检测算法的置信度阈值和IOU（交并比）阈值，以满足不同精度的需求。最后，为了便于数据记录和后续分析，结果导出功能允许检测结果的表格通过点击按钮导出为csv格式文件。同时，图像和视频导出功能支持将标记后的图片、视频及摄像头画面结果导出为avi格式图像文件，方便用户保存和分享检测结果。

（2）拟解决的主要问题

在自动驾驶目标识别系统中，我们面临着多重挑战，同时也探索了相应的解决方案来克服这些挑战。本系统特别侧重于使用YOLOv8先进的深度学习模型，并结合PyTorch技术框架，以及streamlit用于网页设计，实现了一个高效、准确且用户友好的自动驾驶目标识别系统。下面详细介绍要解决的问题和对应的解决方案。

1. 目标识别的准确性和实时性

自动驾驶中的目标识别系统核心挑战在于如何实现高准确度的目标识别与实时处理。由于道路环境复杂多变，包括不同类型的车辆、行人、动物以及各种静态障碍物，系统需要能够准确识别并正确分类这些对象。此外，鉴于自动驾驶车辆的高速移动，系统还必须保证快速响应，以确保行车安全。

为了解决这一问题，我们采用了最新的YOLOv8模型，并与早期版本进行了对比实验，以选择最适合我们需求的模型。YOLO系列模型以其快速和准确的特性而闻名，尤其是最新版本，在保持实时性的同时进一步提高了准确率。我们通过PyTorch框架对模型进行了训练和优化，确保了高效的模型推理性能。

2. 系统的环境适应性和模型泛化能力

自动驾驶系统必须能够适应各种环境条件，如不同的光照条件、天气变化等。这要求目标识别系统具有强大的环境适应性和泛化能力。

为此，我们通过在多样化的数据集上训练模型来提高其泛化能力。这些数据集涵盖了各种天气条件、时间段以及复杂的交通场景，使得模型能够适应不同的环境变化。此外，我们还采用了数据增强技术，如随机裁剪、旋转和色彩调整等，以进一步增强模型的鲁棒性。

3. 用户交互界面的直观性和功能性

为了使系统易于使用，我们开发了基于streamlit的直观网页界面。该界面不仅美观，而且用户友好，支持图片、视频以及摄像头的实时目标识别。用户可以轻松上传媒体文件，或者直接通过摄像头进行实时检测。界面还允许用户在不同的YOLO模型版本之间进行切换，比较不同模型的性能。此外，我们通过CSS进行了界面美化，确保了界面的现代感和视觉吸引力，提升了用户体验。

（3）实现途径、方法和手段

在基于深度学习的自动驾驶目标检测系统的实现过程中，首先要重点关注模型的选择和优化。我们选择了YOLOv8作为核心的目标检测模型，原因在于其在检测速度和准确度之间提供了理想的平衡，适应了自动驾驶中对实时性和精度的双重要求。YOLOv8的创新架构使得它在复杂环境中的目标检测表现出色，尤其适合应对不同天气、光照和道路条件下的挑战。同时，为了进一步提升模型的泛化能力，我们采用数据增强技术（如随机裁剪、缩放、旋转和色彩调整等）来模拟不同的环境变化，并通过迁移学习，利用预训练的YOLO模型微调，使其在特定的自动驾驶场景中能够更快速、高效地完成目标检测。

在技术框架和开发工具方面，我们选择了PyTorch作为深度学习框架，因为它不仅支持高效的GPU加速，还具有灵活的编程环境，能够快速实现模型的开发和迭代。为了解决自动驾驶过程中实时数据展示的问题，我们选用Streamlit进行用户界面设计，Streamlit能够快速构建交互式应用，并且提供简洁直观的用户体验。此外，PyCharm作为开发环境提供了丰富的调试和代码管理工具，可以有效提高开发效率，确保系统的稳定性和可维护性。

系统功能设计方面，我们确保了多输入源支持，如图像文件、视频流和实时摄像头捕获，以满足不同自动驾驶应用场景的需求。同时，模型切换功能使得用户能够根据不同的需求选择不同版本的YOLO模型，提升了系统的灵活性和适用性。数据处理方面，我们利用PyTorch的数据加载机制，确保了高效的实时数据处理，同时设计了智能数据存储方案，确保识别结果和历史数据能够高效存储和快速查询。最后，系统在性能调优和测试环节也进行了全面优化，包括通过硬件加速和模型简化来满足实时性要求，并通过功能测试、性能测试以及用户体验测试，确保系统的稳定性和可靠性。

四、完成本课题所需工作条件（如工具书、计算机、实验、调研等），可能遇到的问题以及解决的方法和措施

（1）所需工作条件

深度学习和计算机视觉相关书籍、自动驾驶相关文献、PyTorch官方文档、一台具有强大计算能力的工作站，建议配备高性能GPU（如NVIDIA的RTX 3090/4090或A100）、安装PyTorch深度学习框架、数据集

（2）可能遇到的问题及解决方法

1. 数据不足或数据质量问题

问题：自动驾驶系统对高质量标注数据的依赖非常高。数据集的多样性、标注准确性可能会影响模型的泛化能力，尤其是在复杂环境中的目标检测表现。

解决方法：通过数据增强技术（如旋转、缩放、裁剪等）扩充训练数据，并且利用迁移学习，将大规模的预训练模型微调以适应特定的自动驾驶场景。此外，可以考虑通过众包平台或自动标注工具来提升数据标注效率。

1. 模型训练时间过长

问题：深度学习模型，尤其是YOLO等复杂模型，训练时可能需要大量时间，特别是在大型数据集和高分辨率图像上。

解决方法：通过使用GPU加速和分布式训练来缩短训练时间。采用迁移学习技术，使用已经预训练的模型进行微调，可以显著减少训练时间。此外，利用多GPU并行计算来进一步加速训练过程。

1. 硬件性能瓶颈

问题：尽管使用GPU加速，但在处理大规模数据集时，计算资源仍可能成为瓶颈，尤其是显存和计算能力不足时。

解决方法：可以采用模型压缩和量化技术来减少模型的参数量，从而降低对硬件的要求。使用高效的网络架构（如YOLOv8相比YOLOv7、YOLOv6具有更好的性能和效率）来确保系统在有限的硬件资源上运行良好。

五、已查阅参考文献目录

[1]罗逸豪,刘奇佩,张吟,等.基于深度学习的水下图像目标检测综述[J].电子与信息学报,2023,45(10):3468-3482.

[2]胡丹丹,张忠婷.基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法[J].智能系统学报,2024,19(03):653-660.

[3]李亚东,曹明兰,金红玉,等.基于深度学习的无人机造林成活率自动检测方法[J].中南林业科技大学学报,2023,43(10):20-27+79.

[4]梁振明,黄影平,宋卓恒,等.自动驾驶中基于深度学习的3D目标检测方法综述[J].上海理工大学学报,2024,46(02):103-119.

[5]王栋欢,肖洪,吴丁毅.基于深度学习的航空发动机涡轮叶片自动射线检测技术研究[J].推进技术,2024,45(05):217-225.

[6] Li, Chenyang,Ye, Jilun,Guan, Jian.Development of an Intelligent Multi-Parameter Sleep Diagnosis and Analysis System[J].Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation,2024,48(04):373-379.

[7] Zhu X, Lyu S, Wang X, et al. TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 2778-2788. ↩︎ ↩︎

[8] Sun Z, Chen B. Research on Pedestrian Detection and Recognition Based on Improved YOLOv6 Algorithm[C]//International Conference on Artificial Intelligence in China. Singapore: Springer Nature Singapore, 2022: 281-289. ↩︎ ↩︎

[9] Zhao H, Zhang H, Zhao Y. Yolov7-sea: Object detection of maritime uav images based on improved yolov7[C]//Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2023: 233-238. ↩︎ [10] Aboah A, Wang B, Bagci U, et al. Real-time multi-class helmet violation detection using few-shot data sampling technique and yolov8[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023: 5349-5357. ↩︎

六、进程安排

一、设计（论文）的主要任务与内容（含专题）

本文深入研究了基于YOLOv8的自动驾驶目标检测系统，核心采用YOLOv8并整合了YOLOv7、YOLOv6、YOLOv5算法，进行性能指标对比；详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码，及基于Streamlit的交互式Web应用界面设计。在Web网页中可以支持图像、视频和实时摄像头进行自动驾驶目标检测，可上传不同训练模型（YOLOv8）进行推理预测。

 在本系统中，实时摄像头检测功能允许用户通过简单的按钮点击，快速开启摄像头进行实时自动驾驶目标检测，系统能够在实时视频流中准确识别并标记出目标物品。接着，图片检测功能支持用户选择本地存储的图片文件进行目标识别，系统将分析图片并标出识别的目标项目。对于视频内容的分析，视频文件检测功能使用户能够选择本地视频文件进行目标识别，系统将逐帧分析视频内容，并在视频画面上实时标记目标物品。为了提供灵活的检测选项，系统引入了模型选择功能，通过下拉菜单，用户可选择不同的训练好的模型文件（YOLOv8）进行检测，以比较不同模型的效果和准确率。同时，检测画面展示功能使检测结果可以与原始画面同时或单独显示，为用户提供了灵活的视觉对比选项。此外，为了便于专注于特定类型的目标识别，特定目标标记与筛选功能允许用户通过下拉框选择特定的目标目标进行标记并显示结果。本毕业论文将围绕以下几个内容展开研究工作。

（1）阐述研究背景，梳理自动驾驶目标检测技术的国内外研究动态及现状，明确研究目的及意义，阐明研究内容及研究方法

自动驾驶技术是近年来人工智能领域的热点研究方向，尤其是目标检测在自动驾驶中的应用，对提高驾驶安全性和智能化水平具有重要意义。国内外关于自动驾驶目标检测的研究已取得一定进展，特别是在行人、车辆、交通标志等目标的识别方面。现有的研究多集中在传统计算机视觉和深度学习算法的结合上，但在复杂环境下的准确性与实时性依然存在挑战。因此，研究基于深度学习的自动驾驶目标检测系统，旨在提高目标检测的准确度与响应速度，尤其是在复杂交通环境中的表现。本文将通过分析现有研究成果，结合深度学习技术，探讨自动驾驶目标检测的实现方法、挑战和未来发展方向。

（2）YOLOV8算法研究

YOLOV8是近年来在目标检测领域取得显著成果的深度学习算法，基于卷积神经网络（CNN）实现了高效的目标定位与分类。研究主要从YOLOV8算法的基本概念、目标函数、区域生成网络（RPN）、损失函数等理论知识入手。通过YOLOV8进行目标检测时，首先利用RPN生成候选区域，然后在每个候选区域内进行分类和边界框回归。本文将深入探讨YOLOV8算法在自动驾驶中的应用，给出其具体实现流程，包括模型训练、目标检测结果的处理与优化。

（3）目标定位与识别技术研究

目标定位与识别技术是自动驾驶中不可或缺的部分，依赖于计算机视觉和深度学习的融合。本文基于YOLOV8，研究目标检测中的关键技术，如边缘检测、目标定位、图像分割等。首先，利用边缘检测算法识别物体的轮廓，进一步通过定位算法确定目标物体在图像中的精确位置。然后，应用图像分割技术细化目标区域，以提高检测精度。最后，结合YOLOV8的目标检测模型，给出从图像预处理、特征提取到检测结果输出的基本流程及具体实现方法。

（4）基于YOLOV8的自动驾驶目标检测模型构建

在此部分，研究主要从数据获取、数据预处理、特征工程、模型构建、模型评估等五个方面进行自动驾驶目标检测模型的构建。首先，收集自动驾驶数据集，如图像和视频数据，进行数据预处理，包括图像增强、去噪等操作。其次，进行特征工程，通过卷积神经网络提取图像特征。接着，构建YOLOV8模型，训练网络并优化参数。最后，评估模型性能，使用精度、召回率、F1值等指标对目标检测效果进行量化评估。此外，还将搭建交互界面，支持数据集读取、模型训练、模型评估以及检测样本数据导入等操作。

（5）基于YOLOV8的自动驾驶目标检测应用研究

基于构建的目标检测模型，本文选取不同场景下的待识别数据，进行目标检测的速度与准确性对比研究。通过测试不同样本数据的检测性能，评估YOLOV8在自动驾驶场景中的适用性。研究将重点对比算法在不同光照、天气、交通密集等复杂环境下的表现，分析模型的稳定性与鲁棒性。此外，还将探讨如何进一步提升模型的检测精度和实时性，以应对实际驾驶中的挑战。

二、设计（论文）的基本要求【不用写】

三、推荐参考文献（一般4～6篇，其中外文文献至少1篇）

[1]罗逸豪,刘奇佩,张吟,等.基于深度学习的水下图像目标检测综述[J].电子与信息学报,2023,45(10):3468-3482.

[2]胡丹丹,张忠婷.基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法[J].智能系统学报,2024,19(03):653-660.

[3]李亚东,曹明兰,金红玉,等.基于深度学习的无人机造林成活率自动检测方法[J].中南林业科技大学学报,2023,43(10):20-27+79.

[4]梁振明,黄影平,宋卓恒,等.自动驾驶中基于深度学习的3D目标检测方法综述[J].上海理工大学学报,2024,46(02):103-119.

[5]王栋欢,肖洪,吴丁毅.基于深度学习的航空发动机涡轮叶片自动射线检测技术研究[J].推进技术,2024,45(05):217-225.

[6] Li, Chenyang,Ye, Jilun,Guan, Jian.Development of an Intelligent Multi-Parameter Sleep Diagnosis and Analysis System[J].Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation,2024,48(04):373-379.

四、进度要求【不用写】

作者：AA-老高(接毕设)