摘要：原油作为一种重要的战略物资，在我国经济和军事等多个领域均起到重要作用。提出一种算法MSA-YOLO(MultiScale Adaptive YOLO)，该算法在YOLOv4算法的基础上进行优化，并基于以吉林一号光学遥感卫星影像为主的遥感图像数据集进行实验，对特定监控区域内的储油罐进行识别与分类。算法优化内容包括：为简化储油罐监测模型同时保证模型的效率，对YOLOv4的网络结构中的多尺度识别模块进行修剪；使用k-means++聚类算法进行初始锚框的选取，使模型加速收敛；使用基于CIoU-NMS的优化，进一步提升推理速度和准确度。实验结果表明，与YOLOv4相比，MSA-YOLO模型参数数量减少25.84%；模型尺寸减少62.13%；在Tesla V100的GPU环境下，模型的训练速度提升6 s/epoch，推理速度提升15.76 F/s；平均精度为95.65%。与此同时，MSA-YOLO算法在多种通用目标识别算法进行的对比实验中均体现出了更高效的特点。MSA-YOLO算法对储油罐进行准确且实时的识别具有通用可行性，可为遥感数据在能源期货领域提供技术参考。

摘要：针对通用目标检测算法在检测小目标时存在错检和漏检等问题,提出了一种小目标检测算法IPH(Involution Prediction Head)，将其运用在YOLOv4和YOLOv5的检测头部分，在VOC2007数据集上的实验结果表明，运用IPH后的YOLOv4小目标检测精度APs(AP for small objects)相比原始算法提升了1.1%，在YOLOv5上的APs更是提升了5.9%。经智能交通检测数据集进一步检验，IPH算法和去下采样能有效提升小目标检测精度，减少错检和漏检的情况。

摘要：针对雾霾场景下车牌识别系统存在识别精度较差的问题，提出改进型车牌识别模型。该模型运用改进型暗通道先验去雾算法进行去雾处理，考虑到原去雾算法处理含明亮区域雾霾图像时会出现颜色失真等问题，首先对大气光值进行阈值限制，其次对引入因子进行优化选择，最后引入容差机制以修正透射率，并对图像亮度进行调整以提升图像可视化效果。仿真结果表明，运用改进后算法得到的去雾结果在PSNR、SSIM、Entropy、e性能上相对于改进前分别平均提升1.934 dB、0.082、0.235、38.995。将去雾前后车牌图像进行识别测试，车牌识别精度提升22%，证明了所提模型的优越性。

摘要：为了提高肝包虫病的筛查和诊断效率，弥补部分地区医疗资源不足的情况，提出一种基于Swin Transformer的肝包虫病病灶智能分型方法，结合卷积注意力机制模型，通过学习图像的整体和局部细节特征来实现对五种类型的囊型包虫病病灶的全自动分类。为了验证模型具有优越性，将提出的预测模型与常见分类模型对比分析。结果显示基于改进的Swin Transformer模型在测试集上分类准确率可达92.6%。实验结果表明相较于其他算法，基于改进的Swin Transformer网络能较好地分类出肝囊型包虫超声图像，并且该方法可以推广到其他医疗应用中。

摘要：印章识别是智能化办公中必不可少的一环，现阶段的印章识别方法是将扫描后的电子文档直接输入神经网络模型中进行识别，面临着无法准确定位印章位置、弯曲文本识别准确率低等问题。针对上述问题，提出了一种高效的中文印章文本识别方法，该方法使用漫水填充算法处理灰度图像进行印章图像特征增强，保证了中文印章检测精度，同时引入了极坐标转换操作以确保文本特征完整性。为了评估本文方法的有效性，在现有的文本识别网络模型进行了多组对比实验。经实验表明，已有的网络模型融合该方法所提取的文本特征均表现出优异的识别结果。