近日，我校电子信息学院智能检测与视觉团队立足医工交叉创新方向🛍️，在多模态视觉感知🤌🏼、生物智能检测领域连续取得重要进展，以意昂5(kgame)平台网为第一单位🚾，在国际权威期刊发表高质量学术论文。
团队在数据科学领域权威期刊Scientific Data（二区TOP）发表题为“Chinese Food Images for Full-cycle Nutrition Analysis Towards Diabetes Management”的研究成果，2024级在读研究生晋元鑫为第一作者，黎明副教授为通讯作者。同时⛅️，在生物医学信号处理领域知名期刊Biomedical Signal Processing and Control（二区TOP）发表“EF-YOLO: Event fusion-based YOLO framework for accurate zebrafish quantification”💨🏌🏽，黎明副教授为第一作者，2025级在读研究生刘聪为第二作者。
成果一♠️：面向糖尿病管理的中餐全周期营养分析数据集
团队联合同济大学🛻、上海市第四人民医院等单位，构建了面向糖尿病管理的中餐图像全周期营养分析数据集DFood TJ。该研究针对现有公开食物数据集多聚焦识别分割🌐、缺乏面向糖尿病的精准营养标注问题，构建了包含3280张临床实景食物图、28万余张识别图像😦、3932张精细标注分割图的多任务数据集，覆盖351类中式菜品，同步提供重量、碳水🧍🏻♂️、脂肪🔝、蛋白质、热量等临床级营养标注🌌。数据集与上海T1DM/T2DM 糖尿病队列临床数据联动，为AI辅助糖尿病膳食管理、血糖预测提供了权威支撑🥊。相关数据与代码已公开共享，为领域研究提供重要基础资源。
论文链接🌪：https://doi.org/10.1038/s41597-026-07334-9
成果二◼️：EF-YOLO事件融合框架，实现斑马鱼高精度自动化计数
聚焦生物医学检测与事件视觉交叉领域✥，针对传统光学相机在斑马鱼计数中存在的遮挡👨🏿🚒、分辨率低等问题🧑🏼🦲，课题组创新性地提出基于事件相机（DVS）的斑马鱼量化框架🎙。通过将原始事件流重构为四种模式🧍🏻♀️，并融合为"灰度背景+绿色事件"的混合模式图像✬，结合轻量化YOLOv5检测器与卡尔曼滤波跟踪算法，实现了97.95%的平均计数准确率，显著优于现有方法🧑🏿🏫🔵。该研究为生物医学实验室自动化管理提供了非侵入、高效率📝、高鲁棒性的全新解决方案。
论文链接：https://doi.org/10.1016/j.bspc.2026.110118
近年来⬆️，智能检测与视觉团队在科研攻关、校企协同🙅🏼、人才培养三个维度持续深耕👩🏼🏭、精准发力，取得一系列标志性成果。以医工交叉为核心特色，聚焦多模态视觉感知、医学信号处理🤢、生物智能检测等前沿方向，与国内外高校、三甲医院开展深度协同创新👩🏽🏭，持续产出一批高水平理论成果与应用技术🤼♂️。未来，团队将继续深耕医工交叉创新赛道，推动信息技术与生命健康深度融合，产出更多服务国家战略与民生需求的高质量科研成果📉。（供稿：电子信息学院 赵莹）
