期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
CCM-YOLO:一种改进的电路板密集区域元件检测方法
1
作者 吴必胜 高康松 +3 位作者 陈松 徐浩飞 谢凯 贺建飚 《电子测量与仪器学报》 北大核心 2025年第7期171-179,共9页
以YOLOv5为基准模型,针对电子元件在电路板上检测容易出现漏检、精度较低的问题。通过使用卷积块注意力模块(convolutional block attention module,CBAM)在进行特征提取过程中提升检测精度,改进边界回归损失函数的方法来改善模型在检... 以YOLOv5为基准模型,针对电子元件在电路板上检测容易出现漏检、精度较低的问题。通过使用卷积块注意力模块(convolutional block attention module,CBAM)在进行特征提取过程中提升检测精度,改进边界回归损失函数的方法来改善模型在检测中出现的漏检问题。首先,利用卷积层提取元件的特征信息;其次,在路径聚合网络(path aggregation network,PANet)中引入了CBAM模块,既丰富了元件特征信息,又改善了模型精度较低的问题;最后,通过多尺度预测和自适应的锚框来实现对不同尺度元件的准确检测。实验结果表明,改进后的CCM-YOLO算法在自制的数据集上的均值平均精度(mean average precision,mAP)值达到96.8%,它的漏检率达到4.5%,相较于YOLOv5网络均值平均精度的88.8%,提高了8.3%的数值,在漏检率上由原基准模型的13.7%降低了9.2%。因此,该算法有效提高了检测精度,并显著减少了漏检,为元件检测提供了一种有效的检测方案。 展开更多
关键词 目标检测 深度学习 电子元件 可分离卷积 YOLOv5
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部