-
题名基于改进YOLOv8的实时坑槽检测算法
- 1
-
-
作者
马荣贵
黄训燕
董世浩
-
机构
长安大学信息工程学院
-
出处
《计算机工程》
北大核心
2025年第11期226-234,共9页
-
基金
国家重点研发计划(2021YFB1600104)
2020年度陕西省交通运输厅科研项目(20-24K,20-25X)。
-
文摘
针对道路坑槽检测中存在坑槽大小不同、形状不规则导致的特征提取不完全及图像拍摄不满足道路检测车的视角问题,收集并制作不同来源、视角和像素分辨率的坑槽数据集,并对模型进行改进。首先在Backbone部分的C2f结构中引入DCNv3,以获取更丰富完整的坑槽特征;其次融合压缩和激励(SE)模块的注意力机制,以提高对坑槽特征的提取能力;然后在Neck部分融合双向特征金字塔网络(BiFPN)结构,降低网络的计算量;最后使用Focal-EIoU作为改进模型的损失函数,降低复杂背景对网络检测性能的影响。改进后的YOLOv8-master网络相较于未改进前的网络,坑槽检测精度提高了4.06%,检测速度提高了85帧/s,浮点运算量降低了19.54%。结果表明,所提出的改进方法能有效提高原网络检测坑槽的性能,相比目前主流的目标检测算法,具有一定的先进性。
-
关键词
坑槽检测
可变形卷积
压缩和激励模块
双向特征金字塔网络
Focal-EIoU损失函数
-
Keywords
pothole detection
deformable convolution
Squeeze-and-Excitation(SE)module
Bidirectional Feature Pyramid Network(BiFPN)
Focal-EIoU loss function
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于SE模块和ResNet的番茄病虫害识别方法
被引量：14
- 2
-
-
作者
胡文艺
王洪坤
杜育佳
-
机构
成都理工大学计算机与网络安全学院
-
出处
《农业工程》
2022年第9期33-40,共8页
-
文摘
番茄病虫害是引起番茄减产的重要因素。精确识别病虫害种类是当前国际热点问题之一,有助于及时有效采取针对性的病虫防治办法,减少和避免因番茄减产导致的经济损失。针对传统虫害识别方法存在效率和精确率低的问题,利用Kaggle网站上的Tomato数据集,构建基于压缩和激励(SE)模块的深度残差网络模型(ResNet),优化番茄病虫害识别方法。结果表明:通过Pytorch框架下的迁移学习,改进后的网络模型对番茄病虫害图像的平均识别准确率最高为97.96%;基于SE模块的ResNet网络模型有助于增强特征区分能力,增加模型的通用性和鲁棒性。研究结果对番茄病虫害的及时监测和处理、提高番茄产量具有重要意义。
-
关键词
番茄
病虫害识别
迁移学习
压缩和激励模块
深度残差网络模型
Pytorch
-
Keywords
tomato
identification of diseases and pests
transfer learning
SE module
ResNet
Pytorch
-
分类号
S126
[农业科学—农业基础科学]
-
-
题名基于MTF-DARCNN的滚动轴承故障诊断方法
- 3
-
-
作者
金岩
缪成翔
-
机构
金川集团镍钴有限公司镍冶炼厂
兰州理工大学机电工程学院
-
出处
《机电工程》
北大核心
2025年第11期2084-2095,共12页
-
基金
国家自然科学基金面上项目(52465013)。
-
文摘
针对传统卷积神经网络模型由于滚动轴承的负载或转速变化而导致故障识别性能下降这一问题,提出了一种创新的基于马尔科夫转移场(MTF)与双注意力残差卷积神经网络(DARCNN)的轴承故障诊断方法。首先,采用MTF将原始信号转换为具有时间相关性的二维图像,这种转换有助于更好地捕捉信号的时序特征;然后,构建了压缩和激励-多尺度注意力模块(SE-MSAM),该模块能够有效提取不同尺度下的特征信息,以增强模型对多层次特征的理解;接着,设计了轻量级残差模块(LRM),该模块不仅降低了计算复杂度,还提升了特征学习的有效性,增强了模型的整体性能;最后,引入全局注意力模块(GAM)提升了特征区分,基于此开发MTF-DARCNN方法用于轴承故障诊断;并采用了美国凯斯西储大学及本实验室机械故障模拟(MFS)轴承数据集,在变工况条件下,对模型故障诊断的鲁棒性与泛化性能进行了实验验证。研究结果表明:MTF-DARCNN方法在变负载和变转速的工况下,平均识别准确率分别达到了99%和98.47%;此外,在不同工况下,该方法的诊断稳定性也明显优于其他诊断方法;这些高准确率的结果充分验证了MTF-DARCNN方法不仅具备卓越的故障识别能力,还展现了在面对多样化工况挑战时的更高泛化能力。这意味着在工况变化的条件下,该方法能有效进行故障诊断,确保设备的正常运行。
-
关键词
轴承故障识别准确率
马尔科夫转移场
双注意力残差卷积神经网络
压缩和激励-多尺度注意力模块
轻量级残差模块
全局注意力模块
机械故障模拟
-
Keywords
accuracy of bearing fault identification
Markov transition field(MTF)
dual attention residual convolutional neural network(DARCNN)
squeeze and excitation-multi scale attention module(SE-MSAM)
lightweight residual module(LRM)
global attention module(GAM)
mechanical fault simulation(MFS)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
-
题名基于深度残差学习的成熟草莓识别方法
被引量：12
- 4
-
-
作者
张继成
李德顺
-
机构
长江大学工程技术学院
海南大学计算机科学与技术学院
-
出处
《中国农机化学报》
北大核心
2022年第2期136-142,共7页
-
基金
湖北省教育厅科学技术研究项目(B2020340)
长江大学工程技术学院科研基金项目(2020KY04)。
-
文摘
为解决自然状态下成熟草莓存在的背景干扰、信息丢失等问题,提出一种基于深度残差学习的草莓识别方法。首先,引入深度可分离卷积降低残差网络参数,从不同角度提取成熟草莓特征,通过交叉熵损失函数来识别分类层中的草莓。其次,嵌入压缩和激励模块学习特征权重,使用特征重新校准改善网络的学习和表征属性。最后,采用添加空间金字塔池化、加权衰减优化方法提高模型的泛化能力,优化识别结果。试验结果表明,和现有其他深度模型相比,该方法能够有效地定位复杂背景下的成熟草莓,不易受到干扰环境的影响,具有更高的识别准确率和灵敏度,在数据集C中的识别准确率和灵敏度最高,分别达到92.46%和94.28%。
-
关键词
草莓识别
深度可分离卷积
残差网络
深度学习
压缩和激励模块
数据增强
-
Keywords
strawberry recognition
depth-wise separable convolution
residual network
deep learning
squeeze-and-excitation blocks
data to enhance
-
分类号
S24
[农业科学—农业电气化与自动化]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于通道注意力和边缘融合的伪装目标分割方法
被引量：3
- 5
-
-
作者
詹春兰
王安志
王明辉
-
机构
贵州师范大学大数据与计算机科学学院
四川大学计算机学院
-
出处
《计算机应用》
CSCD
北大核心
2023年第7期2166-2172,共7页
-
基金
国家自然科学基金资助项目(62162013)
国家级大学生创新创业训练计划项目(202210663045)
贵州省大学生创新创业训练计划项目(S202110663028)。
-
文摘
伪装目标分割(COS)的目标是从背景中分离出隐藏的目标对象。近年来,基于卷积神经网络(CNN)的伪装目标检测(COD)发展迅速,然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题,提出一种基于通道注意力(CA)和边缘融合的COS方法CANet(Network based on Channel Attention and edge fusion),以得到伪装目标的边缘细节更清晰的完整分割结果。首先,引入压缩和激励(SE)注意力模块,以提取更丰富的高级语义特征;其次,提出一个边缘融合模块,抑制低级特征中的干扰,并充分利用图像的边缘细节信息;最后,设计了基于深度可分离卷积的通道注意力模块,以自上而下的方式逐步融合跨级的多尺度特征,进一步地提升检测精度和效率。在多个公开的COD数据集上的实验结果表明,相较于SINet(Search Identification Net)、TINet(Textureaware Interactive guidance Network)和C2FNet(Context-aware Cross-level Fusion Network)等8种主流的方法,CANet表现更佳,且能够获取到丰富的伪装目标内部及边缘细节信息,而且在具有挑战性的COD10K数据集上结构度量指标相较于SINet提升了2.6个百分点。CANet性能优越,适用于医学上检测与人体组织相似的病灶区域、军事领域检测隐蔽目标等相关领域。
-
关键词
伪装目标分割
边缘融合
压缩和激励注意力模块
深度可分离卷积
多尺度特征
-
Keywords
Camouflage Object Segmentation(COS)
edge fusion
Squeeze-and-Excitation(SE)attention module
depthwise separable convolution
multi-scale feature
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
