期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进YOLOv8的烟叶碎片中杂物的识别
1
作者
楚晗
童帅帅
+5 位作者
张相辉
韩校星
徐帅华
郭坤
张攀峰
党霞
《中国烟草学报》
北大核心
2025年第5期31-40,共10页
【目的】提升打叶复烤生产加工杂物剔除效果,解决剔杂过程中复杂场景干扰和小目标漏检等问题。【方法】提出一种基于改进YOLOv8模型的烟叶碎片杂物检测方法,设计了多分支坐标注意力融合模块(MBCAF)以增强多尺度特征提取能力,引入大核卷...
【目的】提升打叶复烤生产加工杂物剔除效果,解决剔杂过程中复杂场景干扰和小目标漏检等问题。【方法】提出一种基于改进YOLOv8模型的烟叶碎片杂物检测方法,设计了多分支坐标注意力融合模块(MBCAF)以增强多尺度特征提取能力,引入大核卷积注意力机制(LKASPPF)以优化全局特征捕获能力,同时新增小目标检测头以降低小目标漏检率。【结果】改进后的模型平均精确度(mAP)达到98.5%,较基础YOLOv8模型提升15.1%,小目标漏检率显著降低。此外,模型经过生产线上的实际应用验证,能够在复杂生产环境中实现高精度的实时杂物检测和剔除。【结论】本研究实现了打叶复烤碎片集中处理线杂物检测和剔除,为烟叶加工自动化杂物剔除以及智能化生产提供了可行方案。
展开更多
关键词
烟叶分拣
杂物检测
YOLOv8
多分支坐标注意力
在线阅读
下载PDF
职称材料
三维多层次特征协同的无人机遥感目标检测算法
被引量：
6
2
作者
吕伏
傅宇恒
+1 位作者
贺丽娜
杨冬鹏
《计算机科学与探索》
CSCD
北大核心
2024年第5期1301-1317,共17页
针对无人机航拍图像小目标占比大和背景复杂的特点,当前目标检测模型存在精度低和小目标漏检等问题。基于YOLOv8s模型,提出了三维多层次特征协同的无人机遥感目标检测算法。首先,在坐标注意力的基础上提出了三维多分支坐标注意力(MBCA)...
针对无人机航拍图像小目标占比大和背景复杂的特点,当前目标检测模型存在精度低和小目标漏检等问题。基于YOLOv8s模型,提出了三维多层次特征协同的无人机遥感目标检测算法。首先,在坐标注意力的基础上提出了三维多分支坐标注意力(MBCA),通过增加通道维度的信息交互和扩展分支的拆分融合,减少空间维度的计算量,提高了模型全局特征提取能力。其次,采用SPD-Conv替换部分标准卷积,在下采样时有效保留更多特征信息并加快推理速度。然后,在C2f模块中采用了更高效的FastDBB_Bottleneck模块,结合PConv与DBB结构重参数化叠加,以进一步降低模型计算量。最终,通过引入PG-Detect检测头,显著减少计算量并有效降低小目标的漏检率。在VisDrone2019数据集上的实验结果显示,该方法的mAP50值达到了44.5%,较YOLOv8s基线模型提升了5.7个百分点。同时,在自建水坝裂缝数据集上,进行裂缝检测验证实验,改进方法的mAP50值相比YOLOv8s提升了3.3个百分点,FPS达到289帧。实验结果表明在复杂场景目标检测中,所提方法提升了检测模型的精度和实时性,具有良好的适应性和鲁棒性。
展开更多
关键词
无人机遥感
三维
多分支坐标注意力
(MBCA)
YOLOv8
多层次特征融合
小目标检测
在线阅读
下载PDF
职称材料
多分支轻量化SAR船舶目标检测算法
3
作者
曹洁
韩鹏辉
梁浩鹏
《计算机工程与设计》
2025年第10期2978-2985,共8页
为解决合成孔径雷达(synthetic aperture radar,SAR)船舶检测算法中模型复杂和船舶识别率低的问题,提出一种基于YOLOv7的多分支轻量化SAR船舶目标检测算法。设计多分支坐标注意力和可变形坐标卷积,降低模型复杂度。通过使用多个可变形...
为解决合成孔径雷达(synthetic aperture radar,SAR)船舶检测算法中模型复杂和船舶识别率低的问题,提出一种基于YOLOv7的多分支轻量化SAR船舶目标检测算法。设计多分支坐标注意力和可变形坐标卷积,降低模型复杂度。通过使用多个可变形坐标卷积构建多分支船舶特征提取模块,提升对多尺度船舶的检测性能。通过引入DyHead动态检测头和MPDIoU损失函数,提升模型对复杂船舶背景的适应能力。实验结果表明,所提方法在HRSID和SSDD数据集上分别提升到84.8%和74.7%,检测速度提升为72.3帧/s。
展开更多
关键词
合成孔径雷达
目标检测
YOLOv7
深度学习
多分支坐标注意力
可变形
坐标
卷积
MPDIoU
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv8的烟叶碎片中杂物的识别
1
作者
楚晗
童帅帅
张相辉
韩校星
徐帅华
郭坤
张攀峰
党霞
机构
天昌国际烟草有限公司
天昌国际烟草有限公司天昌复烤厂
河南省烟草公司信阳市公司
出处
《中国烟草学报》
北大核心
2025年第5期31-40,共10页
基金
天昌国际烟草有限公司重点项目“打叶复烤非烟物质智能剔除技术研究”(2023410003440013)。
文摘
【目的】提升打叶复烤生产加工杂物剔除效果,解决剔杂过程中复杂场景干扰和小目标漏检等问题。【方法】提出一种基于改进YOLOv8模型的烟叶碎片杂物检测方法,设计了多分支坐标注意力融合模块(MBCAF)以增强多尺度特征提取能力,引入大核卷积注意力机制(LKASPPF)以优化全局特征捕获能力,同时新增小目标检测头以降低小目标漏检率。【结果】改进后的模型平均精确度(mAP)达到98.5%,较基础YOLOv8模型提升15.1%,小目标漏检率显著降低。此外,模型经过生产线上的实际应用验证,能够在复杂生产环境中实现高精度的实时杂物检测和剔除。【结论】本研究实现了打叶复烤碎片集中处理线杂物检测和剔除,为烟叶加工自动化杂物剔除以及智能化生产提供了可行方案。
关键词
烟叶分拣
杂物检测
YOLOv8
多分支坐标注意力
Keywords
tobacco sorting
debris detection
YOLOv8
multi-branch coordinate attention(MBCAF)
分类号
TS44 [农业科学—烟草工业]
TP183 [自动化与计算机技术—控制理论与控制工程]
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
三维多层次特征协同的无人机遥感目标检测算法
被引量：
6
2
作者
吕伏
傅宇恒
贺丽娜
杨冬鹏
机构
辽宁工程技术大学软件学院
辽宁工程技术大学基础教学部
无锡飞谱电子信息技术有限公司
辽宁省水利水电勘测设计研究院有限责任公司
出处
《计算机科学与探索》
CSCD
北大核心
2024年第5期1301-1317,共17页
基金
国家自然科学基金面上项目(51874166,52274206)
国家自然科学基金青年基金(51904144)。
文摘
针对无人机航拍图像小目标占比大和背景复杂的特点,当前目标检测模型存在精度低和小目标漏检等问题。基于YOLOv8s模型,提出了三维多层次特征协同的无人机遥感目标检测算法。首先,在坐标注意力的基础上提出了三维多分支坐标注意力(MBCA),通过增加通道维度的信息交互和扩展分支的拆分融合,减少空间维度的计算量,提高了模型全局特征提取能力。其次,采用SPD-Conv替换部分标准卷积,在下采样时有效保留更多特征信息并加快推理速度。然后,在C2f模块中采用了更高效的FastDBB_Bottleneck模块,结合PConv与DBB结构重参数化叠加,以进一步降低模型计算量。最终,通过引入PG-Detect检测头,显著减少计算量并有效降低小目标的漏检率。在VisDrone2019数据集上的实验结果显示,该方法的mAP50值达到了44.5%,较YOLOv8s基线模型提升了5.7个百分点。同时,在自建水坝裂缝数据集上,进行裂缝检测验证实验,改进方法的mAP50值相比YOLOv8s提升了3.3个百分点,FPS达到289帧。实验结果表明在复杂场景目标检测中,所提方法提升了检测模型的精度和实时性,具有良好的适应性和鲁棒性。
关键词
无人机遥感
三维
多分支坐标注意力
(MBCA)
YOLOv8
多层次特征融合
小目标检测
Keywords
UAV remote sensing
3D multi-branch coordinate attention(MBCA)
YOLOv8
multi-layer feature fusion
small target detection
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
多分支轻量化SAR船舶目标检测算法
3
作者
曹洁
韩鹏辉
梁浩鹏
机构
兰州理工大学计算机与通信学院
出处
《计算机工程与设计》
2025年第10期2978-2985,共8页
基金
甘肃省重点研发计划基金项目(22YF7GA130)。
文摘
为解决合成孔径雷达(synthetic aperture radar,SAR)船舶检测算法中模型复杂和船舶识别率低的问题,提出一种基于YOLOv7的多分支轻量化SAR船舶目标检测算法。设计多分支坐标注意力和可变形坐标卷积,降低模型复杂度。通过使用多个可变形坐标卷积构建多分支船舶特征提取模块,提升对多尺度船舶的检测性能。通过引入DyHead动态检测头和MPDIoU损失函数,提升模型对复杂船舶背景的适应能力。实验结果表明,所提方法在HRSID和SSDD数据集上分别提升到84.8%和74.7%,检测速度提升为72.3帧/s。
关键词
合成孔径雷达
目标检测
YOLOv7
深度学习
多分支坐标注意力
可变形
坐标
卷积
MPDIoU
Keywords
synthetic aperture radar(SAR)
object detection
YOLOv7
deep learning
multi-branch coordinate attention
deformable coordinate convolution
MPDIoU
分类号
TP391.41 [自动化与计算机技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进YOLOv8的烟叶碎片中杂物的识别
楚晗
童帅帅
张相辉
韩校星
徐帅华
郭坤
张攀峰
党霞
《中国烟草学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
三维多层次特征协同的无人机遥感目标检测算法
吕伏
傅宇恒
贺丽娜
杨冬鹏
《计算机科学与探索》
CSCD
北大核心
2024
6
在线阅读
下载PDF
职称材料
3
多分支轻量化SAR船舶目标检测算法
曹洁
韩鹏辉
梁浩鹏
《计算机工程与设计》
2025
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
