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
2
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MBS-YOLO v8的火龙果目标检测与定位方法
1
作者
刘进一
晏伏山
+3 位作者
董赫
付丽荣
付威
陈雨
《农业机械学报》
北大核心
2025年第5期425-432,共8页
为了解决因火龙果果实尺寸不一、数量众多而造成的重叠遮挡问题,本文提出了一种基于YOLO v8模型的多尺度加权特征融合网络(MBS-YOLO v8)。在特征提取模块中加入挤压和激励网络(Squeeze-and-excitation attention, SEAttention)机制,以...
为了解决因火龙果果实尺寸不一、数量众多而造成的重叠遮挡问题,本文提出了一种基于YOLO v8模型的多尺度加权特征融合网络(MBS-YOLO v8)。在特征提取模块中加入挤压和激励网络(Squeeze-and-excitation attention, SEAttention)机制,以增强网络捕捉关键细节能力,解决小目标检测问题。提出一种多尺度加权融合网络(Multi-scale weighted fusion network, MWConv)用于生成具有不同感受野的特征图,增强了图像中全局特征的捕获能力。试验结果表明,MBS-YOLO v8准确率为92.5%,召回率为90.1%,平均精度均值mAP50为94.7%。与YOLO v8n算法相比,MBS-YOLO v8准确率、召回率和mAP50分别提高2.1、5.9、2个百分点。本文MBS-YOLO v8模型展现出高度的鲁棒性,该方法有效地将全局特征信息与低维局部特征相结合,从而提高了模型对图像内容的理解,能够应对与重叠遮挡和小目标相关的挑战,为火龙果及其他同类型目标检测提供了改进思路。
展开更多
关键词
火龙果
目标检测
小目标
全局
特征
多尺度加权特征融合
网络
在线阅读
下载PDF
职称材料
基于改进DETR的机器人铆接缺陷检测方法研究
被引量：
8
2
作者
李宗刚
宋秋凡
+1 位作者
杜亚江
陈引娟
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2024年第4期1690-1700,共11页
铆接作为铁道车辆结构件的主要连接方式,合格的铆接质量是车辆安全稳定运行的重要保证。针对现有铆接缺陷检测方法存在检测精度低、检测点位少、检测智能化水平不高等问题,提出一种基于改进DETR的机器人铆接缺陷检测方法。首先,搭建铆...
铆接作为铁道车辆结构件的主要连接方式,合格的铆接质量是车辆安全稳定运行的重要保证。针对现有铆接缺陷检测方法存在检测精度低、检测点位少、检测智能化水平不高等问题,提出一种基于改进DETR的机器人铆接缺陷检测方法。首先,搭建铆接缺陷检测系统,依次采集工件尺寸大、铆钉尺寸小工况下的铆接缺陷图像。其次,为了增强DETR模型在小目标中的图像特征提取能力和检测性能,以EfficientNet作为DETR中的主干特征提取网络,并将3-D权重注意力机制SimAM引入EfficientNet网络,从而有效保留图像特征层的镦头形态信息和铆点区域的空间信息。然后,在颈部网络中引入加权双向特征金字塔模块,以EfficientNet网络的输出作为特征融合模块的输入对各尺度特征信息进行聚合,增大不同铆接缺陷的类间差异。最后,利用Smooth L1和DIoU的线性组合改进原模型预测网络的回归损失函数,提高模型的检测精度和收敛速度。结果表明,改进模型表现出较高的检测性能,对于铆接缺陷的平均检测精度mAP为97.12%,检测速度FPS为25.4帧/s,与Faster RCNN、YOLOX等其他主流检测模型相比,在检测精度和检测速度方面均具有较大优势。研究结果能够满足实际工况中大型铆接件的小尺寸铆钉铆接缺陷实时在线检测的需求,为视觉检测技术在铆接工艺中的应用提供一定的参考价值。
展开更多
关键词
铆接缺陷检测
DETR
EfficientNet
3-D注意力机制
多尺度加权特征融合
在线阅读
下载PDF
职称材料
题名
基于改进MBS-YOLO v8的火龙果目标检测与定位方法
1
作者
刘进一
晏伏山
董赫
付丽荣
付威
陈雨
机构
海南大学机电工程学院
西北农林科技大学机电工程学院
出处
《农业机械学报》
北大核心
2025年第5期425-432,共8页
基金
海南省科技人才创新项目(KJRC2023D38)
海南大学协同创新中心项目(XTCX2022STC16)。
文摘
为了解决因火龙果果实尺寸不一、数量众多而造成的重叠遮挡问题,本文提出了一种基于YOLO v8模型的多尺度加权特征融合网络(MBS-YOLO v8)。在特征提取模块中加入挤压和激励网络(Squeeze-and-excitation attention, SEAttention)机制,以增强网络捕捉关键细节能力,解决小目标检测问题。提出一种多尺度加权融合网络(Multi-scale weighted fusion network, MWConv)用于生成具有不同感受野的特征图,增强了图像中全局特征的捕获能力。试验结果表明,MBS-YOLO v8准确率为92.5%,召回率为90.1%,平均精度均值mAP50为94.7%。与YOLO v8n算法相比,MBS-YOLO v8准确率、召回率和mAP50分别提高2.1、5.9、2个百分点。本文MBS-YOLO v8模型展现出高度的鲁棒性,该方法有效地将全局特征信息与低维局部特征相结合,从而提高了模型对图像内容的理解,能够应对与重叠遮挡和小目标相关的挑战,为火龙果及其他同类型目标检测提供了改进思路。
关键词
火龙果
目标检测
小目标
全局
特征
多尺度加权特征融合
网络
Keywords
pitaya fruits
object detection
small object
global features
multi-scale weighted feature fusion network
分类号
TP301.6 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
基于改进DETR的机器人铆接缺陷检测方法研究
被引量：
8
2
作者
李宗刚
宋秋凡
杜亚江
陈引娟
机构
兰州交通大学机电工程学院
兰州交通大学机器人研究所
出处
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2024年第4期1690-1700,共11页
基金
国家自然科学基金资助项目(61663020)
甘肃省高等学校产业支撑计划项目(2022CYZC-33)
+1 种基金
兰州交通大学军民融合创新团队培育基金资助项目(JMTD202211)
兰州交通大学“百名青年优秀人才培养计划”资助项目。
文摘
铆接作为铁道车辆结构件的主要连接方式,合格的铆接质量是车辆安全稳定运行的重要保证。针对现有铆接缺陷检测方法存在检测精度低、检测点位少、检测智能化水平不高等问题,提出一种基于改进DETR的机器人铆接缺陷检测方法。首先,搭建铆接缺陷检测系统,依次采集工件尺寸大、铆钉尺寸小工况下的铆接缺陷图像。其次,为了增强DETR模型在小目标中的图像特征提取能力和检测性能,以EfficientNet作为DETR中的主干特征提取网络,并将3-D权重注意力机制SimAM引入EfficientNet网络,从而有效保留图像特征层的镦头形态信息和铆点区域的空间信息。然后,在颈部网络中引入加权双向特征金字塔模块,以EfficientNet网络的输出作为特征融合模块的输入对各尺度特征信息进行聚合,增大不同铆接缺陷的类间差异。最后,利用Smooth L1和DIoU的线性组合改进原模型预测网络的回归损失函数,提高模型的检测精度和收敛速度。结果表明,改进模型表现出较高的检测性能,对于铆接缺陷的平均检测精度mAP为97.12%,检测速度FPS为25.4帧/s,与Faster RCNN、YOLOX等其他主流检测模型相比,在检测精度和检测速度方面均具有较大优势。研究结果能够满足实际工况中大型铆接件的小尺寸铆钉铆接缺陷实时在线检测的需求,为视觉检测技术在铆接工艺中的应用提供一定的参考价值。
关键词
铆接缺陷检测
DETR
EfficientNet
3-D注意力机制
多尺度加权特征融合
Keywords
riveting defect detection
DETR
EfficientNet
3-D attention mechanism
multi-scale weighted feature fusion
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
作者
出处
发文年
被引量
操作
1
基于改进MBS-YOLO v8的火龙果目标检测与定位方法
刘进一
晏伏山
董赫
付丽荣
付威
陈雨
《农业机械学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于改进DETR的机器人铆接缺陷检测方法研究
李宗刚
宋秋凡
杜亚江
陈引娟
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2024
8
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
