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：
融合视觉中心机制和并行补丁感知的遥感图像检测算法 被引量：5
1
作者 梁礼明 陈康泉 +2 位作者 王成斌 冯耀 龙鹏威 《光电工程》 CAS CSCD 北大核心 2024年第7期72-83,共12页
针对遥感图像存在复杂背景干扰、目标多尺度差异和微小目标提取难的问题,本文基于YOLOv7-tiny模型提出一种融合视觉中心机制和并行补丁感知的遥感图像检测算法。该算法一是引入显式视觉中心机制,构建像素点间的长距离依赖关系,丰富图像... 针对遥感图像存在复杂背景干扰、目标多尺度差异和微小目标提取难的问题,本文基于YOLOv7-tiny模型提出一种融合视觉中心机制和并行补丁感知的遥感图像检测算法。该算法一是引入显式视觉中心机制,构建像素点间的长距离依赖关系,丰富图像的整体语义信息,同时提升对目标纹理的提取性能;二是改进并行补丁感知模块,调整特征提取感受野,以适应不同目标尺度;三是设计多尺度特征融合模块,实现对多层特征的高效融合,提升模型推理速度。在公共数据集RSOD上进行实验,所提算法的准确率、召回率和平均准确率均值相较YOLOv7-tiny分别提升1.5%、2.4%和2.4%,此外在NWPUVHR-10和DOTA数据集上进行泛化性验证,结果表明本文算法具备较强的泛化性能。通过与不同算法对比分析,进一步体现本文算法性能的优越性。 展开更多
关键词 遥感图像 目标检测 YOLOv7-tiny 显式视觉中心机制 并行补丁感知
在线阅读 下载PDF
改进YOLOv8n的电路板缺陷检测算法
2
作者 王彩霞 郭鑫鹏 刘鹏 《电子测量与仪器学报》 北大核心 2025年第8期65-78,共14页
针对工业印制电路板(PCB)缺陷面积小、背景干扰导致误检漏检率高、缺陷定位难等问题,提出一种改进YOLOv8n的电路板缺陷检测算法。首先,通过调整骨干网络(backbone)中特征金字塔网络(feature pyramid networks,FPN)的特征融合层级,引入16... 针对工业印制电路板(PCB)缺陷面积小、背景干扰导致误检漏检率高、缺陷定位难等问题,提出一种改进YOLOv8n的电路板缺陷检测算法。首先,通过调整骨干网络(backbone)中特征金字塔网络(feature pyramid networks,FPN)的特征融合层级,引入160×160微小目标特征层及检测头(head)替代原20×20大目标特征层及检测头,增强网络对小目标的特征提取能力。其次,在Backbone与颈部网络(neck)间引入并行补丁感知注意模块(parallelized patch-aware,PPA),通过多分支特征提取部分捕获目标不同尺度、不同级别的特征,加强模型局部和全局信息提取及融合能力,避免复杂背景特征干扰的同时提升了目标特征信息的利用效率。再者,在Neck端引入高效的多尺度注意模块(efficient multi-scale attention,EMA),避免更多顺序处理及模型深度的同时,增强了网络的跨空间学习能力。最后,采用NWD-EIoU(normalized wasserstein distance-efficient intersection over union)作为边界框回归损失函数,通过归一化Wasserstein距离构建几何感知的相似性度量,缓解检测框微小偏移导致的定位误差累积,提升模型对PCB微小缺陷的定位精度,并加速收敛。在公开电路板缺陷数据集PKU-Market-PCB上的实验结果表明,改进方法的平均精度均值(mAP)mAP@0.5相较于原始算法提升了4.2%,精度和召回率指标分别提升了7.7%、4.3%。与同类型单阶段目标检测方法相比,改进方法满足高精度电路板缺陷检测需求。 展开更多
关键词 YOLOv8n 并行补丁感知注意模块 多尺度注意模块 NWD-EIoU PCB微小缺陷
在线阅读 下载PDF
基于改进YOLOv11n模型的输送带异物检测方法
3
作者 高雁青 徐小马 +4 位作者 刘广超 郑军领 许江涛 张庆 王杰 《工矿自动化》 北大核心 2025年第10期41-47,56,共8页
针对煤矿输送带异物尺寸差异大、背景复杂、小目标和细长目标检测效果不佳的问题,提出一种基于改进YOLOv11n模型的输送带异物检测方法。YOLOv11n模型核心改进包括3个方面:在颈部网络引入顺序化尺度交互融合(SSFF)模块,用顺序化的尺度交... 针对煤矿输送带异物尺寸差异大、背景复杂、小目标和细长目标检测效果不佳的问题,提出一种基于改进YOLOv11n模型的输送带异物检测方法。YOLOv11n模型核心改进包括3个方面:在颈部网络引入顺序化尺度交互融合(SSFF)模块,用顺序化的尺度交互增强不同尺度信息的有效捕获与融合;构建并行化的C3K2PPA模块,引入空间维度的并行补丁感知注意力(PPA)模块,以突出关键区域表征,提升召回率;在同尺度横向融合处设计带向对比融合(BACF)模块,结合带向先验、高通边缘指示,用逐像素门控替代简单拼接,可在不增加通道数的前提下抑制沿带向的周期性背景噪声并强化跨分支差异,从而提升模型在复杂工况下的判别能力与鲁棒性。实验结果表明:改进YOLOv11n模型的精确率与召回率分别达0.914与0.892,mAP@0.5与mAP@0.5:0.95分别为93.1%,62.2%,较YOLOv11n有显著提升,在准确性和鲁棒性方面优于YOLOv5s,YOLOv8n,YOLOv10n等主流轻量模型;模型推理速度达96帧/s,实时性较高,能高效执行煤矿输送带异物检测任务;热力图分析表明,改进YOLOv11n模型有效增强了目标区域聚焦能力,减少了冗余框,提高了小目标检测精度。 展开更多
关键词 输送带异物检测 YOLOv11n 顺序化尺度交互融合 并行补丁感知注意力 带向对比融合
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