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
改进YOLOv8n的电路板缺陷检测算法
1
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
职称材料
基于改进YOLOv11n模型的输送带异物检测方法
2
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
职称材料
题名
改进YOLOv8n的电路板缺陷检测算法
1
作者
王彩霞
郭鑫鹏
刘鹏
机构
长春理工大学电子信息工程学院
出处
《电子测量与仪器学报》
北大核心
2025年第8期65-78,共14页
基金
吉林省科技发展计划项目(20210201021GX)
国家重点研发计划项目(2018YFB1107600)资助。
文摘
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。
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
Keywords
YOLOv8n
PPA
EMA
NWD-EIoU
tiny defects of printed circuit board
分类号
TM93 [电气工程—电力电子与电力传动]
TP391.4 [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
基于改进YOLOv11n模型的输送带异物检测方法
2
作者
高雁青
徐小马
刘广超
郑军领
许江涛
张庆
王杰
机构
河南工业和信息化职业学院资源与安全学院
河南理工大学资源环境学院
河南省煤矿充填减沉工程技术研究中心
河南能源集团焦煤公司中马村矿
出处
《工矿自动化》
北大核心
2025年第10期41-47,56,共8页
基金
河南省科技攻关项目(252102240046)
中国博士后科学基金特别资助(站前)项目(2023TQ0108)
+2 种基金
河南省自然科学基金青年项目(242300421648)
河南省科技攻关项目(232102320008)
河南省高等学校重点科研项目计划(26B440001)。
文摘
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。
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
Keywords
conveyor belt foreign object detection
YOLOv11n
Scale Sequence Feature Fusion
Parallelized Patch-Aware Attention
Band-Aware Contrast Fusion
分类号
TD634.1 [矿业工程—矿山机电]
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
改进YOLOv8n的电路板缺陷检测算法
王彩霞
郭鑫鹏
刘鹏
《电子测量与仪器学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于改进YOLOv11n模型的输送带异物检测方法
高雁青
徐小马
刘广超
郑军领
许江涛
张庆
王杰
《工矿自动化》
北大核心
2025
0
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
