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
VRD-YOLO:基于YOLOv5s改进的实时车载影像道路病害检测模型
被引量：
2
1
作者
黄文龙
赵好好
+5 位作者
康健
支晓栋
王东川
周维勋
倪欢
管海燕
《南京信息工程大学学报》
北大核心
2025年第2期151-164,共14页
针对车载影像中的道路病害尺寸差异大,小尺度病害多,导致检测精度低的问题,本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO(Vehicle-mounted image Road Damage Detection-YOLO).首先,提出通道混合滑动Transforme...
针对车载影像中的道路病害尺寸差异大,小尺度病害多,导致检测精度低的问题,本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO(Vehicle-mounted image Road Damage Detection-YOLO).首先,提出通道混合滑动Transformer模块,增强模型全局上下文建模能力,强化细粒度道路病害语义特征信息提取;其次,引入具有跨层融合和跨尺度融合特性的广义特征金字塔,扩大网络感受野,强化多尺度病害特征融合;再次,设计动态检测头,实现尺度感知、空间感知和任务感知,优化模型特征响应,进一步提升模型的检测性能;最后,构建车载影像道路病害数据集VIRDD(Vehicle-mounted Image Road Damage Dataset),扩充现有道路病害数据集数量及类型,并基于该数据集进行消融和对比实验.实验结果表明:VRD-YOLO在VIRDD数据集上的平均精度均值(mAP@0.5)为74.45%,检测速度(FPS)可达到28.56帧/s,与YOLOv5s模型相比,精确度、召回率、F1分数和mAP分别提升2.79、2.32、2.54和3.19个百分点.同时,通过与其他6种经典及主流目标检测模型比较,VRD-YOLO以最少的模型参数量(9.68×106)获得了最佳的检测精度,验证了本文方法的有效性和优越性.
展开更多
关键词
YOLOv5s
道路病害检测
车载影像
TRANSFORMER
广义特征金字塔
动态检测头
在线阅读
下载PDF
职称材料
基于改进YOLOv8s的鼓形滚子表面缺陷检测算法
被引量：
16
2
作者
王安静
袁巨龙
+2 位作者
朱勇建
陈聪
吴金津
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2024年第2期370-380,387,共12页
为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级...
为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.
展开更多
关键词
鼓形滚子
缺陷检测
YOLOv8s
细粒化卷积
广义
的
特征
金字塔
网络(GFPN)
Wise-IOU
在线阅读
下载PDF
职称材料
题名
VRD-YOLO:基于YOLOv5s改进的实时车载影像道路病害检测模型
被引量：
2
1
作者
黄文龙
赵好好
康健
支晓栋
王东川
周维勋
倪欢
管海燕
机构
南京信息工程大学遥感与测绘工程学院
北京中科鹏宇科技有限公司
出处
《南京信息工程大学学报》
北大核心
2025年第2期151-164,共14页
基金
国家自然科学基金(42371447)
江苏省研究生科研与实践创新计划(KYCX24_1492)
文摘
针对车载影像中的道路病害尺寸差异大,小尺度病害多,导致检测精度低的问题,本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO(Vehicle-mounted image Road Damage Detection-YOLO).首先,提出通道混合滑动Transformer模块,增强模型全局上下文建模能力,强化细粒度道路病害语义特征信息提取;其次,引入具有跨层融合和跨尺度融合特性的广义特征金字塔,扩大网络感受野,强化多尺度病害特征融合;再次,设计动态检测头,实现尺度感知、空间感知和任务感知,优化模型特征响应,进一步提升模型的检测性能;最后,构建车载影像道路病害数据集VIRDD(Vehicle-mounted Image Road Damage Dataset),扩充现有道路病害数据集数量及类型,并基于该数据集进行消融和对比实验.实验结果表明:VRD-YOLO在VIRDD数据集上的平均精度均值(mAP@0.5)为74.45%,检测速度(FPS)可达到28.56帧/s,与YOLOv5s模型相比,精确度、召回率、F1分数和mAP分别提升2.79、2.32、2.54和3.19个百分点.同时,通过与其他6种经典及主流目标检测模型比较,VRD-YOLO以最少的模型参数量(9.68×106)获得了最佳的检测精度,验证了本文方法的有效性和优越性.
关键词
YOLOv5s
道路病害检测
车载影像
TRANSFORMER
广义特征金字塔
动态检测头
Keywords
YOLOv5s
road damage detection
vehicle-mounted images
Transformer
generalized feature pyramid
dynamic head
分类号
U418.6 [交通运输工程—道路与铁道工程]
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
基于改进YOLOv8s的鼓形滚子表面缺陷检测算法
被引量：
16
2
作者
王安静
袁巨龙
朱勇建
陈聪
吴金津
机构
浙江工业大学机械工程学院
宁波敏捷信息科技有限公司
出处
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2024年第2期370-380,387,共12页
基金
NSFC-浙江两化融合联合基金资助项目(U1809221)
宁波泛3315人才项目资助项目。
文摘
为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.
关键词
鼓形滚子
缺陷检测
YOLOv8s
细粒化卷积
广义
的
特征
金字塔
网络(GFPN)
Wise-IOU
Keywords
drum roller
defect detection
YOLOv8s
fine-grained convolution
general feature pyramid net-work(GFPN)
Wise-IOU
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
VRD-YOLO:基于YOLOv5s改进的实时车载影像道路病害检测模型
黄文龙
赵好好
康健
支晓栋
王东川
周维勋
倪欢
管海燕
《南京信息工程大学学报》
北大核心
2025
2
在线阅读
下载PDF
职称材料
2
基于改进YOLOv8s的鼓形滚子表面缺陷检测算法
王安静
袁巨龙
朱勇建
陈聪
吴金津
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2024
16
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
