检索结果-维普期刊中文期刊服务平台

基于改进YOLOv8n的船舶设备拆装流程规范性评估方法: 1; 作者张振东管聪 +2 位作者张泽辉吴超丁学文《中国舰船研究》北大核心 2025年第2期140-150,共11页; [目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YO... 展开更多; 关键词船舶设备拆除和安装目标检测注意力机制(SA) 泛化特征金字塔网络(gfpn) 动态非单调聚焦机制(WIoU)损失函数; 在线阅读下载PDF 职称材料

基于改进Faster-RCNN的起重机钢丝绳表面缺陷识别方法: 2; 作者苏立鹏娄益凡 +3 位作者杨吴奔高建貌王雪迎易灿灿《机电工程》北大核心 2025年第7期1341-1349,共9页; 针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识... 展开更多; 关键词起重机械损伤检测改进的快速区域卷积神经网络多尺度和自定义锚框策略广义交并比损失函数可变形卷积路径增强特征金字塔区域提议网络消融实验; 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：19: 3; 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... 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

基于改进Faster R-CNN的钢轨踏面块状伤损检测方法被引量：4: 4; 作者罗晖贾晨 +1 位作者芦春雨李健《计算机应用》 CSCD 北大核心 2021年第3期904-910,共7页; 针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度... 展开更多; 关键词钢轨踏面块状伤损检测 Faster区域卷积神经网络特征金字塔广义交并比区域建议网络; 在线阅读下载PDF 职称材料

基于改进faster RCNN的木材运输车辆检测被引量：7: 5; 作者徐义鎏贺鹏 +3 位作者任东王慧董婷邵攀《计算机应用》 CSCD 北大核心 2020年第S01期209-214,共6页; 针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法。首先,采用faster RCNN作为基础检测框架,使... 展开更多; 关键词广义交并比目标检测损失函数金字塔特征网络 faster区域卷积神经网络车型检测; 在线阅读下载PDF 职称材料

题名基于改进YOLOv8n的船舶设备拆装流程规范性评估方法: 1; 作者张振东管聪张泽辉吴超丁学文; 机构武汉理工大学船海与能源动力工程学院杭州电子科技大学自动化学院(人工智能学院); 出处《中国舰船研究》北大核心 2025年第2期140-150,共11页; 基金浙江省基础公益研究计划项目(LTGG24F030004) 国家水运安全工程技术研究中心开放基金资助项目(A202403) +1 种基金中央高校基本科研业务费专项资金资助项目(104972024JYS0043)。; 文摘 [目的]船舶机舱作业规范性是船舶安全管控的关键部分,因此船员实操考试将船舶设备拆装作为一个重要考核项。为提升船员实操考试的电子化和智能化水平,提出一种基于计算机视觉的船舶设备拆装流程规范性的自动化识别方法。[方法]首先,以YOLOv8n构建船舶设备检测模型的骨干网络,并引入高效通道注意力机制(SA),以提高模型特征提取能力与训练效率;然后,在颈部网络中引入重参数化泛化特征的金字塔网络(GFPN)融合结构,以提高模型的多尺度特征融合能力;最后,引入动态非单调聚焦机制损失函数(WIoU)来替换原CIoU损失函数,以提高模型精度。[结果]自建数据集的试验结果表明:与YOLOv8n相比,改进目标识别算法的平均精度均值提高了0.15,实时检测的每秒帧数提升了0.6,可以准确识别齿轮泵的拆装流程。[结论]该改进算法具有更强的识别能力,可以更好地应用于船舶设备拆装流程规范性的识别任务。; 关键词船舶设备拆除和安装目标检测注意力机制(SA) 泛化特征金字塔网络(gfpn) 动态非单调聚焦机制(WIoU)损失函数; Keywords ship equipments disassembly and assembly objection detection shuffle-attention(SA)mechanism global feature pyramid network(gfpn) wise-intersection over union(WIoU)loss function; 分类号 U676.2 [交通运输工程—船舶及航道工程]; 在线阅读下载PDF 职称材料

题名基于改进Faster-RCNN的起重机钢丝绳表面缺陷识别方法: 2; 作者苏立鹏娄益凡杨吴奔高建貌王雪迎易灿灿; 机构温州市特种设备检测科学研究院武汉科技大学机械工程学院; 出处《机电工程》北大核心 2025年第7期1341-1349,共9页; 基金国家自然科学基金资助项目(U1709210) 温州市基础性科研项目(2023G0277)。; 文摘针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识别的性能。首先,采用了多尺度策略提高输入图像的分辨率,从而更好地检测不同大小的缺陷;其次,在网络中引入了可变形卷积,以增强其捕捉传统卷积技术难以检测的钢丝绳缺陷复杂形状特征的能力;采用了路径增强技术融合低维和高维特征,有效解决了在下采样和特征融合过程中信息丢失的问题,极大提升了模型在各层之间保持关键信息的能力;最后,采用了广义交并比(GIOU)损失函数替代传统的交并比(IOU)损失函数,显著提高了边界框预测的准确性,验证了改进后的Faster-RCNN算法在起重机钢丝绳损伤检测的性能提升方面较为显著。研究结果表明:改进版Faster-RCNN模型相比原算法在精度上有了显著提高,准确率从81.8%提升至90.2%,召回率从83.8%提高至94.2%,最终平均精度达到0.934,提升了9.6%。与传统检测算法如SSD和原版YOLOv5相比,该方法的准确率分别提高了17.6%和11.0%,证明了其在钢丝绳损伤图像识别中的有效性。; 关键词起重机械损伤检测改进的快速区域卷积神经网络多尺度和自定义锚框策略广义交并比损失函数可变形卷积路径增强特征金字塔区域提议网络消融实验; Keywords hoisting machinery damage detection improved faster region-based convolutional neural network(Faster-RCNN) multi-scale and custom anchor frame strategy generalized intersection over union(GIOU) deformable convolution path enhancement feature pyramid region proposal network(RPN) ablation experiment; 分类号 TH21 [机械工程—机械制造及自动化] TP183 [自动化与计算机技术—控制理论与控制工程]; 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：19: 3; 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

题名基于改进Faster R-CNN的钢轨踏面块状伤损检测方法被引量：4: 4; 作者罗晖贾晨芦春雨李健; 机构华东交通大学信息工程学院; 出处《计算机应用》 CSCD 北大核心 2021年第3期904-910,共7页; 基金江西省重点研发计划一般项目(20202BBEL53001)。; 文摘针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度伤损的检测精度;然后,采用广义交并比(GIoU)损失解决了Faster R-CNN中回归损失SmoothL1对预测边框位置不敏感问题;最后,提出引导锚定的区域提名网络(GA-RPN)方法,从而解决了区域生成网络(RPN)生成的锚点大量冗余而导致的检测网络训练中正负样本失衡问题。训练过程中,基于翻转、裁剪、噪声扰动等图像预处理方法对RSSDs数据集进行扩充,解决了钢轨踏面块状伤损训练样本不充足问题。实验结果表明,所提改进方法对钢轨踏面块状伤损检测的平均精度均值(mAP)可达到82.466%,相较于Faster R-CNN提高了13.201个百分点,能够更加准确地检测钢轨踏面块状伤损。; 关键词钢轨踏面块状伤损检测 Faster区域卷积神经网络特征金字塔广义交并比区域建议网络; Keywords rail tread block defects detection Faster Region-based Convolutional Neural Network(Faster R-CNN) Feature Pyramid Network(FPN) Generalized Intersection over Union(GIoU) Region Proposal Network(RPN); 分类号 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faster RCNN的木材运输车辆检测被引量：7: 5; 作者徐义鎏贺鹏任东王慧董婷邵攀; 机构三峡大学计算机与信息学院湖北省农业环境安全遥感监测分析重点实验室; 出处《计算机应用》 CSCD 北大核心 2020年第S01期209-214,共6页; 基金国家重点研发计划项目(2016YFD0800902) 湖北省技术创新专项(重大项目)(2017ABA157) 国家自然科学基金资助项目(41901341)。; 文摘针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法。首先,采用faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框聚类作为基础改进措施;其次,以广义交并比(GIoU)损失函数替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,使用GIoU作为损失函数的faster RCNN相比原算法对木材运输车辆检测的平均精度(AP)上升了7.5%,模型平均精度均值(mAP)上升了4.3%;同时,在大型数据集PASCALVOC上,使用GIoU作为损失函数的faster RCNN的mAP达到73.4%,相比其他算法具有明显优势。; 关键词广义交并比目标检测损失函数金字塔特征网络 faster区域卷积神经网络车型检测; Keywords Generalized Intersection over Union(GIoU) target detection loss function Pyramid Feature Network(PFN) faster faster Regional Convolutional Neural Network(RCNN) vehicle 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	作者	出处	发文年	被引量	操作
1	基于改进YOLOv8n的船舶设备拆装流程规范性评估方法	张振东管聪张泽辉吴超丁学文	《中国舰船研究》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于改进Faster-RCNN的起重机钢丝绳表面缺陷识别方法	苏立鹏娄益凡杨吴奔高建貌王雪迎易灿灿	《机电工程》北大核心	2025	0	在线阅读下载PDF 职称材料
3	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	19	在线阅读下载PDF 职称材料
4	基于改进Faster R-CNN的钢轨踏面块状伤损检测方法	罗晖贾晨芦春雨李健	《计算机应用》 CSCD 北大核心	2021	4	在线阅读下载PDF 职称材料
5	基于改进faster RCNN的木材运输车辆检测	徐义鎏贺鹏任东王慧董婷邵攀	《计算机应用》 CSCD 北大核心	2020	7	在线阅读下载PDF 职称材料