检索结果-维普期刊中文期刊服务平台

融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法被引量：4: 1; 作者梁礼明钱艳群吴媛媛《重庆理工大学学报（自然科学）》 CAS 北大核心 2021年第10期136-143,共8页; 实际的检测任务中往往存在复杂的环境与背景,容易造成边界框的定位不够准确、对各尺度的目标检测精度不高等情况。为了进一步提高Yolov3的检测精度,本文在原算法的基础上提出一种融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算... 展开更多; 关键词 Yolov3 跨阶段局部网络空间金字塔池化 focal loss 损失函数; 在线阅读下载PDF 职称材料

基于改进Hyper-YOLO的煤矿输送带异物检测方法: 2; 作者李刚朱宇 +6 位作者杨庆贺邹军鹏才天贺鹏张亚兵赵艺鸣田鑫浩《工矿自动化》北大核心 2025年第7期114-121,共8页; 基于YOLO系列的输送带异物检测技术已取得丰富的研究成果,但其颈部网络无法使相隔较远的特征层直接交换特征信息,引发小目标漏检、重复检测等问题。Hyper-YOLO可在颈部网络实现特征层之间跨层、跨位置的高阶关联,但会增加计算量,且降低... 展开更多; 关键词煤矿输送带异物检测 Hyper-YOLO 动态对比度受限自适应直方图均衡 EIoU 高效通道注意力机制简化快速空间金字塔池化; 在线阅读下载PDF 职称材料

基于交错部分卷积的高压输电线路检测方法被引量：1: 3; 作者李利荣戴俊伟 +3 位作者崔浩梅冰贺章擎李婕《电网技术》 EI CSCD 北大核心 2024年第12期5159-5168,I0074-I0076,I0073,共14页; 在输电线路无人机巡检任务中,针对基于深度学习的航拍图像中待检测目标检测精度不高和模型过大而难以部署至无人机等移动端设备的问题,提出了以YOLOv7-tiny为基础网络进行改进以实现提高检测精度并将模型轻量化的方法。首先,该文设计了... 展开更多; 关键词输电线路巡检通道冗余多尺度交错部分卷积高效多尺度注意力机制快速空间金字塔池化及跨阶段空间通道; 在线阅读下载PDF 职称材料

复杂场景下基于改进YOLOv3的口罩佩戴检测算法被引量：57: 4; 作者王艺皓丁洪伟 +2 位作者李波杨志军杨俊东《计算机工程》 CAS CSCD 北大核心 2020年第11期12-22,共11页; 新型冠状病毒可以通过呼吸道飞沫等方式传播,正确佩戴口罩可以有效防止病毒传染,但是自然场景中通常存在遮挡、密集人群和小尺度目标等复杂因素,对人脸佩戴口罩的检测效果产生影响。针对该问题,在YOLOv3算法的基础上,提出复杂场景下的... 展开更多; 关键词 YOLOv3算法口罩佩戴检测跨阶段局部网络空间金字塔池化特征融合损失函数; 在线阅读下载PDF 职称材料

基于改进YOLOX-m的安全帽佩戴检测被引量：7: 5; 作者王晓龙江波《计算机工程》 CAS CSCD 北大核心 2023年第12期252-261,共10页; 安全帽佩戴检测是安全监控系统中的重要组成部分,其检测精度取决于目标分类、小目标检测、域迁移差异等因素。针对现有基于YOLOX-m模型的安全帽佩戴检测算法通常存在分类精度较低、检测目标不完整、轻量化模型性能下降等问题,构建一种... 展开更多; 关键词安全帽佩戴检测深度学习残差化重参视觉几何组快速空间金字塔池化多阶段网络训练策略; 在线阅读下载PDF 职称材料

题名融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法被引量：4: 1; 作者梁礼明钱艳群吴媛媛; 机构江西理工大学电气工程与自动化学院; 出处《重庆理工大学学报（自然科学）》 CAS 北大核心 2021年第10期136-143,共8页; 基金国家自然科学基金项目(51365017,61463018) 江西省自然科学基金面上项目(20192BAB205084) 江西省教育厅科学技术研究重点项目(GJJ170491)。; 文摘实际的检测任务中往往存在复杂的环境与背景,容易造成边界框的定位不够准确、对各尺度的目标检测精度不高等情况。为了进一步提高Yolov3的检测精度,本文在原算法的基础上提出一种融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法。首先,将主干网络融合跨阶段局部网络CSPNet来提高网络的学习能力;其次,引入一种改进的空间金字塔池化结构增强网络的局部区域特征;最后,在损失函数中融入focal loss解决正负样本不均衡带来的问题。实验表明:改进的Yolov3算法在检测性能上优于原算法。; 关键词 Yolov3 跨阶段局部网络空间金字塔池化 focal loss 损失函数; Keywords Yolov3 cross-stage local network space pyramid pooling focal loss function; 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Hyper-YOLO的煤矿输送带异物检测方法: 2; 作者李刚朱宇杨庆贺邹军鹏才天贺鹏张亚兵赵艺鸣田鑫浩; 机构辽宁工程技术大学矿业学院; 出处《工矿自动化》北大核心 2025年第7期114-121,共8页; 基金国家自然科学基金资助项目(52174077)。; 文摘基于YOLO系列的输送带异物检测技术已取得丰富的研究成果,但其颈部网络无法使相隔较远的特征层直接交换特征信息,引发小目标漏检、重复检测等问题。Hyper-YOLO可在颈部网络实现特征层之间跨层、跨位置的高阶关联,但会增加计算量,且降低对高频特征信息的敏感性,导致在噪声较为敏感的区域特征提取能力下降,预测边界框发生偏移。针对上述问题,提出一种基于改进Hyper-YOLO的煤矿输送带异物检测方法。在图像预处理阶段采用动态对比度受限自适应直方图均衡化(Dy-CLAHE)方法,将Laplacian算子引入对比度受限自适应直方图均衡化(CLAHE)框架,建立噪声水平与对比度限制阈值之间的动态映射关系,有效解决了粉尘环境下图像细节丢失和噪声放大的问题;对Hyper-YOLO进行改进,采用高效交并比(EIoU)损失函数优化边界框回归过程,提升了预测边界框定位精度,并在混合聚合网络(MANet)的深层和浅层嵌入高效通道注意力机制(ECA)模块,通过局部跨通道交互动态调整通道权重,有效平衡对高频和低频特征信息的敏感性,降低小目标异物的漏检率,同时通过简化快速空间金字塔池化(SimSPPF)模块,减少了冗余计算,在保证精度的同时提升了推理速度。实验结果表明:改进Hyper-YOLO在准确率和mAP@0.5指标上分别为94.2%和93.4%,相较于Hyper-YOLO提高了5.0%和3.5%,参数量为3.26×10^(6)个,召回率为87.7%,检测速度为158帧/s,满足煤矿井下异物实时检测的需求;在不同煤矿输送带异物检测场景下无漏检及重复检测情况,预测边界框更贴合异物。; 关键词煤矿输送带异物检测 Hyper-YOLO 动态对比度受限自适应直方图均衡 EIoU 高效通道注意力机制简化快速空间金字塔池化; Keywords coal mine conveyor belt foreign object detection Hyper-YOLO Dynamic Contrast Limited Adaptive Histogram Equalization EIoU Efficient Channel Attention Simplified Spatial Pyramid Pooling–Fast; 分类号 TD528/634 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名基于交错部分卷积的高压输电线路检测方法被引量：1: 3; 作者李利荣戴俊伟崔浩梅冰贺章擎李婕; 机构湖北工业大学电气与电子工程学院湖北省高效利用及储能运行控制湖北省重点实验室(湖北工业大学) 太阳能高效利用湖北省协同创新中心(湖北工业大学); 出处《电网技术》 EI CSCD 北大核心 2024年第12期5159-5168,I0074-I0076,I0073,共14页; 基金国家自然科学基金项目(62271194) 湖北省高效利用及储能运行控制湖北省重点实验室开发基金项目(HBSEES202306)。; 文摘在输电线路无人机巡检任务中,针对基于深度学习的航拍图像中待检测目标检测精度不高和模型过大而难以部署至无人机等移动端设备的问题,提出了以YOLOv7-tiny为基础网络进行改进以实现提高检测精度并将模型轻量化的方法。首先,该文设计了一种交错部分卷积(interlace partial convolution,IPConv),并利用其构建IP1-ELAN、IP2-ELAN模块作为网络的特征提取模块,使其能有效减轻模型中通道冗余问题,并大幅度减少模型的参数量和浮点数;其次,在骨干网络最后一层中融合高效多尺度注意力机制(efficient multi-scale attention,EMSA)以实现跨通道交互,增强目标区域特征提取能力;最后,融合快速空间金字塔池化及跨阶段空间通道(spatial pyramid pooling faster,cross stage partial channel,SPPFCSPC)模块,进一步增强特征提取能力,提升模型检测性能。通过实验验证,该文方法在输电线路巡检数据集中模型参数量和浮点数分别仅为3.79M,8.4G,检测精度为85.8%。综合性能优于目前常用的检测算法,能够基本满足部署至无人机端进行检测任务。; 关键词输电线路巡检通道冗余多尺度交错部分卷积高效多尺度注意力机制快速空间金字塔池化及跨阶段空间通道; Keywords transmission line inspection channel redundancy multi-scale IPConv EMSA SPPFCSPC; 分类号 TM721 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名复杂场景下基于改进YOLOv3的口罩佩戴检测算法被引量：57: 4; 作者王艺皓丁洪伟李波杨志军杨俊东; 机构云南大学信息学院云南省教育厅科学教育研究院; 出处《计算机工程》 CAS CSCD 北大核心 2020年第11期12-22,共11页; 基金国家自然科学基金(61461053,61461054)。; 文摘新型冠状病毒可以通过呼吸道飞沫等方式传播,正确佩戴口罩可以有效防止病毒传染,但是自然场景中通常存在遮挡、密集人群和小尺度目标等复杂因素,对人脸佩戴口罩的检测效果产生影响。针对该问题,在YOLOv3算法的基础上,提出复杂场景下的口罩佩戴检测算法。结合跨阶段局部网络对DarkNet53骨干网络进行改进,以降低计算消耗并提高训练速度。在YOLOv3算法中引入改进的空间金字塔池化结构,通过自上而下和自下而上的特征融合策略优化多尺度预测网络,从而实现特征增强。选取CIoU作为损失函数,考虑目标与检测框之间的中心点距离、重叠率以及长宽比信息。实验结果表明,与YOLOv3算法相比,该算法在人脸目标和人脸佩戴口罩目标上的检测精度分别提高7.3%和14.9%,检测速度平均提高6FPS。; 关键词 YOLOv3算法口罩佩戴检测跨阶段局部网络空间金字塔池化特征融合损失函数; Keywords YOLOv3 algorithm mask wearing detection cross-stage partial network spatial pyramid pooling feature fusion loss function; 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YOLOX-m的安全帽佩戴检测被引量：7: 5; 作者王晓龙江波; 机构上海华讯网络系统有限公司行业数智事业部中国电子科技集团公司第三十二研究所; 出处《计算机工程》 CAS CSCD 北大核心 2023年第12期252-261,共10页; 文摘安全帽佩戴检测是安全监控系统中的重要组成部分,其检测精度取决于目标分类、小目标检测、域迁移差异等因素。针对现有基于YOLOX-m模型的安全帽佩戴检测算法通常存在分类精度较低、检测目标不完整、轻量化模型性能下降等问题,构建一种基于多阶段网络训练策略的改进YOLOX-m模型。首先对YOLOX-m主干特征网络卷积块的堆叠次数进行重新设计,在减小网络规模的同时最大化模型性能,然后将残差化重参视觉几何组与快速空间金字塔池化相结合,提高检测精度和推理速度。设计一种多阶段网络训练策略,将训练集和测试集拆分成多个组,并结合推理阶段生成的伪标签进行多次网络训练,以减少域迁移差异,获得更高的检测精度。实验结果表明,与YOLOX-m模型相比,改进YOLOX-m模型的推理延迟降低了5 ms,模型大小减少了4.7 MB,检测精度提高了1.26个百分点。; 关键词安全帽佩戴检测深度学习残差化重参视觉几何组快速空间金字塔池化多阶段网络训练策略; Keywords safety helmet wearing detection deep learning Residual Re-parameterized Visual Geometry Group(Res-RepVGG) Spatial Pyramid Pooling-Fast(SPPF) multi-stage network training strategy; 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	融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法	梁礼明钱艳群吴媛媛	《重庆理工大学学报（自然科学）》 CAS 北大核心	2021	4	在线阅读下载PDF 职称材料
2	基于改进Hyper-YOLO的煤矿输送带异物检测方法	李刚朱宇杨庆贺邹军鹏才天贺鹏张亚兵赵艺鸣田鑫浩	《工矿自动化》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于交错部分卷积的高压输电线路检测方法	李利荣戴俊伟崔浩梅冰贺章擎李婕	《电网技术》 EI CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	复杂场景下基于改进YOLOv3的口罩佩戴检测算法	王艺皓丁洪伟李波杨志军杨俊东	《计算机工程》 CAS CSCD 北大核心	2020	57	在线阅读下载PDF 职称材料
5	基于改进YOLOX-m的安全帽佩戴检测	王晓龙江波	《计算机工程》 CAS CSCD 北大核心	2023	7	在线阅读下载PDF 职称材料