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1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：
基于YOLO-EGVS算法的散乱堆叠三通零件识别方法
1
作者 杨瑞刚 苗琦 +2 位作者 王宇琦 史易烜 王南山 《组合机床与自动化加工技术》 北大核心 2025年第7期45-51,59,共8页
针对现有算法在识别散乱堆叠三通零件时存在的检测精度低、模型复杂的问题,提出一种基于YOLOv8n的YOLO-EGVS识别算法。首先,为了更好地提取散乱堆叠三通零件的相关特征,在YOLOv8n模型的主干网络上加入了EMA注意力机制;其次,为了降低算... 针对现有算法在识别散乱堆叠三通零件时存在的检测精度低、模型复杂的问题,提出一种基于YOLOv8n的YOLO-EGVS识别算法。首先,为了更好地提取散乱堆叠三通零件的相关特征,在YOLOv8n模型的主干网络上加入了EMA注意力机制;其次,为了降低算法的复杂度,在模型的Neck部分加入GSConv和VOV-GSCPS模块,构建SlimNeck颈部网络结构,提高模型的检测速度;最后,在检测头部分,使用Shape-IOU替换CIOU边界损失函数,使模型更加关注边界框本身的形状和尺度,提高收敛速度和边框的检测精度。实验结果表明,改进后的YOLO-EVGS模型在验证集上的精确率P、召回率R和平均精度mAP分别为94.7%、96.5%和96.9%,相较于YOLOv8n模型分别提升了1.0%、0.9%和1.3%;最优权重模型大小、模型计算量分别为5.9 MB和7.4 GFLOPs,分别下降了6.3%和9.8%。相较于YOLOv3-tiny、YOLOv5n和YOLOv6n模型,YOLO-EGVS算法在模型复杂程度和检测性能上更优,满足了工业生产上对三通零件识别的需求。 展开更多
关键词 YOLOv8n 散乱堆叠三通零件 Shape-IOU损失函数 EMA注意力机制 SlimNeck颈部网络结构
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