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139篇文章
< 1 2 … 7 >
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YOLOv7-Tiny的轻量化钢材表面缺陷检测方法
1
作者 赵曙光 易文 陆小辰 《东华大学学报(自然科学版)》 北大核心 2025年第4期194-202,共9页
为实现快速且精准的钢材表面缺陷检测,提出一种基于YOLOv7-Tiny的轻量化检测方法。为优化主干提升检测精度和速度,基于Transformer模块构建轻型TGS-SPPCFSPC结构,替代SPPCSPC。此外,引入Mish激活函数以增强模型的表征能力;引入Slim-Nec... 为实现快速且精准的钢材表面缺陷检测,提出一种基于YOLOv7-Tiny的轻量化检测方法。为优化主干提升检测精度和速度,基于Transformer模块构建轻型TGS-SPPCFSPC结构,替代SPPCSPC。此外,引入Mish激活函数以增强模型的表征能力;引入Slim-Neck作为新的颈部,在保持检测精度的同时,有效地缩减模型规模和计算量。将SPD卷积与SimAM相结合作为新头部,加强对低分辨率小目标的检测能力。在NEU-DET和GC10-DET上的试验结果表明,改进算法在表现上优于数十种先进网络。相比于原始算法,改进算法在NEU-DET上,m_(AP)提升了7%,GFLOPS减少了2.5 G(Giga),参数减少了3 M(Mega),特别是小目标检测效果显著提高。在GC10-DET上,m_(AP)提升了3%,FPS达125。两者试验结果表明,提出的方法在缺陷检测领域表现出色,而且轻量化设计使其更适用于多种场景。 展开更多
关键词 钢材表面缺陷检测 YOLOv7-Tiny TGS-SPPCFSPC 小目标 轻量化
在线阅读 下载PDF
改进基于YOLOv8n的轻量化钢材表面缺陷检测算法 被引量：5
2
作者 刚帅 刘培胜 郭希旺 《电子测量技术》 北大核心 2025年第3期74-82,共9页
为了解决钢材表面缺陷检测模型参数量大、计算复杂度高以及对运算平台资源要求高的问题,提出了一种轻量化的改进算法。首先,使用ShuffleNetV2作为改进后的主干层,在降低模型复杂性和计算量上具有显著效果;其次,在SPPF模块后加入足够灵... 为了解决钢材表面缺陷检测模型参数量大、计算复杂度高以及对运算平台资源要求高的问题,提出了一种轻量化的改进算法。首先,使用ShuffleNetV2作为改进后的主干层,在降低模型复杂性和计算量上具有显著效果;其次,在SPPF模块后加入足够灵活和轻量的通道注意力机制(CA),同时使用双向特征金字塔网络(BiFPN)改善特征融合,提高了特征信息流动效率;最后,使用轻量级双卷积核(DualConv)替换C2f中的卷积层,通过分组卷积策略实现参数量的减少。实验结果表明,改进后的模型相比于原始的YOLOv8n,在保持检测精度的前提下,实现了轻量化。参数量为原来的56.2%,体积和计算量分别降至3.6 MB和4.8 GFLOPs,相比原模型分别降低了42.86%和41.47%,模型的轻量化降低了部署成本,适合实际部署和应用。 展开更多
关键词 YOLOv8n 钢材缺陷 轻量化 缺陷检测 注意力机制
在线阅读 下载PDF
改进YOLOv7的轻量化钢材表面缺陷检测算法
3
作者 耿涛 刘宇峰 金海波 《计算机工程与设计》 北大核心 2025年第7期1998-2003,共6页
针对目前钢材表面缺陷检测算法存在参数量大、计算冗余的问题,提出一种改进YOLOv7的轻量化钢材表面缺陷检测算法。引入EfficientViT替换原骨干特征提取网络;将EMA与SPPCSPC进行融合,使用PC卷积代替部分普通卷积;用MPDIoU替换CIoU进行损... 针对目前钢材表面缺陷检测算法存在参数量大、计算冗余的问题,提出一种改进YOLOv7的轻量化钢材表面缺陷检测算法。引入EfficientViT替换原骨干特征提取网络;将EMA与SPPCSPC进行融合,使用PC卷积代替部分普通卷积;用MPDIoU替换CIoU进行损失函数优化。实验结果表明,改进的YOLOv7算法mAP值比YOLOv7算法提升4.51%,参数量和计算量分别降低43.82%和72.58%,能够更好部署在资源有限的工业场景中。 展开更多
关键词 目标检测 YOLOv7 轻量化 EfficientViT 钢材表面 EMA MPDIoU
在线阅读 下载PDF
基于YOLO-GR算法的轻量化钢材表面缺陷检测 被引量：10
4
作者 吴亚尉 明帮铭 +1 位作者 何剑锋 钟国韵 《组合机床与自动化加工技术》 北大核心 2023年第11期107-111,115,共6页
针对工业带钢缺陷检测效率低、精度差、模型部署困难等技术不足,提出了一种改进YOLOv5s算法的轻量化钢材表面缺陷检测模型:YOLO-GR模型。首先,通过引入GhostV2 Bottleneck轻量化模块作为主干特征提取网络,以减少网络的参数量,同时将特... 针对工业带钢缺陷检测效率低、精度差、模型部署困难等技术不足,提出了一种改进YOLOv5s算法的轻量化钢材表面缺陷检测模型:YOLO-GR模型。首先,通过引入GhostV2 Bottleneck轻量化模块作为主干特征提取网络,以减少网络的参数量,同时将特征融合网络中的普通卷积块替换为深度可分离卷积块,进一步降低模型的计算复杂度以优化特征提取网络;然后,在检测头部分加入RepLK大卷积核提升网络感受野,以优化大尺度方差的检测效果;最后,引入W-IoU(Wise-IoU Loss)解决了带钢缺陷数据集难易样本不平衡问题,提高模型的泛化性能。实验结果表明,改进后的模型在平均检测精度上比原YOLOv5s模型提升了3.8%,在参数量和计算量比原模型下降了16.6%,模型大小仅仅12 M,为检测模型在移动端上的部署提供了可能。 展开更多
关键词 钢材缺陷检测 轻量化 YOLO RepLK卷积 W-IoU
在线阅读 下载PDF
改进YOLOv5s的轻量化钢材表面缺陷检测模型 被引量：18
5
作者 蒋博 万毅 谢显中 《计算机科学》 CSCD 北大核心 2023年第S02期259-265,共7页
针对现有钢材表面缺陷检测模型结构复杂、参数量多、检测精度和实时性较差等问题,提出了一种改进YOLOv5s的轻量化钢材表面缺陷检测模型。首先采用MobileNetv3-Small网络替换YOLOv5s主干提取网络,实现模型轻量化,提升检测速度;其次在特... 针对现有钢材表面缺陷检测模型结构复杂、参数量多、检测精度和实时性较差等问题,提出了一种改进YOLOv5s的轻量化钢材表面缺陷检测模型。首先采用MobileNetv3-Small网络替换YOLOv5s主干提取网络,实现模型轻量化,提升检测速度;其次在特征融合阶段采用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)加强特征提取,通过融合不同尺度的特征,提升检测的准确率和鲁棒性。同时引入CBAM(Convolutional Block Attention Module)注意力机制增强模型对小尺度目标的检测能力;最后使用K-means++算法聚类先验框,提高先验框聚类的准确性和收敛速度。改进后的模型在NEU-DET数据集上的平均精度均值(mAP@0.5)达到77.2%,在NVIDIA 1080Ti上检测速度达到102FPS。相较于原始YOLOv5s模型,mAP提升3.90%,参数量减少58.6%,体积减小34%,检测速度提升29.7%。实验结果表明改进的YOLOv5s模型在保证轻量化的同时能够有效提升钢材表面缺陷检测的精度和速度,易于部署,满足带钢实际生产中的需求。 展开更多
关键词 缺陷检测 YOLOv5s 轻量化 MobileNetv3-Small BiFPN CBAM K-means++
在线阅读 下载PDF
基于改进YOLOv8n的轻量化马铃薯表面缺陷在线检测方法 被引量：5
6
作者 许英超 刘书玮 +4 位作者 王相友 吴海涛 黄杰 王恒仁 王毅 《农业工程学报》 北大核心 2025年第5期135-144,共10页
马铃薯表面缺陷是农产品分级的重要依据。为提升马铃薯表面缺陷检测精度并实现模型在移动端的快速识别,该研究提出了一种基于改进YOLOv8n的马铃薯表面缺陷检测方法DATW-YOLOv8。算法使用Dilation-wise Residual模块替换C2f中的Bottlenec... 马铃薯表面缺陷是农产品分级的重要依据。为提升马铃薯表面缺陷检测精度并实现模型在移动端的快速识别,该研究提出了一种基于改进YOLOv8n的马铃薯表面缺陷检测方法DATW-YOLOv8。算法使用Dilation-wise Residual模块替换C2f中的Bottleneck模块,并引入Dilated Reparam Block模块对C2f进行二次改进,加强细节特征提取,提高缺陷特征的提取精度;随后,引入轻量级自适应下采样(ADOWN)卷积模块,实现图像数据的有效降维,提升模型处理效率;此外,改造检测头为任务对齐动态检测头(task align dynamic detection head,TADDH),提高缺陷边界预测精度,精准聚焦缺陷关键区;最终,使用Wise-EIoU作为边界框回归损失函数,增强模型对边界模糊样本的关注度,提升缺陷边界回归精度及模型鲁棒性。试验结果表明,改进DATW-YOLOv8模型在准确率、召回率和平均精度方面分别达到95.8%、88.1%和94.3%,参数量和权重分别为1.5 M和3.6 MB。与原YOLOv8n模型相比,参数量和权重分别减少了50.0%和42.9%,同时准确率、召回率和平均精度分别提高了2.8、1.6和1.4个百分点。该方法能满足实际生产中针对缺陷马铃薯进行精准、实时检测的要求,为马铃薯表面缺陷在线检测及模型在移动端的部署提供了技术参考。 展开更多
关键词 图像识别 深度学习 无损检测 马铃薯 表面缺陷 轻量化 YOLOv8
在线阅读 下载PDF
基于YOLO11n的轻量化芯片表面缺陷检测方法
7
作者 孙佩月 黄娟 +2 位作者 顾寄南 夏子林 高艳 《半导体技术》 北大核心 2025年第7期707-713,共7页
芯片表面缺陷具有尺寸微小、形状不规则、类型多样等特点,但现有目标检测模型存在精度低、参数量多等问题,因此提出一种基于YOLO11n的轻量化芯片表面缺陷检测方法。引入轻量级自适应提取(LAE)卷积,以减少参数数量和计算成本;为提高模型... 芯片表面缺陷具有尺寸微小、形状不规则、类型多样等特点,但现有目标检测模型存在精度低、参数量多等问题,因此提出一种基于YOLO11n的轻量化芯片表面缺陷检测方法。引入轻量级自适应提取(LAE)卷积,以减少参数数量和计算成本;为提高模型对芯片表面缺陷的检测效果,在Neck中集成DySample上采样模块;为进一步提升模型整体性能,在Neck中融合多维协作注意力(MCA)机制。实验结果表明,改进模型的检测平均精度可达91.3%,与原模型相比,平均精度提高1.3%,参数量减少18.8%,十亿次的浮点运算(GFLOPs)降低4.8%,为芯片表面缺陷检测提供了更为高效实用的解决方案。 展开更多
关键词 缺陷检测 YOLO11n 轻量化 自适应提取卷积 上采样 多维协作注意力(MCA)
在线阅读 下载PDF
轻量级钢材表面缺陷检测的YOLOv8改进方法 被引量：1
8
作者 沈学利 赵青华 《兵器装备工程学报》 北大核心 2025年第4期302-309,共8页
针对目前钢材缺陷检测模型计算量大、模型复杂度高,导致在计算能力有限的设备部署缺陷检测算法困难的问题,提出一种轻量化检测模型YOLO-SSC。采用SPD-Conv模块替换Backbone中的CBS模块,减少小目标细粒度特征信息损失,提高缺陷检测精度;... 针对目前钢材缺陷检测模型计算量大、模型复杂度高,导致在计算能力有限的设备部署缺陷检测算法困难的问题,提出一种轻量化检测模型YOLO-SSC。采用SPD-Conv模块替换Backbone中的CBS模块,减少小目标细粒度特征信息损失,提高缺陷检测精度;采用GSConv构建Slim-neck颈部结构,减少模型计算量和参数量;设计C2f-Faster-GAM结构,进一步轻量化模型,提升模型对重要信息的关注度。在NEU-DET带钢缺陷数据集上实验,YOLO-SSC算法的参数量和计算量分别为2.27×10^(6)和5.8 GFLOPs,仅为基线的75.4%和71.6%。mAP和准确率较基线分别提高了2.2%和1.7%,实验表明提出的模型具有良好的检测性能。 展开更多
关键词 表面缺陷 缺陷检测 钢材 YOLOv8 轻量化模型 Slim-neck
在线阅读 下载PDF
融合MobileNetv3的轻量级YOLOv8钢材表面缺陷检测
9
作者 胡名琪 陈辉明 +2 位作者 徐伟 郭诚君 刘秋明 《科学技术与工程》 北大核心 2025年第16期6831-6840,共10页
针对钢材表面缺陷人工检测成本高昂、检测精度不高,以及传统的目标检测方法模型复杂,导致对终端检测设备的计算资源要求较高等问题,融合MobileNetv3轻量化YOLOv8算法提出一种轻量级缺陷检测算法YOLOv8n-MDC。首先,以YOLOv8n为基础,将YOL... 针对钢材表面缺陷人工检测成本高昂、检测精度不高,以及传统的目标检测方法模型复杂,导致对终端检测设备的计算资源要求较高等问题,融合MobileNetv3轻量化YOLOv8算法提出一种轻量级缺陷检测算法YOLOv8n-MDC。首先,以YOLOv8n为基础,将YOLOv8n的自带IoU(intersection over union)候选框损失函数替换成WIoU(weighted IoU)函数,通过增添非单调聚焦机制,提高模型的鲁棒性。其次,使用MobileNetv3网络替换YOLOv8n的骨干特征提取网络模块,将轻量级网络用于特征提取端降低网络复杂度,减少冗余开销。最后,在特征融合阶段使用DW卷积和C3Ghost模块对原网络的相应模块进行替换,使改进后的网络减少模型参数,进一步提升检测速度。使用钢材表面缺陷数据集NEU-DET进行模型验证,YOLOv8n-MDC模型mAP达81.3%,较YOLOv8n模型提升5%;参数量与计算量分别为1.02 M和2.1 GFLOPs,仅为原模型的33.9%和25.9%,达到工业要求。提出的轻量级算法在保证检测精度提升的同时大大降低了算法的复杂度和计算资源的开销,为钢材表面缺陷检测提供了一个优化思路。 展开更多
关键词 钢材表面缺陷 缺陷检测 轻量级网络 YOLOv8 MobileNetv3
在线阅读 下载PDF
基于轻量化改进YOLOv8的光伏阵列表面缺陷检测
10
作者 张彼德 王泽林 +3 位作者 廖其龙 阎铁生 林夏 汪瑞杰 《电子测量与仪器学报》 北大核心 2025年第6期100-111,共12页
针对现有目标检测方法在光伏阵列表面缺陷检测中精度较低且模型过于庞大,难以适用于轻量化无人机检测设备的现状,提出了一种改进的轻量化YOLOv8模型。使用跨阶段部分异构卷积网络(CSPHet)模块,在减少模型参数、提高运行效率的同时,保证... 针对现有目标检测方法在光伏阵列表面缺陷检测中精度较低且模型过于庞大,难以适用于轻量化无人机检测设备的现状,提出了一种改进的轻量化YOLOv8模型。使用跨阶段部分异构卷积网络(CSPHet)模块,在减少模型参数、提高运行效率的同时,保证了对特征的提取能力;引入部分自注意力(PSA)机制,将全局信息融入特征图中,提升网络对目标与背景的辨别能力,同时减少噪音对目标定位和分类的影响;采用跨尺度特征融合模块(CCFM)颈部结构,通过调整模型的输出通道数,降低了模型的复杂度,从而实现了更加高效且轻量化的网络架构;加入全局感知模块自注意力卷积混合(ACmix),增强模型对全局的感知能力,减少了无关信息的干扰,提高了模型的鲁棒性。实验结果表明,改进后的YOLOv8模型参数量减少37%,计算量减少27%,且检测平均精度均值(mAP)mAP@0.5提升至81.2%。显著降低了参数量和计算量,实现轻量化的同时,提升了检测精度。与其他模型相比,更加适合部署在轻量化无人机设备上,用于光伏阵列表面缺陷的目标检测。 展开更多
关键词 光伏阵列 缺陷检测 YOLOv8 轻量化 检测精度 无人机
在线阅读 下载PDF
改进轻量高效FMG-YOLOv8s的钢材表面缺陷检测算法 被引量：1
11
作者 梁礼明 龙鹏威 李俞霖 《计算机工程与应用》 北大核心 2025年第3期84-93,共10页
针对当前钢材表面缺陷检测存在效率低和精度差等问题,以及现有缺陷检测模型结构复杂、参数量庞大、检测精度和实时性较差的挑战,基于YOLOv8s模型,提出一种轻量高效的钢材缺陷检测算法(FMG-YOLOv8s)。该方法采用轻量级的FasterNet网络作... 针对当前钢材表面缺陷检测存在效率低和精度差等问题,以及现有缺陷检测模型结构复杂、参数量庞大、检测精度和实时性较差的挑战,基于YOLOv8s模型,提出一种轻量高效的钢材缺陷检测算法(FMG-YOLOv8s)。该方法采用轻量级的FasterNet网络作为骨干网络,降低模型复杂度并更好地处理多尺度特征信息,以提升检测性能;重构特征交互模块(M-C2f),有效保留空间和通道特征,抑制冗余信息,促进检测精度和速度的提升;设计GS-Detect模块作为整体模型的检测网络,降低模型复杂度,提升训练和推理速度。在Severstal钢材缺陷数据集进行实验验证,相较于YOLOv8s算法,FMG-YOLOv8算法的mAP提升3.3个百分点,参数量和计算量分别降低8.2×10^(6)和2.21×10^(10),检测速度达到250帧/s,召回率提升6.9个百分点。实验结果表明,该算法在检测精度、速度和轻量化方面取得更好的平衡,为边缘终端设备提供较高精度、轻量化和实时性的可靠参考。在NEU-DET缺陷数据集上进行泛化性验证,相较于原模型,mAP和检测速度分别提升3.1个百分点和185帧/s,结果显示该算法具备良好的鲁棒性。 展开更多
关键词 缺陷检测 轻量化YOLOv8s FasterNet M-C2f GS-Detect
在线阅读 下载PDF
YOLOv8n-CSG:轻量化钢材表面缺陷检测算法
12
作者 赵佰亭 张敏 贾晓芬 《电子测量与仪器学报》 2025年第8期115-125,共11页
为解决钢材表面缺陷检测中因缺陷类型繁多、尺寸差异显著造成检测精度低,以及现有模型复杂度高等问题,提出了一种改进YOLOv8n的轻量化检测算法YOLOv8n-CSG。首先,引入上下文引导模块(context guided block,CG block)设计C2f_CG模块增强... 为解决钢材表面缺陷检测中因缺陷类型繁多、尺寸差异显著造成检测精度低,以及现有模型复杂度高等问题,提出了一种改进YOLOv8n的轻量化检测算法YOLOv8n-CSG。首先,引入上下文引导模块(context guided block,CG block)设计C2f_CG模块增强对周围特征的捕捉能力,增强信息关联性;其次,加入星型网络模块(Star Block)设计出C2f_Star模块,将输入数据映射到高维的非线性特征空间,生成丰富的特征表示,使得模型在处理细微缺陷时更加有效;最后,设计了集成分组混洗卷积(grouped and shuffled convolution,GSConv)和高效多尺度注意力机制(efficient multi-Scale attention,EMA)的轻量化检测头GSE_Detect,保持了原检测头的高效的同时降低复杂度。在NEU-DET数据集上进行多组实验,结果表明,改进后的YOLOv8n-CSG网络模型平均精度均值(mAP)mAP@0.5达到了76.8%,相较于YOLOv8n,mAP@0.5提升了6.9%、精度提升了11.3%、计算量降低了37%、参数量降低了35.2%,展现出对钢材表面缺陷更佳的检测能力,且平衡了模型的性能和复杂度。 展开更多
关键词 缺陷检测 轻量化YOLOv8n C2f_CG C2f_Star GSE_Detect
在线阅读 下载PDF
基于改进RT-DETR的铜带表面缺陷轻量化检测方法
13
作者 王东城 段伯伟 +3 位作者 邢佳文 徐凯 徐扬欢 刘宏民 《中国有色金属学报》 北大核心 2025年第10期3527-3538,共12页
表面缺陷是衡量铜带产品质量的重要指标之一。针对铜带分切机组现有表面缺陷检测方法存在的检测精度低、泛化能力差及部署成本高等问题,提出一种基于改进Real-Time Detection Transformer(RTDETR)的轻量化检测方法。首先,依托实际生产... 表面缺陷是衡量铜带产品质量的重要指标之一。针对铜带分切机组现有表面缺陷检测方法存在的检测精度低、泛化能力差及部署成本高等问题,提出一种基于改进Real-Time Detection Transformer(RTDETR)的轻量化检测方法。首先,依托实际生产线搭建图像采集系统,采集了大量真实表面缺陷图像。其次,设计了一种自适应图像预处理方法,能够自动去除冗余背景并矫正空间倾角引起的透视畸变。在此基础上,通过人工筛选出关键缺陷样本进行分类标注,并制定面向工业场景的多样化数据增强方案,构建了分切机组铜带表面缺陷数据集。最后,以具有残差结构的Res_Block为基础,提出一种融合PConv算子与多尺度注意力机制(EMA)的高效特征提取模块ERes_Block,并基于ERes_Block为RT-DETR搭建了轻量化主干特征提取网络。结果表明:本文方法相较于原始模型能够有效减少模型参数量,并提高检测精度和推理速度;通过对比实验与消融实验发现,该方法在所有对比算法中具有最优性能,验证了其在实际工业场景中的应用潜力。 展开更多
关键词 分切机组 冷轧铜带 表面缺陷 RT-DETR 轻量化网络
在线阅读 下载PDF
CSM-YOLO:一种面向飞机表面缺陷检测的轻量化高精度网络
14
作者 介战铎 张争明 +2 位作者 黄浩然 郝明 赵俭邦 《空军工程大学学报》 北大核心 2025年第5期11-21,共11页
针对现有基于视觉的飞机机体表面缺陷检测方法普遍存在检测精度低、参数量和计算量大,且难以同时兼顾精度提高和模型轻量化,提出一种新的同时兼顾高精度和轻量化的飞机机体表面缺陷检测方法(CSM-YOLO)。首先,通过设计C2f-SCSA模块替换... 针对现有基于视觉的飞机机体表面缺陷检测方法普遍存在检测精度低、参数量和计算量大,且难以同时兼顾精度提高和模型轻量化,提出一种新的同时兼顾高精度和轻量化的飞机机体表面缺陷检测方法(CSM-YOLO)。首先,通过设计C2f-SCSA模块替换主干网络C2f模块以动态增强多尺度特征、提高模型对关键特征信息的捕获、提取、利用能力,解决因下采样引起的特征信息丢失问题。其次,使用跨层直连方式改进Slim-Neck特征融合网络应用于模型颈部,实现提高模型计算效率的同时减少信息丢失,提高检测精度。最后,使用最小点距离交并比损失(MPDIoU Loss)提高边界框回归精确性,有效提高小目标缺陷检测精度,减少误检和漏检情况。实验结果表明,CSM-YOLO模型兼顾高精度、轻量化,对机体表面缺陷取得最高检测精度88.34%,较基线模型YOLOv8n提高2.92%,较YOLOv3-tiny、YOLOv5n、YOLOv5s、YOLOv7-tiny、YOLOv9t、YOLOv12n算法提升明显。在模型参数量和计算量方面,CSM-YOLO的参数量和计算量分别为2.67×10^(6)/s和7.68×10^(9)/s,较基线模型YOLOv8n分别减少0.34×10^(6)/s和0.41×10^(9)/s,实现了同时兼顾精度提高和模型轻量化。CSM-YOLO在飞机机体表面缺陷检测数据集上取得了显著的性能提升,为机体表面缺陷的自动化检测提供了有效的解决方案。 展开更多
关键词 飞机表面缺陷检测 YOLOv8 模型轻量化 空间-通道协同注意力 MPDIoU损失 Slim-Neck
在线阅读 下载PDF
基于改进YOLOv8的轻量化皮革缺陷检测方法 被引量：2
15
作者 方明 张娇 +1 位作者 徐晶 王绎覃 《电子测量技术》 北大核心 2025年第1期111-118,共8页
为了解决YOLOv8参数量过大影响检测速度等问题,本文以汽车座椅皮革为样本对汽车座椅表面进行缺陷检测,提出了一种轻量化的基于YOLOv8框架的皮革缺陷检测算法。首先,将YOLOv8原本的主干网络替换成轻量化网络StarNet, StarNet通过星型运... 为了解决YOLOv8参数量过大影响检测速度等问题,本文以汽车座椅皮革为样本对汽车座椅表面进行缺陷检测,提出了一种轻量化的基于YOLOv8框架的皮革缺陷检测算法。首先,将YOLOv8原本的主干网络替换成轻量化网络StarNet, StarNet通过星型运算实现了高维和非线性特征空间的映射,从而在紧凑的网络结构和较低的能耗下展示了出色的性能和低延迟。其次,将原本的检测头替换成轻量级共享卷积检测头,通过使用共享卷积,可以大幅减少参数数量,使得模型更轻便,以便于在资源受限的设备上部署。最后,将颈部网络的C2f模块替换成C2f_Star模块,在网络更加轻量化的同时,将不同尺度的特征图进行融合,提高目标检测的准确性和鲁棒性。在自制的HSV-Leather数据集上对模型进行实验验证,结果表明,改进后的YOLOv8-Leather检测模型性能优于YOLOv8n模型。对比YOLOv8n模型,改进后的模型在参数量上降低了57%,检测速度提升了20%,模型权重降低了52%,运算量降低了53%。实验验证了改进后的模型在解决皮革表面缺陷检测问题上的可行性。 展开更多
关键词 皮革缺陷检测 YOLOv8 目标检测 轻量化 StarNet
在线阅读 下载PDF
QCD-YOLO:一种轻量化石英坩埚内壁缺陷检测方法 被引量：1
16
作者 赵谦 郭乔峰 +2 位作者 尹怡晨 陶涌 黄晶晶 《激光杂志》 北大核心 2025年第7期69-76,共8页
现有石英坩埚内壁缺陷检测方式以人工目检为主,准确度低且效率低下。深度学习技术可显著提升工业缺陷检测的精度与效率,同时石英坩埚质检产线终端设备计算资源有限,为此提出了一种轻量化石英坩埚内壁缺陷检测模型QCD-YOLO。在YOLOv8n的... 现有石英坩埚内壁缺陷检测方式以人工目检为主,准确度低且效率低下。深度学习技术可显著提升工业缺陷检测的精度与效率,同时石英坩埚质检产线终端设备计算资源有限,为此提出了一种轻量化石英坩埚内壁缺陷检测模型QCD-YOLO。在YOLOv8n的基础上利用部分卷积(Partial Convolution,PConv)设计全新的C2f结构,降低模型计算量与参数量;使用ADown降采样模块替换主干网络中Conv模块,提升小目标缺陷检测能力;引入多尺度空洞注意力(Multi-Scale Dilated Attention,MSDA),不增加额外计算成本的情况下高效聚合不同尺度的语义信息;设计Inner-Shape IoU损失函数替换原损失函数。实验结果表明,改进模型在自建石英坩埚内壁缺陷数据集上mAP达到98.1%,相较于原模型YOLOv8n提升1.2%,同时,参数量下降0.83 M,计算量下降2.2 G,权重下降1.58 MB,可满足检测精度要求,同时更容易部署至石英坩埚质检产线。 展开更多
关键词 石英坩埚 YOLOv8 轻量化 缺陷检测
在线阅读 下载PDF
SDH-DETR轻量化绝缘子缺陷检测算法
17
作者 周景 刘心 +1 位作者 唐振洋 董晖 《电子测量技术》 北大核心 2025年第11期88-104,共17页
为解决无人机在输电线路绝缘子巡检中目标检测算法面临的模型复杂度高、小目标缺陷检测精度不足和上下采样过程中容易造成特征丢失等挑战,本文提出了一种基于轻量化改进的RT-DETR绝缘子缺陷检测算法(SDH-DETR)。首先,以RT-DETR作为基线... 为解决无人机在输电线路绝缘子巡检中目标检测算法面临的模型复杂度高、小目标缺陷检测精度不足和上下采样过程中容易造成特征丢失等挑战,本文提出了一种基于轻量化改进的RT-DETR绝缘子缺陷检测算法(SDH-DETR)。首先,以RT-DETR作为基线算法,降低优化难度并提高鲁棒性;其次,采用轻量级StarNet作为主干网络,在显著降低模型复杂度的同时提升特征提取能力;接着,引入DySample动态上采样模块,通过基于采样点的自适应上采样方法,有效减少细节丢失与图像失真;最后,利用Harr小波变换下采样模块(HWD),实现低频与高频信息的高效融合,抑制复杂背景干扰并增强对小目标的检测能力。在复杂背景数据集上的验证实验表明,SDH-DETR的平均精度达98.5%,较基线算法提升0.9%,参数量和计算量分别减少43%和46.1%,检测速度达78.6 fps。这表明该算法在保证高准确性的同时,实现了轻量化设计,满足了输电线路巡检对效率和性能的实际需求。 展开更多
关键词 输电线路 目标检测 绝缘子缺陷检测 复杂背景 轻量化 RT-DETR算法
在线阅读 下载PDF
改进轻量化VTG-YOLOv7-tiny的钢材表面缺陷检测 被引量：10
18
作者 梁礼明 龙鹏威 +1 位作者 冯耀 卢宝贺 《光学精密工程》 EI CAS CSCD 北大核心 2024年第8期1227-1240,共14页
针对钢材表面缺陷形态多样、结构复杂且存在检测目标漏检现象和算法参数量过大等问题,提出一种轻量化VTG-YOLOv7-tiny的钢材缺陷检测算法。该方法一是设计VoVGA-FPN网络,以减少信息传递过程中的丢失,增强网络特征融合能力;二是构建三重... 针对钢材表面缺陷形态多样、结构复杂且存在检测目标漏检现象和算法参数量过大等问题,提出一种轻量化VTG-YOLOv7-tiny的钢材缺陷检测算法。该方法一是设计VoVGA-FPN网络,以减少信息传递过程中的丢失,增强网络特征融合能力;二是构建三重坐标注意力机制,提升模型对空间和通道信息的特征提取能力;三是引入鬼影混洗卷积,在提高精度的同时降低模型参数量和计算量;四是增加大目标检测层,改善特征图中部分缺陷占比较大,导致检测精度低的问题。在NEU-DET和Severstal钢材缺陷数据集进行实验验证,改进后算法与原模型相比,mAP分别提升5.7%和8.5%;参数量和计算量分别降低0.61 M和4.2 G;精确度和召回率分别提升7.1%,1.8%和8.9%,7.0%。实验结果表明,改进后的算法更好地平衡了检测精度和轻量化,为边缘终端设备提供了参考。 展开更多
关键词 缺陷检测 轻量化YOLOv7-tiny VoVGA-FPN网络 三重坐标注意力 鬼影混洗卷积
在线阅读 下载PDF
改进YOLOv5的钢材表面缺陷检测网络轻量化研究 被引量：4
19
作者 甄国涌 赵林熔 +3 位作者 李文越 储成群 王达 孙妍 《组合机床与自动化加工技术》 北大核心 2024年第3期58-63,共6页
在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后... 在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。 展开更多
关键词 目标检测 钢材表面缺陷 YOLOv5 轻量化网络
在线阅读 下载PDF
基于改进YOLOv7-Tiny的轻量化激光器芯片缺陷检测算法 被引量：3
20
作者 胡玮 赵菊敏 李灯熬 《太原理工大学学报》 北大核心 2025年第1期137-147,共11页
【目的】高功率半导体激光器的光学灾变损伤是限制其可靠性和寿命的主要因素,因此,有效的缺陷检测对于优化激光器芯片的制造工艺和结构设计至关重要。提出了一种基于改进YOLOv7-Tiny的轻量化激光器芯片缺陷检测算法,旨在解决深度学习应... 【目的】高功率半导体激光器的光学灾变损伤是限制其可靠性和寿命的主要因素,因此,有效的缺陷检测对于优化激光器芯片的制造工艺和结构设计至关重要。提出了一种基于改进YOLOv7-Tiny的轻量化激光器芯片缺陷检测算法,旨在解决深度学习应用于缺陷检测时面临的高计算量和参数量问题。【方法】利用轻量化卷积神经网络替换特征提取主干有效减少对计算资源消耗,有效提取电致发光图像中缺陷特征。为从上下文特征获取更丰富的信息,引入多分支重参数化卷积块重构聚合模块,通过多路径分支丰富特征表示,训练与推理的解耦保证检测效率。此外,结合坐标注意力,提升定位精度。进行了剪枝实验和模型部署,验证算法的初步应用。【结果】在电致发光缺陷数据集上的实验结果显示,本文方法能在较低的参数和计算量下准确地检测出芯片缺陷,展现出良好的性能。 展开更多
关键词 光学灾变损伤 半导体激光器芯片 缺陷检测 轻量化 模型剪枝
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 2 … 7 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