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
基于轻量化YOLO v8-Rice的水稻虫害检测方法
被引量：
1
1
作者
桂余鹏
胡蓉华
+1 位作者
崔艳荣
贾瀛睿
《江苏农业科学》
北大核心
2024年第20期277-284,共8页
针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先,采用Context Guided Block结构替换传统YOLO v...
针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先,采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构,增强模型的上下文信息理解能力,压缩模型的权重;然后,使用深度可分离卷积代替传统YOLO v8中的标准卷积,以降低参数量、计算量;最后,将检测头重构为轻量级共享卷积检测头,以进一步降低参数量、计算量,并提高模型对多尺度虫害特征的定位和提取能力,使其能够更好地适应不同尺寸、复杂度的虫害状况。结果表明,相比于传统YOLO v8,YOLO v8-Rice算法在计算量、参数量方面分别减小70.5%、61.7%,模型的权重文件大小降低至1.94 MB,仅为YOLO v8n的32.4%,并且在平均精度上达到94.1%,与其他模型相比明显提高。该算法在水稻虫害检测方面的性能取得了显著提升。借助轻量化网络模型及优化模型的部署,使其更适合在移动设备或嵌入式设备中部署,可为实际农业场景中的水稻虫害检测提供更可行的解决方案,可以准确地检测定位和分类水稻虫害。
展开更多
关键词
水稻虫害检测
轻量化yolo
v8-Rice
Context
Guided
Block
深度可分离卷积
轻
量级共享卷积检测头
在线阅读
下载PDF
职称材料
基于机器视觉的太阳能电池片表面缺陷检测
被引量：
10
2
作者
张鹏飞
王淑青
+2 位作者
黄剑锋
刘逸凡
张子言
《组合机床与自动化加工技术》
北大核心
2022年第8期144-147,151,共5页
为提高太阳能电池片表面各类缺陷的检测精度及速度,设计了一种轻量化YOLO深度学习算法的检测模型。首先在YOLOv4模型的基础上,采用反向线性卷积与深度可分离卷积重新设计主干网络;其次,将Neck部分的路径聚合网络及特征金字塔替换为信道...
为提高太阳能电池片表面各类缺陷的检测精度及速度,设计了一种轻量化YOLO深度学习算法的检测模型。首先在YOLOv4模型的基础上,采用反向线性卷积与深度可分离卷积重新设计主干网络;其次,将Neck部分的路径聚合网络及特征金字塔替换为信道增强特征金字塔,引入亚像素连接,并结合亚像素上下文信息完成特征集成映射,提升高层次信道特征的使用率;最后使用通道注意力引导模块,增强缺陷定位的稳定性。试验证明,模型的检测准确率达97.5%,平均检测速度可达23 ms,检测精度高、规模小、耗时低。
展开更多
关键词
太阳能电池片
缺陷检测
轻量化yolo
反向线性卷积
深度可分离卷积
特征金字塔
在线阅读
下载PDF
职称材料
题名
基于轻量化YOLO v8-Rice的水稻虫害检测方法
被引量：
1
1
作者
桂余鹏
胡蓉华
崔艳荣
贾瀛睿
机构
长江大学计算机科学学院
出处
《江苏农业科学》
北大核心
2024年第20期277-284,共8页
基金
国家自然科学基金面上项目(编号:62077018)
湖北省自然科学基金(编号:2023AFB082)。
文摘
针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先,采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构,增强模型的上下文信息理解能力,压缩模型的权重;然后,使用深度可分离卷积代替传统YOLO v8中的标准卷积,以降低参数量、计算量;最后,将检测头重构为轻量级共享卷积检测头,以进一步降低参数量、计算量,并提高模型对多尺度虫害特征的定位和提取能力,使其能够更好地适应不同尺寸、复杂度的虫害状况。结果表明,相比于传统YOLO v8,YOLO v8-Rice算法在计算量、参数量方面分别减小70.5%、61.7%,模型的权重文件大小降低至1.94 MB,仅为YOLO v8n的32.4%,并且在平均精度上达到94.1%,与其他模型相比明显提高。该算法在水稻虫害检测方面的性能取得了显著提升。借助轻量化网络模型及优化模型的部署,使其更适合在移动设备或嵌入式设备中部署,可为实际农业场景中的水稻虫害检测提供更可行的解决方案,可以准确地检测定位和分类水稻虫害。
关键词
水稻虫害检测
轻量化yolo
v8-Rice
Context
Guided
Block
深度可分离卷积
轻
量级共享卷积检测头
分类号
S126 [农业科学—农业基础科学]
S435.112 [农业科学—农业昆虫与害虫防治]
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
基于机器视觉的太阳能电池片表面缺陷检测
被引量：
10
2
作者
张鹏飞
王淑青
黄剑锋
刘逸凡
张子言
机构
湖北工业大学电气与电子工程学院
华中科技大学武汉光电国家研究中心
出处
《组合机床与自动化加工技术》
北大核心
2022年第8期144-147,151,共5页
基金
国家自然科学基金项目(61873195)。
文摘
为提高太阳能电池片表面各类缺陷的检测精度及速度,设计了一种轻量化YOLO深度学习算法的检测模型。首先在YOLOv4模型的基础上,采用反向线性卷积与深度可分离卷积重新设计主干网络;其次,将Neck部分的路径聚合网络及特征金字塔替换为信道增强特征金字塔,引入亚像素连接,并结合亚像素上下文信息完成特征集成映射,提升高层次信道特征的使用率;最后使用通道注意力引导模块,增强缺陷定位的稳定性。试验证明,模型的检测准确率达97.5%,平均检测速度可达23 ms,检测精度高、规模小、耗时低。
关键词
太阳能电池片
缺陷检测
轻量化yolo
反向线性卷积
深度可分离卷积
特征金字塔
Keywords
solar cells
defect detection
lightweight
yolo
inverse linear convolution
depth-separable convolution
feature pyramid
分类号
TH165 [机械工程—机械制造及自动化]
TG66 [金属学及工艺—金属切削加工及机床]
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
基于轻量化YOLO v8-Rice的水稻虫害检测方法
桂余鹏
胡蓉华
崔艳荣
贾瀛睿
《江苏农业科学》
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
基于机器视觉的太阳能电池片表面缺陷检测
张鹏飞
王淑青
黄剑锋
刘逸凡
张子言
《组合机床与自动化加工技术》
北大核心
2022
10
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
