检索结果-维普期刊中文期刊服务平台

基于改进YOLOv7-tiny的车辆目标检测算法: 1; 作者赵海丽许修常潘宇航《兵工学报》北大核心 2025年第4期101-111,共11页; 为更好地保护人民的生命财产安全,针对目前依靠人力进行交通管理工作时统计不准确、反馈不及时等问题,提出一种适合部署在边缘终端设备上的基于YOLOv7-tiny算法改进的车辆目标检测算法。通过构造深度强力残差卷积块对主干网络的轻量级... 展开更多; 关键词车辆检测 YOLOv7-tiny算法深度强力残差卷积块轻量级高效层聚合网络模块; 在线阅读下载PDF 职称材料

改进YOLOv8的钢材表面缺陷检测算法被引量：1: 2; 作者徐莲蓉梁少华《现代电子技术》北大核心 2025年第4期173-180,共8页; 为了更有效地识别钢材表面的细小和复杂缺陷,提出一种改进YOLOv8的钢材表面缺陷检测算法。首先,在原模型的Neck部分引入空间和通道重构卷积SCConv模块,提高模型对小尺度目标缺陷的识别能力;其次,将CA注意力机制模块融合到原始的Backbone... 展开更多; 关键词钢材表面缺陷缺陷检测 YOLOv8算法坐标注意力机制高效层聚合网络识别能力; 在线阅读下载PDF 职称材料

基于全维动态卷积的交通标志识别被引量：2: 3; 作者李文举于杰 +2 位作者沙利业崔柳杨红喆《计算机工程与应用》 CSCD 北大核心 2024年第18期316-323,共8页; 针对现有交通标志识别算法对于小目标和遮挡目标的识别精度不高,且识别速度较慢的问题,通过改进YOLOv5网络,设计一种基于全维动态卷积(ODConv)的交通标志识别算法。将主干网络中的部分卷积替换为全维动态卷积,以便在特征提取过程中获取... 展开更多; 关键词交通标志识别 YOLOv5 全维动态卷积亚像素卷积模块高效层聚合模块; 在线阅读下载PDF 职称材料

基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测被引量：2: 4; 作者梅晓虎吕小强雷萌《工矿自动化》 CSCD 北大核心 2024年第8期99-104,111,共7页; 针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7−tiny模型进行改进,提出了一种Stair−YOLOv7−tiny模型,并将其用于煤矿井下输送带异物... 展开更多; 关键词输送带异物检测 YOLOv7−tiny 多尺度目标检测 Stair−fusion 高效层聚合网络检测头; 在线阅读下载PDF 职称材料

题名基于改进YOLOv7-tiny的车辆目标检测算法: 1; 作者赵海丽许修常潘宇航; 机构长春理工大学电子信息工程学院; 出处《兵工学报》北大核心 2025年第4期101-111,共11页; 基金吉林省科技厅科技攻关项目(20210201092GX)。; 文摘为更好地保护人民的生命财产安全,针对目前依靠人力进行交通管理工作时统计不准确、反馈不及时等问题,提出一种适合部署在边缘终端设备上的基于YOLOv7-tiny算法改进的车辆目标检测算法。通过构造深度强力残差卷积块对主干网络的轻量级高效层聚合网络(Efficient Layer Aggregation Network-Tiny,ELAN-T)模块进行轻量化改进;通过削减分支,对特征融合网络的ELAN-T模块进行轻量化改进,降低网络的参数量和计算量,并对特征融合网络的结构进行重新构造;引入高效通道注意力机制和EIOU边界框损失函数提升算法的精度。在预处理后的UA-DETRAC数据集上实验,改进后的算法参数量相比于原始的YOLOv7-tiny算法降低了15.1%,计算量降低了5.3%,mAP@0.5提升了5.3个百分点。实验结果表明,改进后的算法不仅实现了轻量化,而且检测精度有所提升,适合部署在边缘终端设备上,完成对道路中车辆的检测任务。; 关键词车辆检测 YOLOv7-tiny算法深度强力残差卷积块轻量级高效层聚合网络模块; Keywords vehicle detection YOLOv7-tiny algorithm deep powerful residual convolutional block efficient layer aggregation network-tiny module; 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

题名改进YOLOv8的钢材表面缺陷检测算法被引量：1: 2; 作者徐莲蓉梁少华; 机构长江大学计算机科学学院; 出处《现代电子技术》北大核心 2025年第4期173-180,共8页; 基金国家科技重大专项(2021DJ1006) 湖北省科技示范项目(2019ZYYD016)。; 文摘为了更有效地识别钢材表面的细小和复杂缺陷,提出一种改进YOLOv8的钢材表面缺陷检测算法。首先,在原模型的Neck部分引入空间和通道重构卷积SCConv模块,提高模型对小尺度目标缺陷的识别能力;其次,将CA注意力机制模块融合到原始的Backbone中,使模型能够更好地关注目标缺陷的特征信息;接着,采用高效层聚合网络(RepGFPN)模块作为颈部网络,充分融合不同尺度的特征,提高特征融合能力;最后,引入轻量级上采样算子CARAFE,进一步提升模型的检测效果。实验结果显示,在公开的NEU-DET数据集上,改进后模型的平均精度均值(mAP)达到了81.1%,相较于原始YOLOv8模型,mAP提高了2.7%,精确率提升了3.9%。与此同时,在GC10-DET数据集上的实验也表明改进模型具有良好的鲁棒性,证明了所提算法能够有效地完成钢材表面缺陷的检测任务。; 关键词钢材表面缺陷缺陷检测 YOLOv8算法坐标注意力机制高效层聚合网络识别能力; Keywords steel surface defect defect detection YOLOv8 algorithm coordinate attention mechanism high-efficiency layer aggregation network(RepGFPN) recognition ability; 分类号 TN911.73-34 [电子电信—通信与信息系统] 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

题名基于全维动态卷积的交通标志识别被引量：2: 3; 作者李文举于杰沙利业崔柳杨红喆; 机构上海应用技术大学计算机科学与信息工程学院上海普利森配料系统有限公司; 出处《计算机工程与应用》 CSCD 北大核心 2024年第18期316-323,共8页; 基金国家自然科学基金(61903256,61973307) 上海市科委“科技行动创新计划”(22S31903900)。; 文摘针对现有交通标志识别算法对于小目标和遮挡目标的识别精度不高,且识别速度较慢的问题,通过改进YOLOv5网络,设计一种基于全维动态卷积(ODConv)的交通标志识别算法。将主干网络中的部分卷积替换为全维动态卷积,以便在特征提取过程中获取更丰富的信息,提高网络对小目标的敏感度;为了减少上采样过程中信息的丢失,在特征融合网络中使用亚像素卷积模块替换原有的最近邻插值上采样模块,并使用高效层聚合模块替换原有的跨阶段层次模块,提高特征融合效率,延长梯度最短路径,改善小目标检测效果;使用SIoU函数计算回归损失,解决真实框与预测框之间方向不匹配的问题,进一步提高对道路交通标志的检测精度。在TT100K数据集上测试本模型,平均精度(mAP@0.5)达到了93.85%,召回率(Recall)达到了90.73%,与基准网络YOLOv5n相比分别提高了3.90%和5.69%,帧处理速度达到89.29。; 关键词交通标志识别 YOLOv5 全维动态卷积亚像素卷积模块高效层聚合模块; Keywords traffic sign recognition YOLOv5 omni-dimensional dynamic convolution sub-pixel convolution module efficient layer aggregation module; 分类号 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Stair−YOLOv7−tiny的煤矿井下输送带异物检测被引量：2: 4; 作者梅晓虎吕小强雷萌; 机构国家能源集团宁夏煤业有限责任公司枣泉煤矿天地(常州)自动化股份有限公司中国矿业大学信息与控制工程学院; 出处《工矿自动化》 CSCD 北大核心 2024年第8期99-104,111,共7页; 基金国家自然科学基金青年科学基金项目(51904197) 天地(常州)自动化股份有限公司科研项目(2022FY0009)。; 文摘针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7−tiny模型进行改进,提出了一种Stair−YOLOv7−tiny模型,并将其用于煤矿井下输送带异物检测。该模型在高效层聚合网络(ELAN)模块中添加特征拼接单元,形成阶梯ELAN(Stair−ELAN)模块,将不同层级的低维特征与高维特征进行融合,加强了特征层级间的直接联系,提升了信息捕获能力,增强了模型对不同尺度目标和复杂场景的适应性;针对检测头引入阶梯特征融合(Stair−fusion),形成阶梯检测头(Stair−head)模块,通过逐层融合不同分辨率的检测头特征,增强了中低分辨率检测头的特征表达能力,实现了特征信息的互补。实验结果表明:Stair−YOLOv7−tiny模型在输送带异物开源数据集CUMT−BelT上的检测效果优于CBAM−YOLOv5,YOLOv7−tiny及其轻量化模型,准确率、平均精度均值、召回率和精确率分别达98.5%,81.0%,82.2%和88.4%,检测速度为192.3帧/s;在某矿井下输送带监控视频分析中,Stair−YOLOv7−tiny模型未出现漏检或误检,实现了输送带异物的准确检测。; 关键词输送带异物检测 YOLOv7−tiny 多尺度目标检测 Stair−fusion 高效层聚合网络检测头; Keywords conveyor belt foreign object detection YOLOv7-tiny multi scale object detection stair feature fusion efficient layer aggregation network detection head; 分类号 TD528 [矿业工程—矿山机电] TD634 [矿业工程—矿山机电]; 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YOLOv7-tiny的车辆目标检测算法	赵海丽许修常潘宇航	《兵工学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	改进YOLOv8的钢材表面缺陷检测算法	徐莲蓉梁少华	《现代电子技术》北大核心	2025	1	在线阅读下载PDF 职称材料
3	基于全维动态卷积的交通标志识别	李文举于杰沙利业崔柳杨红喆	《计算机工程与应用》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
4	基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测	梅晓虎吕小强雷萌	《工矿自动化》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料