基于改进YOLOv8的轨道小尺度异物入侵算法研究

1

作者 冯庆胜 付明雨 +2 位作者 姚泽圆 刘杨 梁天添 《现代电子技术》 北大核心 2025年第11期174-179,共6页

针对当前列车轨道障碍物检测方法存在的小目标检测精度低、模型过大且部署成本高等问题,文中提出一种改进的YOLOv8-SGFE轨道侵限物检测模型。首先,为了减少网络的计算量,在小目标检测模块SPD-Conv的基础上,设计了一个SGConv模块,并用其... 针对当前列车轨道障碍物检测方法存在的小目标检测精度低、模型过大且部署成本高等问题,文中提出一种改进的YOLOv8-SGFE轨道侵限物检测模型。首先,为了减少网络的计算量,在小目标检测模块SPD-Conv的基础上,设计了一个SGConv模块,并用其替换YOLOv8主干层中的普通卷积层;其次,为了增强模型的感知能力,将高效多尺度注意力EMA与C2f-Faster模块相结合,构成C2f-Faster-EMA模块,并用其替换YOLOv8中的C2f模块;最后,将改进后的YOLOv8-SGFE模型应用于自制的铁路轨道侵限物数据集。与YOLOv8模型相比,文中模型参数量下降36.04%,FLOPs由28.7×10^(9)减少到19×10^(9),在模型计算量大幅降低的情况下,mAP提高2.5%。实验结果表明,所提算法具有更高的检测精度,模型参数量及计算负载更小,不仅适用于复杂环境下的轨道障碍物检测,同时更易于部署到移动端设备中。 展开更多

关键词 轨道异物入侵 小目标检测 部分卷积 高效多尺度注意力 YOLOv8 轻量化

在线阅读 下载PDF 职称材料

基于改进YOLOv8的交通场景实例分割算法 被引量：2

2

作者 赵南南 高翡晨 《计算机工程》 北大核心 2025年第1期198-207,共10页

提出一种基于改进型YOLOv8的实例分割算法(DE-YOLO)。为减少图像中复杂背景的干扰,引入高效多尺度注意力机制,跨维交互使各特征组内空间语义特征平均分布。在主干网络部分,使用可变形卷积DCNv2结合C2f卷积层,突破原始卷积限制,提升可变... 提出一种基于改进型YOLOv8的实例分割算法(DE-YOLO)。为减少图像中复杂背景的干扰,引入高效多尺度注意力机制,跨维交互使各特征组内空间语义特征平均分布。在主干网络部分,使用可变形卷积DCNv2结合C2f卷积层,突破原始卷积限制,提升可变性。为减小有害梯度并提升检测器精度,采用动态非单调聚焦机制Wise-交并比(WIoU)替代联合完全交并(CIoU)损失函数进行质量评估,优化检测框定位,提升分割精度。同时,通过开启Mixup数据增强处理,充实数据集,丰富训练特征,提升模型学习能力。实验结果表明,DE-YOLO在城市景观数据集Cityscapes中的掩模平均精度均值(mAPmask)较基准模型YOLOv8n-seg提高了2.0百分点,IoU阈值为0.5时的平均精度提升了3.2百分点,所提算法在提升精度的同时,保持了优良的检测速度和较少的参数量,模型参数量较同类模型低2.2~31.3百分点。 展开更多

关键词 YOLOv8网络 实例分割 高效多尺度注意力 可变形卷积 损失函数

在线阅读 下载PDF 职称材料

基于MAFM-YOLOv8的学生课堂表现检测

3

作者 莫建文 姜贵昀 +1 位作者 袁华 梁豪昌 《计算机工程与设计》 北大核心 2025年第6期1825-1831,共7页

针对智慧教室场景中学生课堂表现检测遇到的目标尺度大小不一、容易出现遮挡、目标密集度高、重叠以及小目标等问题,提出一种基于MAFM-YOLOv8的学生课堂表现检测模型。提出一个多尺度自适应特征提取模块,增强模型对不同尺度特征信息的... 针对智慧教室场景中学生课堂表现检测遇到的目标尺度大小不一、容易出现遮挡、目标密集度高、重叠以及小目标等问题,提出一种基于MAFM-YOLOv8的学生课堂表现检测模型。提出一个多尺度自适应特征提取模块,增强模型对不同尺度特征信息的自适应特征提取能力,用深度可分离卷积代替普通卷积,减少模块中卷积的计算量;采用高效多尺度注意力模块,增强模型对小目标的特征提取能力;采用WIOU损失函数来增强模型在类别不均衡数据集上的训练效果,提升检测性能。实验结果表明,改进YOLOv8算法在学生课堂表现检测中mAP50达到了87.2%,相比原模型提升了3.2%,验证该方法可以有效提高检测精度。 展开更多

关键词 智慧教室 学生课堂表现检测 MAFM-YOLOv8 多尺度自适应特征提取模块 深度可分离卷积 高效多尺度注意力 WIOU损失函数

在线阅读 下载PDF 职称材料

基于多尺度注意力轻量化网络的信道状态信息反馈方法

4

作者 刘庆利 谢佳骏 《电讯技术》 2025年第9期1363-1372,共10页

针对大规模多输入多输出系统中信道状态信息在反馈时重构精度低、复杂度高的问题,提出了一种基于注意力机制的反馈方法。首先,考虑到信道状态信息矩阵数据分布特点,采用一种高效多尺度注意力模块提取信道状态信息矩阵局部和全局的特征,... 针对大规模多输入多输出系统中信道状态信息在反馈时重构精度低、复杂度高的问题,提出了一种基于注意力机制的反馈方法。首先,考虑到信道状态信息矩阵数据分布特点,采用一种高效多尺度注意力模块提取信道状态信息矩阵局部和全局的特征,并关注重要数据点的分布,提升网络模型的特征学习能力。其次,使用增强的可重参数化的卷积替代普通的卷积核,提升卷积对于局部特征的提取能力,使整个神经网络自编码器在保持轻量化的基础上达到更高的压缩重构精度。仿真结果表明,与轻量化网络CRNet和ACRNet-1x相比,所提出的网络模型在复杂度方面分别平均降低了19%和5%,重构精度分别平均提高了3%和8%,同时展现出了更好的鲁棒性。 展开更多

关键词 大规模MIMO 信道状态信息反馈 神经网络自编码器 高效多尺度注意力 轻量化网络

在线阅读 下载PDF 职称材料

基于改进RT-DETR的井下输送带跑偏故障检测算法 被引量：1

5

作者 安龙辉 王满利 张长森 《工矿自动化》 北大核心 2025年第3期54-62,共9页

目前输送带跑偏检测研究主要集中于提取输送带边缘的直线特征,该方式需设定特定阈值,易受环境因素的制约,导致检测速度慢、精度不高。针对该问题,提出了一种基于改进RT-DETR的井下输送带跑偏故障检测算法,使用改进RT-DETR直接对一组托... 目前输送带跑偏检测研究主要集中于提取输送带边缘的直线特征,该方式需设定特定阈值,易受环境因素的制约,导致检测速度慢、精度不高。针对该问题,提出了一种基于改进RT-DETR的井下输送带跑偏故障检测算法,使用改进RT-DETR直接对一组托辊检测,根据左右托辊的暴露程度识别是否跑偏。针对实时检测转换器(RT-DETR)主干网络进行3个方面的改进:①为了减少主干网络的参数量和浮点运算数量(FLOPs),使用FasterNet Block替换ResNet34中的BasicBlock;②为了提升模型的精度和效率,在FasterNet Block结构中,引入结构重参数化的思想;③为了提升FasterNet Block在特征提取方面的性能,引入了高效多尺度注意力机制(EMA),更加有效地捕捉全局和局部特征图。为了拓展感受野并捕获更有效、更广泛的上下文信息,以获得更为丰富的特征表达,采用改进高级筛选特征融合金字塔网络(HS-FPN)来优化多尺度特征融合。实验结果表明,与基准模型相比较,改进RT-DETR模型的参数量和FLOPs分别减少了8.4×10^(6)个和17.8 G,mAP@0.5达94.5%,严重跑偏检测精度达99.2%,检测速度达41.0帧/s,优于TOOD,ATSS等目标检测模型,满足煤矿生产对目标检测实时性和准确性的需求。 展开更多

关键词 输送带跑偏 目标检测 实时检测转换器 结构重参数化 高效多尺度注意力机制 多尺度特征融合

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的自然场景下苹果外观品质检测方法

6

作者 王会征 李新龙 +4 位作者 薄萍 刘海藤 刘家天 焦乐宁 兰玉彬 《农业工程学报》 北大核心 2025年第11期173-182,共10页

为快速精准检测自然场景下的苹果外观品质,该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先,使用融合了部分卷积(partial convolution,PConv)与高效多尺度注意力机制(efficient multiscale attention,EMA)的EP... 为快速精准检测自然场景下的苹果外观品质,该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先,使用融合了部分卷积(partial convolution,PConv)与高效多尺度注意力机制(efficient multiscale attention,EMA)的EP-C2f模块替换骨干网络中的C2f模块,提升模型对复杂遮挡情况下苹果目标的特征提取能力。其次,为改善患病苹果表皮病斑区域定位不准的问题,引入基于最小点距离的损失函数(multiple path distance intersection over union,MPDIoU)作为边界回归损失函数来加速预测框与真实框之间的位置拟合,提高模型对病害识别能力。最后,使用Slim-neck架构重建YOLOv8n的特征融合网络,实现颈部网络轻量化,提高模型运行速度。结果表明,与原模型相比,改进后的YOLOv8n模型的准确率、召回率和平均精度均值分别提高了3.4、1.1、1.3个百分点,同时,浮点运算量、参数量和模型大小分别缩减了22.2%、17.7%、15.9%。该模型在提高检测精度的同时实现了一定程度的轻量化,可为苹果智能采摘机器人的研发提供技术支撑。 展开更多

关键词 苹果 YOLOv8n 目标检测 Slim-neck 高效多尺度注意力机制 损失函数

在线阅读 下载PDF 职称材料

基于改进YOLOv8的智慧工厂工人不规范行为检测

7

作者 贺纪桦 张月峰 刘悦云 《制造技术与机床》 北大核心 2025年第2期185-193,共9页

针对智慧工厂内工人不规范行为检测的挑战性问题,如实时性不足、精度低和复杂工厂环境引起的遮挡等,提出一种基于改进YOLOv8模型的工人不规范行为检测方法。该方法通过在YOLOv8主干网络中引入DSConv(dynamic snake convolution),提高模... 针对智慧工厂内工人不规范行为检测的挑战性问题,如实时性不足、精度低和复杂工厂环境引起的遮挡等,提出一种基于改进YOLOv8模型的工人不规范行为检测方法。该方法通过在YOLOv8主干网络中引入DSConv(dynamic snake convolution),提高模型对细节特征的捕获能力,进而提升网络整体特征提取能力。此外,将高效多尺度注意力(efficient multi-scale attention,EMA)机制嵌入主干网络中,减轻遮挡及背景干扰带来的影响,使得模型聚焦于与不规范行为相关的身体部位或动作。为进一步提升模型训练效率和回归精度,采用Alpha_GIoU(Alpha generalized intersection over union)损失函数优化YOLOv8模型的CIoU(complete intersection over union)损失函数部分,考虑目标框的长宽比和位置信息,加快模型的收敛速度。试验结果显示,改进YOLOv8实现94.98%的mAP@0.5,显著优于基线模型YOLOv8和其他主流方法,推理速度达到53.8FPS,满足智慧工厂内工人不规范行为检测高效率和高准确度的需求。 展开更多

关键词 智慧工厂 不规范行为检测 YOLOv8 动态蛇形卷积 高效多尺度注意力 Alpha_GIoU

在线阅读 下载PDF 职称材料

基于改进YOLOv10的多人脸检测算法

8

作者 刘本航 王京京 母亚双 《计算机应用》 北大核心 2025年第S1期78-83,共6页

针对复杂且密集的多人脸检测场景中存在的漏检率高、检测精度不足等问题,提出一种基于改进YOLOv10框架的多人脸检测算法。该算法在YOLOv10的骨干网络中融入高效多尺度注意力(EMA)模块,该模块能有效提升模型捕捉细微人脸特征及跨尺度图... 针对复杂且密集的多人脸检测场景中存在的漏检率高、检测精度不足等问题,提出一种基于改进YOLOv10框架的多人脸检测算法。该算法在YOLOv10的骨干网络中融入高效多尺度注意力(EMA)模块,该模块能有效提升模型捕捉细微人脸特征及跨尺度图像信息的能力,进而提升模型对复杂密集分布场景下人脸的识别精度。同时,在模型结构整体设计过程中,采用GELU激活函数优化原始激活函数,从而进一步提升模型的学习速率以及对复杂非线性特征的有效处理能力。实验评估结果表明,相较于原始模型、YOLOv8、YOLOv5、双分支人脸检测(DSFD)、RetinaFace、HAMBox、TinaFace等算法,在WIDER FACE数据集上,所提算法在多个密集场景中的多人脸检测中表现良好。其中,所提算法的检测精确率较RetinaFace算法高了13.95个百分点,此外,在保持回归率稳定的同时所提算法的计算参数量比TinaFace算法减少了37.78%,实现了计算效率与资源利用率的双向提升。 展开更多

关键词 人脸检测 YOLOv10 高效多尺度注意力 密集场景

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

9

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... 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。 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

基于YOLOv8n的航拍图像小目标检测算法 被引量：5

10

作者 齐向明 严萍萍 姜亮 《计算机工程与应用》 CSCD 北大核心 2024年第24期200-210,共11页

针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值... 针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值置零,在CBS后引入SE注意力机制扩张感受野,保留更多小目标特征。输出端检测头前嵌入高效多尺度注意力机制EMA获取更多细节信息,进一步提高小目标关注度。将基线网络损失函数CIoU替换成Wise IoU,提供增益分配策略,专注普通质量锚框,提高网络泛化能力。在数据集VisDrone2021和RSOD上做消融实验和对比实验,相较于基线算法,mAP@0.5分别提升5.1和7.2个百分点,mAP@0.5:0.95分别提升4.4和2.1个百分点,表明检测精度指标显著提升;在公开数据集VOC2007+2012上做泛化实验,mAP@0.5提升3.8个百分点,表明具有良好的鲁棒性。 展开更多

关键词 航拍图像 小目标检测 YOLOv8n FasterNet SPPF模块 高效多尺度注意力机制(EMA) Wise IoU

在线阅读 下载PDF 职称材料

基于MES−YOLOv5s的综采工作面大块煤检测算法 被引量：6

11

作者 徐慈强 贾运红 田原 《工矿自动化》 CSCD 北大核心 2024年第3期42-47,141,共7页

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主... 综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。 展开更多

关键词 综采工作面 目标检测 大块煤检测 YOLOv5s MobileNetV3 高效多尺度注意力模块 SIoU损失函数

在线阅读 下载PDF 职称材料

基于改进YOLO v7-tiny的小麦麦穗检测方法

12

作者 鲁子翱 张婧婧 +1 位作者 韩博 李永福 《江苏农业科学》 北大核心 2024年第20期147-156,共10页

针对农田环境下小麦麦穗目标检测精确率低的问题,在YOLO v7-tiny模型基础上进行深入改进,旨在提高麦穗检测的准确率,以满足农业生产管理系统和农业机器人边缘检测设备的需求。采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络... 针对农田环境下小麦麦穗目标检测精确率低的问题,在YOLO v7-tiny模型基础上进行深入改进,旨在提高麦穗检测的准确率,以满足农业生产管理系统和农业机器人边缘检测设备的需求。采用EfficientViT的主干网络替代YOLO v7-tiny的特征提取网络层,强化图像特征的提取能力;在特征融合网络层,引入CARAFE上采样模块替代原模型中的上采样模块,进一步优化特征融合过程;在特征融合网络层和输出层引入基于跨空间学习的高效多尺度注意力机制,有效提升模型的目标检测性能。结果表明,改进后的模型在小麦麦穗检测精确率上比YOLO v7-tiny模型提高了2.9百分比;与YOLO v7模型相比,本模型虽然精确率低0.2百分点,但在参数量、计算量上分别降低了82.6%、84.5%,同时模型体积减小了81.2%。综合考虑精确率、参数量、计算量、模型体积等多个指标,本研究的改进模型在部署于智能农机类边缘检测设备方面具有优越性。 展开更多

关键词 目标检测 YOLO v7 EfficientViT CARAFE 高效多尺度注意力机制

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的煤矿井下受限场景目标检测算法

13

作者 褚菲 闫成浩 +2 位作者 张淇 张勇 李会军 《工矿自动化》 2025年第8期43-50,共8页

在煤矿井下受限场景中由于目标尺度变化复杂、目标部分被遮挡和有效特征提取困难,导致目标检测精度低。针对上述问题,提出一种基于改进YOLOv8n的煤矿井下受限场景目标检测算法。在主干特征提取网络采用感受野注意力卷积(RFAConv),更好... 在煤矿井下受限场景中由于目标尺度变化复杂、目标部分被遮挡和有效特征提取困难,导致目标检测精度低。针对上述问题,提出一种基于改进YOLOv8n的煤矿井下受限场景目标检测算法。在主干特征提取网络采用感受野注意力卷积(RFAConv),更好地处理受限环境下的目标空间位置信息,并根据特征的重要性动态调整权重,从而更关注目标的关键特征;在颈部网络引入高效多尺度注意力(EMA)模块,融合不同尺度的特征信息,提高了对尺度变化目标的检测精度;将新型可变形卷积(DCNv3)与动态检测头(Dynamic Head)结合,通过将尺度感知注意力、空间感知注意力和任务感知注意力相统一,有助于模型关注空间尺度信息和适应不同的检测任务,提高了对多尺度目标和部分被遮挡目标的检测能力;引入考虑预测框权重分配的Unified−IOU(U−IOU)损失函数,通过动态调整在不同质量预测框上的关注度,使模型更专注于高质量预测框,提高模型的收敛速度和精度。实验结果表明,针对CUMT−BelT数据集,改进YOLOv8n在煤矿井下输送带异物检测中的mAP@0.5相较于YOLOv8n提高了5.6%;针对DsLMF数据集,改进YOLOv8n在不同综采工作面作业场景下的总体mAP@0.5相较于YOLOv8n提高了4.8%,有效减少了误检和重复检测的情况。 展开更多

关键词 目标检测 煤矿井下受限场景 YOLOv8n 感受野注意力卷积 高效多尺度注意力 可变形卷积 动态检测头

在线阅读 下载PDF 职称材料