-
题名结合深度学习与注意力机制的墙体安全检测模型
被引量：8
- 1
-
-
作者
唐东林
吴续龙
周立
宋一言
秦北轩
-
机构
西南石油大学机电工程学院
-
出处
《安全与环境学报》
CAS
CSCD
北大核心
2022年第1期8-15,共8页
-
文摘
为解决传统建筑墙体检测采用人工目视方式效率低、成本高、危险性大的问题,提出利用无人机拍摄建筑外墙缺陷图像,采用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制实现对威胁建筑外墙安全缺陷的识别分类。从获取建筑外墙缺陷图像数据开始,制作缺陷图像数据集,以威胁墙体安全的缺陷为学习样本,构造浅层卷积神经网络,融入BAM(Bottleneck Attention Module)注意力机制,从卷积神经网络提取的浅层特征中提炼缺陷特征进行学习,实现建筑外墙的安全检测。经试验,多类安全问题检测正确率达到96.18%,所提出的模型相较传统的CNN、VGG 16、ResNet 18算法,检测正确率分别提高了3.36个百分点、3.92个百分点、14.6个百分点。研究表明,卷积神经网络结合注意力机制的方法可以避免局部缺陷丢失,提高检测正确率。
-
关键词
安全工程
墙体缺陷
bam注意力机制
卷积神经网络
深度学习
-
Keywords
safety engineering
wall defect
bam attention mechanism
convolutional neural network
deep learning
-
分类号
X947
[环境科学与工程—安全科学]
-
-
题名基于改进YOLOv8的被遮挡柑橘果实检测算法研究
被引量：1
- 2
-
-
作者
陈乾辉
吴德刚
-
机构
商丘工学院机械工程学院
-
出处
《农业装备与车辆工程》
2025年第3期6-9,共4页
-
基金
2023年度河南省本科高校研究性教学改革研究与实践项目(164)
商丘工学院2022年高等教育教学改革研究与实践项目“基于‘一流课程’建设的‘线上线下’相融合的研究性教学模式研究与实践”(2022JGXM01)。
-
文摘
为了获取柑橘果实的准确特征信息,实现被遮挡柑橘的准确识别和定位,达到精确采摘的目的,提出了一种改进的被遮挡柑橘果实识别模型构建。该模型在YOLOv8目标检测模型中引入了BAM注意力机制,解决了被遮挡柑橘识别效果较差的问题,并采用支持向量机(SVM)实例分割模型提取被遮挡柑橘的精确轮廓,实现被遮挡柑橘果实的精确识别。仿真试验结果表明,与YOLOv8目标检测模型相比,该改进定位模型在被遮挡柑橘果实的平均定位误差和果径误差率分别降低了16.29 mm和8.03%。
-
关键词
柑橘
YOLOv8
bam注意力机制
支持向量机
-
Keywords
citrus
YOLOv8
bam attention mechanism
support vector machine
-
分类号
TP931.41
[自动化与计算机技术]
-
