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9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：
面向视障人群的室内视觉辅助算法的研究
1
作者 欧阳玉旋 张荣芬 +1 位作者 刘宇红 彭垚潘 《激光技术》 北大核心 2025年第2期166-174,共9页
为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型。针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效... 为了解决现有室内视觉辅助算法检测性能低、模型参数量大、不易部署于边缘设备等问题,对你只看一次(YOLO)网络YOLOv7-tiny进行改进,提出一种新的YOLOv7-ghost网络模型。针对模型参数量大的问题,引入幽灵瓶颈(GB)代替部分池化操作和高效层聚合网络(ELAN),大幅度降低模型参数量;构建了一个全新的高性能轻量化模块(即C2f-全局注意力模块),综合考虑全局和局部特征信息,更好地捕捉节点的上下文信息;然后引入快速空间金字塔池化和幽灵瓶颈(SPPF-GB)模块,对特征进行重组和压缩,以融合不同尺度的特征信息、增强特征的表达能力;最后在头部引入可变形卷积(DCN),增强感受野的表达能力,以捕获目标周围更细粒度的目标结构和背景信息。结果表明,改进后的模型参数量下降了20.33%,模型大小下降了18.70%,平均精度mAP@0.50和mAP@0.50~0.95分别提升了1.2%和3.3%。该网络模型在保证轻量化的同时,检测精度得到了大幅度的提升,更利于室内场景目标检测算法实际应用的部署。 展开更多
关键词 图像处理 轻量化 幽灵瓶颈模块 c2f-全局注意力模块 多尺度特征融合 可变形卷积 YOLOv7-tiny网络模型
在线阅读 下载PDF
改进YOLOv8的城市行车道路障碍物检测算法研究 被引量：3
2
作者 向雷 蒋文波 《电子测量技术》 北大核心 2025年第1期29-38,共10页
针对目前城市道路复杂环境下障碍物检测精度不足、检测速度慢、模型参数量大和小目标障碍物检测效果不佳的问题,提出一种改进的YOLOv8n轻量级城市行车道路障碍物检测算法。首先,制作MRObstacle城市道路障碍物目标检测数据集,扩展了障碍... 针对目前城市道路复杂环境下障碍物检测精度不足、检测速度慢、模型参数量大和小目标障碍物检测效果不佳的问题,提出一种改进的YOLOv8n轻量级城市行车道路障碍物检测算法。首先,制作MRObstacle城市道路障碍物目标检测数据集,扩展了障碍物检测种类与数量;其次,设计全新的SPS_C2f改进主干网络,降低网络参数量与提升检测速度,添加M_ECA注意力模块至网络的Neck部分,提升网络检测速度与特征表达能力;再次,融合BiFPN特征金字塔和添加小目标检测头,更好地捕捉小尺寸障碍物的特征;最后,使用可优化边界框宽度与高度值的损失函数MPDIoU,提升网络边界框回归性能。相比于原YOLOv8n算法,该算法的mAP0.5指标提升2.04%,达到97.12%;FPS值提升12.08 fps,达到107.45 fps;网络参数量减少10%,降低至2.73 MB。该算法在减少参数量的同时提高了检测精度和速度,可更好应用于城市行车道路障碍物检测任务。 展开更多
关键词 障碍物检测 YOLOv8 改进c2f模块 改进注意力机制 损失函数
在线阅读 下载PDF
基于改进YOLOv8s的交通目标检测研究
3
作者 李晋 赵杰 +1 位作者 吕亚飞 杨振跃 《现代电子技术》 北大核心 2025年第3期181-186,共6页
针对自动驾驶场景下交通目标检测算法存在的误检及漏检的问题,提出一种基于改进YOLOv8s模型的复杂道路交通目标检测算法。设计一种轻量级的C2f⁃EMSCP模块改进YOLOv8s的骨干网络,实现网络的参数量和计算量的降低;在Backbone和Neck部分添... 针对自动驾驶场景下交通目标检测算法存在的误检及漏检的问题,提出一种基于改进YOLOv8s模型的复杂道路交通目标检测算法。设计一种轻量级的C2f⁃EMSCP模块改进YOLOv8s的骨干网络,实现网络的参数量和计算量的降低;在Backbone和Neck部分添加EMA注意力模块,有效地捕捉了全局的通道依赖性与局部空间特征,实现在通道和空间维度上的全面特征抽取;针对密集车流下小尺寸车辆检测效果不佳的问题,添加小目标检测头,更好地捕获小尺寸车辆的特征和上下文信息;使用可自适应调整权重系数的Wise⁃SIoU作为改进模型的损失函数,提升了边界框的回归性能和检测的鲁棒性。在KITTI数据集上进行实验,P、R和mAP@0.5分别提高了0.4%、2.1%和3.7%。文中的改进方法在交通监控系统中能够达到较好的检测精度和速度,有效改善了复杂交通场景下小目标车辆检测效果不佳的问题。 展开更多
关键词 自动驾驶 YOLOv8s c2f⁃EMScP模块 小目标检测 注意力机制 损失函数
在线阅读 下载PDF
改进YOLOv5s算法的带钢表面缺陷检测 被引量：2
4
作者 王林琳 龚昭昭 梁泽启 《组合机床与自动化加工技术》 北大核心 2024年第12期181-186,共6页
针对带钢表面缺陷小目标检测精度低以及检测效率低等问题,提出了一种基于YOLOv5s的带钢表面缺陷检测算法。首先,增加一个大尺度预测层,通过更丰富的位置信息提高小目标缺陷的检测效果,减少漏检和误检的问题;其次,将Shuffle Netv2轻量化... 针对带钢表面缺陷小目标检测精度低以及检测效率低等问题,提出了一种基于YOLOv5s的带钢表面缺陷检测算法。首先,增加一个大尺度预测层,通过更丰富的位置信息提高小目标缺陷的检测效果,减少漏检和误检的问题;其次,将Shuffle Netv2轻量化骨干网络替换原来的CSPDarknet53网络结构,降低模型参数数量,加快模型推理速度;然后,在特征提取网络末端添加基于Transformer编码的C3TR模块以及在特征融合网络中添加CA注意力机制,增强网络对缺陷的特征提取能力;最后,引入WIoU损失函数来取代GIoU,提高回归精度。实验结果表明,改进后的YOLOv5s算法在武汉某钢厂采集的带钢表面缺陷数据集上平均准确率(mAP)达到92.2%,较原始YOLOv5s提高了4.7%,检测速度FPS达到了82,具有较高检测精度。并引入公开数据集进行泛化实验,结果均有显著提升,进一步满足了对带钢表面缺陷检测的需求。 展开更多
关键词 钢材表面缺陷 YOLOv5s Shuffle Netv2 c3TR模块 cA注意力机制 WIoU损失函数
在线阅读 下载PDF
改进YOLOv8的道路凹陷检测算法 被引量：2
5
作者 张旭中 李波 +2 位作者 贝绍轶 林棻 殷国栋 《重庆理工大学学报（自然科学）》 CAS 北大核心 2024年第10期79-87,共9页
针对现有的道路凹陷检测算法中检测速度慢,很难应用于汽车车载移动设备的问题,提出一种改进YOLOv8的轻量型道路凹陷检测算法YOLOv8-CAG。将YOLOv8的主干网络第二层之后的普通卷积替换成Ghost Conv,通过低廉的线性变换,有效减少了模型的... 针对现有的道路凹陷检测算法中检测速度慢,很难应用于汽车车载移动设备的问题,提出一种改进YOLOv8的轻量型道路凹陷检测算法YOLOv8-CAG。将YOLOv8的主干网络第二层之后的普通卷积替换成Ghost Conv,通过低廉的线性变换,有效减少了模型的参数量。在neck中的C2f模块中引入CA注意力机制,在降低整体模型参数量和浮点运算量的同时,强化特征提取能力,减少无关特征的影响。在YOLOv8中运用C2f-GS模块,减少网络结构的复杂性,进一步提升检测精度。实验结果表明:在道路凹陷的数据集上,改进算法与原算法相比,检测精度提高了1%,模型参数量与计算量分别下降了16%和11%,并通过与其他算法的性能比较,验证了改进算法的实用性。 展开更多
关键词 道路凹陷检测 YOLOv8 Ghost卷积 注意力机制 c2f-GS模块
在线阅读 下载PDF
基于YOLOv5s网络的常见菜品识别检测 被引量：5
6
作者 季旭 宋垲 冯怡然 《包装与食品机械》 北大核心 2024年第6期65-72,共8页
为解决食堂与餐厅的菜品人工结算效率低的问题,基于YOLOv5s网络模型提出几类改进算法,其中,YOLOv5s,YOLOv5s-C2f,YOLOv5s-SE,YOLOv5s-MobileNetV3,YOLOv5x模型的准确率、召回率、均值平均精度分别为83%,88.6%,89.4%;94.9%,79.1%,87.6%;9... 为解决食堂与餐厅的菜品人工结算效率低的问题,基于YOLOv5s网络模型提出几类改进算法,其中,YOLOv5s,YOLOv5s-C2f,YOLOv5s-SE,YOLOv5s-MobileNetV3,YOLOv5x模型的准确率、召回率、均值平均精度分别为83%,88.6%,89.4%;94.9%,79.1%,87.6%;91.6%,76%,84.9%;88.3%,94.9%,81.5%;93.6%,99.4%,99.4%;每张图片的检测时间分别为0.36,0.29,0.34,0.23,0.98 s。试验结果表明,相较于YOLOv5s模型,YOLOv5s-MobileNetV3模型均值平均精度降低7.9%,检测时间缩短36.12%;YOLOv5s-C2f模型均值平均精度降低1.8%,检测时间缩短19.44%;YOLOv5x模型均值平均精度提升10%,检测时间延长63.27%。YOLOv5s-MobileNetV3模型在维持准确率的同时,大幅缩短检测时间,有效地实现检测效率与性能间的平衡;YOLOv5x模型具有较高准确率,适用于追求高精准度的场合。研究为智能餐饮服务提供技术支持。 展开更多
关键词 深度学习 c2f模块 通道注意力机制 YOLOv5s 菜品识别
在线阅读 下载PDF
轻量化瓦楞纸板表面缺陷检测算法的研究 被引量：4
7
作者 李西兴 刘涛 +2 位作者 周宏娣 吴锐 陈佳豪 《包装与食品机械》 CAS 北大核心 2024年第5期88-95,共8页
针对瓦楞纸板表面缺陷检测速度慢和识别准确率低等问题,提出基于改进YOLOv5s的轻量化瓦楞纸板表面缺陷检测算法YOLOv5s-GCS。将YOLOv5s骨干网络中原有的Conv模块替换为GhostConv模块,用C2f模块替换C3模块,并集成置换注意力机制(SA)模块;... 针对瓦楞纸板表面缺陷检测速度慢和识别准确率低等问题,提出基于改进YOLOv5s的轻量化瓦楞纸板表面缺陷检测算法YOLOv5s-GCS。将YOLOv5s骨干网络中原有的Conv模块替换为GhostConv模块,用C2f模块替换C3模块,并集成置换注意力机制(SA)模块;在YOLOv5s颈部网络末端引入SA模块;通过构建瓦楞纸板表面缺陷数据集进行试验验证。试验结果显示,YOLOv5s-GCS算法平均精度均值达到95.0%、召回率达到89.2%、精确率达到92.5%,较原始YOLOv5s分别提高2.3%,1.3%,2.8%;检测速度达到19.9帧/s,较原始YOLOv5s提高5.7帧/s。YOLOv5s-GCS算法更有利于迁移部署与实际应用。研究为表面缺陷领域的实时检测提供参考。 展开更多
关键词 YOLOv5s 表面缺陷检测 置换注意力机制 Ghostconv模块 c2f模块
在线阅读 下载PDF
改进YOLOv8n的果园番茄目标检测算法 被引量：4
8
作者 杨国亮 盛杨杨 +1 位作者 洪鑫芳 张佳琦 《计算机工程与应用》 CSCD 北大核心 2024年第23期238-248,共11页
针对自然果园环境下,不同生长周期的番茄姿态多变,易受光线、绿色叶片背景影响导致图像特征不明显,番茄果实生长时易出现扎堆密集以及枝叶藤蔓遮挡等情况,时常造成漏检、误检等问题,提出了一种基于改进YOLOv8n的番茄生长周期采摘检测方... 针对自然果园环境下,不同生长周期的番茄姿态多变,易受光线、绿色叶片背景影响导致图像特征不明显,番茄果实生长时易出现扎堆密集以及枝叶藤蔓遮挡等情况,时常造成漏检、误检等问题,提出了一种基于改进YOLOv8n的番茄生长周期采摘检测方法。在Backbone中设计超分辨率自适应注意力模块(super-resolution adaptive attention module,SPAAM),有效提升特征图像分辨率,改善小目标番茄特征提取不充分的问题,并结合坐标注意力机制(coordinate attention,CA)提高关键位置信息提取能力;设计C2f-DCF替换原有C2f,用于自适应番茄姿态形变特征,提高对形变物体空间布局的建模能力,同时提升计算效率;设计GSCHead降低头部参数量,并且添加四倍下采样分支提高对小目标番茄的约束效果;引入Wise-IoU损失函数,提升模型在不同质量图像上训练的泛化性能。改进后的算法在测试集上精确率达到93.9%,相较于原模型提升1.9个百分点,参数量降低0.18×106,有效改善了遮挡情况的漏检率和小目标番茄的检测性能,同时检测速度达到139 FPS,可以便捷地部署到终端完成实时检测。 展开更多
关键词 番茄检测 YOLOv8n 超分辨率自适应注意力模块(SPAAM) c2f-DcF GScHead 损失函数
在线阅读 下载PDF
基于改进YOLOv8n的立井刚性罐道接头错位检测算法 被引量：1
9
作者 王满利 杨爽 张长森 《煤炭科学技术》 CSCD 北大核心 2024年第S2期236-248,共13页
立井刚性罐道作为提升系统的导向装置,是提升系统安全稳定运行的基础,使用过程中容易产生横向移位和变形,一旦出现不平顺,将引起提升系统强烈振动,严重影响提升系统运行安全性。为及时发现立井刚性罐道接头故障,消除提升系统运行隐患,... 立井刚性罐道作为提升系统的导向装置,是提升系统安全稳定运行的基础,使用过程中容易产生横向移位和变形,一旦出现不平顺,将引起提升系统强烈振动,严重影响提升系统运行安全性。为及时发现立井刚性罐道接头故障,消除提升系统运行隐患,提出了一种改进YOLOv8n的立井刚性罐道接头错位检测算法(YOLOv8n-CFW)。首先,针对井筒模糊、黑暗、强光及存在复杂背景成像环境下,YOLOv8n对立井刚性罐道图像特征提取能力不足的问题,融入卷积块的注意力模块(CBAM),该模块将通道注意力机制与空间注意力机制结合,形成一种新的卷积块结构,从而更好地进行特征融合,并且有助于模型更加集中地关注输入图像的重要部分,从而提高模型的识别准确性和泛化能力,克服了YOLOv8n主干网络在模糊、黑暗、强光环境下对局部重要信息特征提取能力不足,泛化能力较差等问题;接着,为轻量化网络,使用Faster_Block代替Bottleneck,降低C2f模块的计算复杂度,克服了YOLOv8n网络的模型参数量过大部署困难的不足;然后,为抑制低质量图像产生的有害梯度,使用WIoU损失函数代替CIoU,WIoU损失函数,通过动态分配梯度增益,抑制低质量图像产生的有害梯度,克服了YOLOv8n网络定位性能不足,使网络在接头错位检测中更加精确地定位到刚性罐道边缘,从而减小误差,并进一步提高模型识别准确性和泛化能力;最后,在推理过程中设置兴趣区域,进一步抑制背景图像干扰,并采用非定焦测距法计算罐道接头偏移尺寸。试验表明,相较于基础YOLOv8n网络,YOLOv8n-CFW检测网络在立井刚性罐道接头数据集上,精度P提升了1.4%,召回率R提升了8.2%,平均精度mAP由YOLOv8n的83.8%提升为90.3%,提高了6.5%,模型大小减少了1.4MB,相比其他YOLO算法,在立井刚性罐道接头错位检测中YOLOv8n-CFW具有显著的优势。 展开更多
关键词 刚性罐道 接头错位 YOLOv8n cBAM注意力机制 改进c2f模块
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 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