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7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：
基于改进SDP和FasterNet-GCAM的滚动轴承故障诊断
1
作者 陈家芳 唐湛恒 周健 《现代制造工程》 北大核心 2025年第7期129-138,41,共11页
对滚动轴承进行故障诊断关乎设备运行安全及稳定可靠性。使用传统卷积神经网络进行故障诊断,模型运算量过大,且易出现过拟合现象从而导致诊断精度不高,端到端模型存在可信度不高等问题。鉴于此,提出一种基于改进对称极坐标(Symmetrized ... 对滚动轴承进行故障诊断关乎设备运行安全及稳定可靠性。使用传统卷积神经网络进行故障诊断,模型运算量过大,且易出现过拟合现象从而导致诊断精度不高,端到端模型存在可信度不高等问题。鉴于此,提出一种基于改进对称极坐标(Symmetrized Dot Pattern,SDP)法和FasterNet-GCAM网络的滚动轴承故障诊断方法。首先,将一维振动信号经过小波阈值降噪处理,再输入经皮尔逊图像相关系数法优化的SDP法生成SDP图像,并通过在FasterNet网络中加入部分卷积(partial convolution)思想,构建成改进的SDP-FasterNet模型进行进一步的特征提取,并完成滚动轴承不同故障的分类诊断。为了验证模型在图像识别过程中决策的可信度,将梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)与FasterNet网络相结合,突出SDP图像与决策相关的重要部分。试验结果表明,所提方法相比于其他方法具有更快的收敛速度和更强的鲁棒性,且诊断识别精度达到了99.20%,并提高了诊断过程中的可解释性及可信度,为故障诊断领域提供了具备良好可行性和鲁棒性的轻量化诊断模型。 展开更多
关键词 滚动轴承 故障诊断 fasternet网络 部分卷积 梯度加权类激活映射 对称极坐标法
在线阅读 下载PDF
基于改进YOLOv8的轻量化车辆检测网络 被引量：3
2
作者 陈梓延 王晓龙 +1 位作者 何迪 安国成 《计算机工程》 北大核心 2025年第5期314-325,共12页
现有的高精度车辆检测模型参数与计算量过高,无法在交通智能设备上良好运行,而轻量化的车辆检测模型精度普遍较低,不适用于实际任务。为此,提出一种改进YOLOv8的轻量化车辆检测网络,将主干网络替换为计算量和内存访问更小的FasterNet网... 现有的高精度车辆检测模型参数与计算量过高,无法在交通智能设备上良好运行,而轻量化的车辆检测模型精度普遍较低,不适用于实际任务。为此,提出一种改进YOLOv8的轻量化车辆检测网络,将主干网络替换为计算量和内存访问更小的FasterNet网络,并且将颈部的双向特征金字塔网络替换为加权双向特征金字塔网络(BiFPN),简化特征融合过程。同时,引入一种融合注意力机制的动态检测头,实现检测头和注意力的无冗余结合;此外,针对完全交并比(CIoU)在检测精度和收敛速度上的缺陷,提出一种尺度不变交并比(SIoU)结合归一化高斯Wasserstein距离(NWD)的回归损失算法。最后,为尽量减小模型对边缘设备的算力需求,进行基于幅值的层自适应稀疏化剪枝,进一步压缩模型大小。实验结果表明,提出的改进模型相较于原模型YOLOv8s,在精度上升1.5百分点的情况下,参数量降低78.9%,计算量下降67.4%,模型尺寸降低77.8%,达到了比较优秀的轻量化效果,具有很强的实用性。 展开更多
关键词 YOLOv8模型 车辆检测 轻量化 fasternet网络 归一化高斯Wasserstein距离
在线阅读 下载PDF
基于FEW-YOLOv8遥感图像目标检测算法 被引量：1
3
作者 席阳丽 屈丹 +1 位作者 王芳芳 都力铭 《郑州大学学报(工学版)》 北大核心 2025年第4期62-69,共8页
针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用Faster... 针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用FasterNet骨干网络,更有效地提取了遥感图像中小目标的空间特征,使得网络模型更专注于微小目标,从而提升小目标检测精度。其次,使用EMA注意力与C2f构建全新的C2f_EMA模块,替换Neck结构中的C2f模块,在融合特征前进行特征注意力加强操作,使网络模型更突出特征信息中小目标部分,有效解决特征融合过程中小目标特征丢失问题。最后,采用带有动态非单调FM的WIoUv3作为边界框的损失函数,提高了模型的边界框定位精度,并且提升了对小目标的检测性能。实验结果显示:在NWPU VHR-10数据集上经过优化的YOLOv8算法的mAP 50相较于原始YOLOv8算法提高了7.71百分点,在HRSC2016和DOTA v1.0上分别提高了9.70百分点和12.32百分点,证明所提算法能够有效提升遥感图像中小目标的检测精度。 展开更多
关键词 遥感图像 YOLOv8 fasternet骨干网络 EMA注意力机制 WIoU损失函数
在线阅读 下载PDF
基于YOLOv8s改进的车辆前方障碍物轻量化检测算法
4
作者 余军军 严运兵 田茂帅 《科学技术与工程》 北大核心 2025年第14期5957-5966,共10页
为解决自动驾驶感知域控制器中障碍物检测模型对高内存和高计算资源需求的问题,提出了一种基于YOLOv8改进的轻量化障碍物检测方法,使用内存访问和计算量更少的FasterNet重构YOLOv8主干网络。为弥补模型轻量化导致的精度下降以及对小目... 为解决自动驾驶感知域控制器中障碍物检测模型对高内存和高计算资源需求的问题,提出了一种基于YOLOv8改进的轻量化障碍物检测方法,使用内存访问和计算量更少的FasterNet重构YOLOv8主干网络。为弥补模型轻量化导致的精度下降以及对小目标检测能力的不足,主要在3个方面对YOLOv8进行改进:用SPD-Conv(space-to-depth convolution)替换颈部网络的传统跨步卷积,增强小目标特征提取能力;结合IIoU(inner IoU)和PIoU(powerful IoU)的思想,提出IPIoU(inner powerful IoU)作为边框回归损失,加快损失函数收敛并提高小目标检测性能;引入注意力机制SimAM(simple attention module),进一步提高模型检测精度。实验结果表明,改进模型相比原模型在参数量、计算量和模型大小分别降低29.1%、20.5%和28.8%的情况下,检测精度提升了1.2%。模型部署至自动驾驶车载控制器后,能够有效检测道路前方障碍物。 展开更多
关键词 障碍物检测 YOLOv8 网络轻量化 fasternet
在线阅读 下载PDF
一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型
5
作者 冯峰 孔淳 +5 位作者 陈诗瑶 马春悦 王琛 郭秀茹 孙博 王志军 《山东农业科学》 北大核心 2025年第1期156-165,共10页
黄精是重要的药食同源品种,在黄精的种植与育种过程中,通常采用基于个人经验的人工方式进行种子成熟度识别,但该方式存在主观性强、精确度不稳定的问题,会在一定程度上影响种植后黄精的产量和质量,进而影响黄精产品的品质和下游产业的... 黄精是重要的药食同源品种,在黄精的种植与育种过程中,通常采用基于个人经验的人工方式进行种子成熟度识别,但该方式存在主观性强、精确度不稳定的问题,会在一定程度上影响种植后黄精的产量和质量,进而影响黄精产品的品质和下游产业的经济效益;另一方面,由于黄精种植地块通常较为分散,使得人工识别种子成熟度的方式较为低效。为了解决以上问题,本研究提出一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型——YOLOv8n-FasterNet-EMA。首先,在模型轻量化方面,通过将YOLOv8n主干网络中原本的卷积替换为FasterNet的PConv卷积结构,与Bottleneck层结合后得到新的c2f-FasterNet模块,从而减小模型的计算量与内存消耗;其次,在模型泛化性能方面,通过使用EMA注意力机制与YOLOv8n颈部网络中检测处的c2f模块结合,提升模型的特征提取能力,进而改善模型的泛化能力。为验证所提模型的性能,在构建的黄精种子成熟度数据集上进行了对比实验,结果表明,与原YOLOv8n模型相比,本研究所提模型在平均识别精度上提升了2.1%,同时模型的参数量降低了21.3%;此外,与SSD、YOLOv5n相比,本研究所提模型在识别精度和速度上也取得一定的提升。因此,YOLOv8n-FasterNet-EMA能有效识别黄精种子的成熟度,这对实现黄精种子成熟度的智能化识别,进而提升黄精育种的质量、改善下游产业的经济效益均具有重要的实际意义。 展开更多
关键词 黄精 种子成熟度识别 卷积神经网络 YOLOv8n fasternet EMA注意力机制
在线阅读 下载PDF
融合多尺度特征的输电线路绝缘子多缺陷检测方法
6
作者 杜剑锋 李宏杰 +3 位作者 贾璐萌 李旭涛 邓若宇 王安红 《现代电子技术》 北大核心 2025年第17期124-130,共7页
针对输电线路绝缘子多缺陷存在尺寸小、背景复杂等特点,造成检测精度低、检测效果不佳的问题,提出一种改进YOLO的绝缘子多缺陷检测算法。首先,引入FasterNet替换原始主干网络,降低模型计算量;然后,在特征提取方面,引入尺度序列特征融合... 针对输电线路绝缘子多缺陷存在尺寸小、背景复杂等特点,造成检测精度低、检测效果不佳的问题,提出一种改进YOLO的绝缘子多缺陷检测算法。首先,引入FasterNet替换原始主干网络,降低模型计算量;然后,在特征提取方面,引入尺度序列特征融合模块(SSFF),将深层特征图的高级信息与浅层特征图的详细信息相结合,充分融合多尺度特征,提高针对绝缘子不同缺陷的区分;最后,引入三特征编码(TFE)模块,从而更好地捕获小目标的详细信息,增强对重叠目标与小目标的识别。该算法对输电线路上的正常绝缘子、破损、自爆、闪络等缺陷进行检测,实验结果表明,该算法的平均精度均值(mAP@0.5)相较于基线算法提升了3.9%,破损及闪络等小目标检测的精确率分别提高了8.4%和7.9%,参数量和浮点运算量均降低了20%,在满足轻量化的同时提高了对不同绝缘子缺陷的识别,该算法对绝缘子多缺陷检测的实际应用具有现实指导意义。 展开更多
关键词 绝缘子 缺陷检测 YOLO fasternet 多尺度特征融合 轻量级网络 小目标检测 深度学习
在线阅读 下载PDF
基于FBEC-YOLOv5s的采掘工作面多目标检测研究 被引量：1
7
作者 张辉 苏国用 赵东洋 《工矿自动化》 CSCD 北大核心 2023年第11期39-45,共7页
针对采掘工作面目标尺度跨度大、多目标间相互遮挡严重及恶劣环境导致的检测精度降低等问题,提出了一种基于FBEC-YOLOv5s的采掘工作面多目标检测算法。首先,在主干网络引入FasterNet网络,以凭借其残差连接与批标准化模块,增强模型的特... 针对采掘工作面目标尺度跨度大、多目标间相互遮挡严重及恶劣环境导致的检测精度降低等问题,提出了一种基于FBEC-YOLOv5s的采掘工作面多目标检测算法。首先,在主干网络引入FasterNet网络,以凭借其残差连接与批标准化模块,增强模型的特征提取和语义信息捕捉能力;其次,在YOLOv5s模型颈部融合BiFPN网络,以通过其双向跨尺度连接和快速归一化融合操作,实现多尺度特征的快速捕捉与融合;最后,采用ECIoU损失函数代替CIoU损失函数,以提升检测框定位精度和模型收敛速度。实验结果表明:(1)在满足煤矿井下实时检测要求的同时,FBEC-YOLOv5s模型的准确率较YOLOv5s模型的准确率提升了3.6%。(2)与YOLOv5s模型相比,FBEC-YOLOv5s模型的平均检测精度均值上升了2.8%,平均检测精度均值为92.4%,能够满足实时检测要求。(3)FBEC-YOLOv5s模型的综合检测性能好,能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低的情况下表现出良好的实时检测能力且具有较好的鲁棒性。 展开更多
关键词 采掘工作面 多目标检测 fasternet网络 双向特征金字塔网络 YOLOv5s BiFPN ECIoU损失函数
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