期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进YOLO v8的温室草莓成熟度智能实时识别
1
作者
沈桂芳
张平
《江苏农业科学》
北大核心
2025年第5期62-72,共11页
为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型...
为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型为基线。首先,在YOLO v8模型的骨干网络和颈部网络中引入动态蛇形卷积(DSConv),替换原有的卷积层,减少模型的参数量,同时增强对细微特征的捕获能力,提高特征学习效率。其次,通过融入多尺度通道注意力(MCA)机制,减轻背景干扰,增强了对目标区域的关注,以应对目标遮挡和背景干扰问题。最后,为了进一步优化模型性能,采用SIoU损失函数替换原有的CIoU损失函数,通过改进惩罚项并利用位置信息,以促使检测框更加准确地逼近目标框,提高模型的回归精度。在自制的草莓成熟度检测数据集上,模型检测精度mAP@0.5高达95.24%,超越Faster-RCNN、SSD、centerNet、YOLOX和原始YOLO v8等5种主流目标检测算法。此外模型的浮点运算次数、参数量和识别速度分别为268.7亿次、10.92 M和55.7帧/s,证明其满足实时检测需求。在嵌入式平台上的进一步测试证实,即便在资源受限的硬件条件下,改进的YOLO v8模型依然能够实现准确性和鲁棒性的实时检测。对农业自动化与智能化的进步具有重要贡献。
展开更多
关键词
草莓成熟度检测
YOLO
v8
蛇形卷积
mca注意力
SIoU
在线阅读
下载PDF
职称材料
基于YOLO11n的轻量化芯片表面缺陷检测方法
2
作者
孙佩月
黄娟
+2 位作者
顾寄南
夏子林
高艳
《半导体技术》
北大核心
2025年第7期707-713,共7页
芯片表面缺陷具有尺寸微小、形状不规则、类型多样等特点,但现有目标检测模型存在精度低、参数量多等问题,因此提出一种基于YOLO11n的轻量化芯片表面缺陷检测方法。引入轻量级自适应提取(LAE)卷积,以减少参数数量和计算成本;为提高模型...
芯片表面缺陷具有尺寸微小、形状不规则、类型多样等特点,但现有目标检测模型存在精度低、参数量多等问题,因此提出一种基于YOLO11n的轻量化芯片表面缺陷检测方法。引入轻量级自适应提取(LAE)卷积,以减少参数数量和计算成本;为提高模型对芯片表面缺陷的检测效果,在Neck中集成DySample上采样模块;为进一步提升模型整体性能,在Neck中融合多维协作注意力(MCA)机制。实验结果表明,改进模型的检测平均精度可达91.3%,与原模型相比,平均精度提高1.3%,参数量减少18.8%,十亿次的浮点运算(GFLOPs)降低4.8%,为芯片表面缺陷检测提供了更为高效实用的解决方案。
展开更多
关键词
缺陷检测
YOLO11n
轻量化
自适应提取卷积
上采样
多维协作
注意力
(
mca
)
在线阅读
下载PDF
职称材料
基于ZC-YOLO的棉花杂质检测
3
作者
王中璞
吴正香
+2 位作者
张立杰
阿不都热西提·买买提
张倩
《毛纺科技》
CAS
北大核心
2024年第12期95-101,共7页
针对棉花杂质形状复杂,尺度变化大导致检测精度低的问题,提出一种基于改进YOLOv5的棉花表面杂质的智能分类检测方法。采用适应于数据集的自适应锚框算法,对锚框进行重新聚类,提高对小目标杂质的检测效果;在特征融合部分引入MCA注意力机...
针对棉花杂质形状复杂,尺度变化大导致检测精度低的问题,提出一种基于改进YOLOv5的棉花表面杂质的智能分类检测方法。采用适应于数据集的自适应锚框算法,对锚框进行重新聚类,提高对小目标杂质的检测效果;在特征融合部分引入MCA注意力机制模块,聚焦有效特征层的杂质目标信息,降低无关区域的干扰,对棉花杂质目标定位更加准确;采用GIoU损失函数用于计算棉花杂质预测框与真实框的损失计算,滤出最佳棉花杂质检测框,使算法更加适用于当前检测任务。试验结果表明,提出的算法模型平均精度均值(mAP@0.5)达到92.5%,相对YOLOv3、YOLOv5、YOLOv8与YOLOv6而言,其精度值mAP值指标分别提高了其15.4%、2.2%、13.5%和26.4%,为棉花杂质的智能分类检测提供参考,提高了模型检测精度。
展开更多
关键词
棉花杂质
分类检测
YOLOv5
自适应锚框
mca注意力
机制
在线阅读
下载PDF
职称材料
题名
基于改进YOLO v8的温室草莓成熟度智能实时识别
1
作者
沈桂芳
张平
机构
洛阳科技职业学院信息与数字工程学院
河南科技大学数学与统计学院
出处
《江苏农业科学》
北大核心
2025年第5期62-72,共11页
基金
河南省高等学校重点科研资助项目(编号:23A520058)
河南省高等学校重点科研项目(编号:23B880058)。
文摘
为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型为基线。首先,在YOLO v8模型的骨干网络和颈部网络中引入动态蛇形卷积(DSConv),替换原有的卷积层,减少模型的参数量,同时增强对细微特征的捕获能力,提高特征学习效率。其次,通过融入多尺度通道注意力(MCA)机制,减轻背景干扰,增强了对目标区域的关注,以应对目标遮挡和背景干扰问题。最后,为了进一步优化模型性能,采用SIoU损失函数替换原有的CIoU损失函数,通过改进惩罚项并利用位置信息,以促使检测框更加准确地逼近目标框,提高模型的回归精度。在自制的草莓成熟度检测数据集上,模型检测精度mAP@0.5高达95.24%,超越Faster-RCNN、SSD、centerNet、YOLOX和原始YOLO v8等5种主流目标检测算法。此外模型的浮点运算次数、参数量和识别速度分别为268.7亿次、10.92 M和55.7帧/s,证明其满足实时检测需求。在嵌入式平台上的进一步测试证实,即便在资源受限的硬件条件下,改进的YOLO v8模型依然能够实现准确性和鲁棒性的实时检测。对农业自动化与智能化的进步具有重要贡献。
关键词
草莓成熟度检测
YOLO
v8
蛇形卷积
mca注意力
SIoU
分类号
S126 [农业科学—农业基础科学]
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YOLO11n的轻量化芯片表面缺陷检测方法
2
作者
孙佩月
黄娟
顾寄南
夏子林
高艳
机构
江苏大学机械工程学院
出处
《半导体技术》
北大核心
2025年第7期707-713,共7页
基金
国家自然科学基金(52375499)。
文摘
芯片表面缺陷具有尺寸微小、形状不规则、类型多样等特点,但现有目标检测模型存在精度低、参数量多等问题,因此提出一种基于YOLO11n的轻量化芯片表面缺陷检测方法。引入轻量级自适应提取(LAE)卷积,以减少参数数量和计算成本;为提高模型对芯片表面缺陷的检测效果,在Neck中集成DySample上采样模块;为进一步提升模型整体性能,在Neck中融合多维协作注意力(MCA)机制。实验结果表明,改进模型的检测平均精度可达91.3%,与原模型相比,平均精度提高1.3%,参数量减少18.8%,十亿次的浮点运算(GFLOPs)降低4.8%,为芯片表面缺陷检测提供了更为高效实用的解决方案。
关键词
缺陷检测
YOLO11n
轻量化
自适应提取卷积
上采样
多维协作
注意力
(
mca
)
Keywords
defect detection
YOLO1ln
lightweighting
adaptive extraction convolution
upsampling
multi-dimensional collaborative attention(
mca
)
分类号
TN407 [电子电信—微电子学与固体电子学]
在线阅读
下载PDF
职称材料
题名
基于ZC-YOLO的棉花杂质检测
3
作者
王中璞
吴正香
张立杰
阿不都热西提·买买提
张倩
机构
新疆大学纺织与服装学院
新疆维吾尔自治区纤维质量监测中心
出处
《毛纺科技》
CAS
北大核心
2024年第12期95-101,共7页
基金
新疆维吾尔自治区科技重大专项项目(2022A01008-1)
新疆维吾尔自治区市场监督局科技计划项目(S2023192019)。
文摘
针对棉花杂质形状复杂,尺度变化大导致检测精度低的问题,提出一种基于改进YOLOv5的棉花表面杂质的智能分类检测方法。采用适应于数据集的自适应锚框算法,对锚框进行重新聚类,提高对小目标杂质的检测效果;在特征融合部分引入MCA注意力机制模块,聚焦有效特征层的杂质目标信息,降低无关区域的干扰,对棉花杂质目标定位更加准确;采用GIoU损失函数用于计算棉花杂质预测框与真实框的损失计算,滤出最佳棉花杂质检测框,使算法更加适用于当前检测任务。试验结果表明,提出的算法模型平均精度均值(mAP@0.5)达到92.5%,相对YOLOv3、YOLOv5、YOLOv8与YOLOv6而言,其精度值mAP值指标分别提高了其15.4%、2.2%、13.5%和26.4%,为棉花杂质的智能分类检测提供参考,提高了模型检测精度。
关键词
棉花杂质
分类检测
YOLOv5
自适应锚框
mca注意力
机制
Keywords
cotton impurities
classification detection
YOLOv5
adaptive anchor frame
mca
attention mechanism
分类号
TS111.9 [轻工技术与工程—纺织材料与纺织品设计]
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YOLO v8的温室草莓成熟度智能实时识别
沈桂芳
张平
《江苏农业科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于YOLO11n的轻量化芯片表面缺陷检测方法
孙佩月
黄娟
顾寄南
夏子林
高艳
《半导体技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于ZC-YOLO的棉花杂质检测
王中璞
吴正香
张立杰
阿不都热西提·买买提
张倩
《毛纺科技》
CAS
北大核心
2024
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
