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8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：
基于轻量级RepVIT的农机具工况识别方法研究
1
作者 安麒麟 汪凤珠 +4 位作者 刘阳春 邓学 周利明 赵博 伟利国 《农业机械学报》 北大核心 2025年第2期187-194,205,共9页
为解决田间复杂环境下拖拉机机载农机具监测困难、模型参数量过大等问题,提出了一种基于轻量化RepVIT的农机具识别模型TMAInet。利用自主开发的农机服务平台“农业机械化精准作业平台暨希望田野”收集了6种工作状态的农机具数据集,并通... 为解决田间复杂环境下拖拉机机载农机具监测困难、模型参数量过大等问题,提出了一种基于轻量化RepVIT的农机具识别模型TMAInet。利用自主开发的农机服务平台“农业机械化精准作业平台暨希望田野”收集了6种工作状态的农机具数据集,并通过Copy-paste等数据增强方法将训练集扩增至6627幅。基于RepVIT网络模型框架,设计了一种卷积前馈模块(CFF)以提升不同尺度细粒度特征提取能力,引入了注意力机制ECA以优化模型参数结构并简化特征提取模块。通过Pre-training+Fine-tuning(PF)迁移学习方法对模型进行了训练,并在Jetson nano边缘设备上进行了部署。实验结果表明,通过PF迁移学习方法,TMAInet模型的识别准确率、F1分数和召回率分别达到99.13%、98.53%和98.78%,相较于原始的RepVIT模型分别提升1.86、3.04、1.95个百分点,在边缘设备端保持帧速率73 f/s的同时参数量降低至7.3×10^(6)。TMAInet能够在实际应用中准确、高效监测农机具常见类别,为无人化智慧农场的发展提供技术参考。 展开更多
关键词 拖拉机农机具 工况识别 无人化智慧农场 repvit 迁移学习
在线阅读 下载PDF
基于RT-DETR的林间松果检测方法 被引量：1
2
作者 吴晨旭 张冬妍 +2 位作者 张榄翔 陈诺 毛思雨 《林业科学》 北大核心 2025年第6期25-37,共13页
【目的】针对林间环境复杂、小目标松果纹理特征不明显,导致检测精度不足和检测实时性差的问题,提出一种基于Real-time detection transformer(RT-DETR)的林间松果检测方法,并针对RT-DETR模型进行优化,提升其检测性能。【方法】首先,为... 【目的】针对林间环境复杂、小目标松果纹理特征不明显,导致检测精度不足和检测实时性差的问题,提出一种基于Real-time detection transformer(RT-DETR)的林间松果检测方法,并针对RT-DETR模型进行优化,提升其检测性能。【方法】首先,为了提升检测精度,将原主干网络替换为Re-parameterized vision transformer(RepViT),以增强特征提取能力。其次,引入High-low frequency feature interactions(HiLo)高低频分离机制,提高细节纹理的捕捉能力。最后,将Re-parameterized cross stage partial bottleneck with 3 convolutions(RepC3)模块优化为Decoupled replicated bottleneck cross stage partial with 3 convolutions(DRBC3),通过融合大核卷积与扩张卷积,显著扩大其感受野。与此同时,RepViT和DRBC3均采用结构重参数设计,使得推理时模型结构得以简化,从而提升检测效率。【结果】经过优化的RT-DETR模型,针对中国黑龙江省佳木斯大来林场收集的松果图像数据集的测试结果表明,模型的各项指标均达到最佳平衡,其中AP50达到93.37%,精度和召回率分别为93.30%和92.65%。在AP50提升5%的同时,GFLOPs降低了51%,参数量减少了41%,实时帧率FPS从74.3显著提升至95.5,提升幅度达到28%。【结论】这一优化方法显著提高林间松果检测的精度、实时性和效率,为实际应用中的自动化松果采集任务提供了有效的解决方案。 展开更多
关键词 RT-DETR 松果检测 repvit HiLo高低频分离机制 DRBC3
在线阅读 下载PDF
基于改进YOLOv8n的松材线虫病疫木检测方法
3
作者 王余康 黄雷君 李洋 《林草资源研究》 北大核心 2025年第1期114-125,共12页
松材线虫病对全球松树资源和生态环境造成严重威胁,准确检测疫木对于控制疫情蔓延具有重要意义。借助无人机遥感技术,能够高效获取覆盖广泛、分辨率高的森林影像数据,为松材线虫病疫木检测提供了关键的数据支持。针对复杂森林环境下无... 松材线虫病对全球松树资源和生态环境造成严重威胁,准确检测疫木对于控制疫情蔓延具有重要意义。借助无人机遥感技术,能够高效获取覆盖广泛、分辨率高的森林影像数据,为松材线虫病疫木检测提供了关键的数据支持。针对复杂森林环境下无人机遥感影像中松材线虫病疫木检测识别能力受限的问题,提出一种改进的YOLOv8n检测模型(YOLOv8n-RCD)。使用RepVit作为主干网络,提升特征提取能力;通过引入跨尺度特征融合模块(CCFM),增强模型对多层次特征的提取;采用动态头(Dynamic Head)替换原有检测头,提高模型在复杂背景下的目标识别能力和适应性。结果表明:改进后的YOLOv8n-RCD在精确率(P)、召回率(R)和F1分数上比基准模型(YOLOv8n)分别提升了3.37%、3.00%和3.19%,AP50和AP50-95分别提升了1.93%和1.49%。改进后的模型提升了在复杂森林环境下的识别精度和能力,为松材线虫病疫木的精确化检测和无人机遥感驱动的智能化动态防控提供了有力的技术支持。 展开更多
关键词 目标检测 松材线虫病 YOLOv8n repvit CCFM Dynamic Head
在线阅读 下载PDF
基于RT-DETR的露天矿区路面障碍物检测 被引量：2
4
作者 陈良 《黄金科学技术》 北大核心 2025年第1期202-213,共12页
露天矿无人驾驶是智慧矿山建设的重要组成部分。露天矿无人驾驶的核心在于保障车辆安全行驶,然而现阶段矿区道路上存在的落石、水坑和车辙等障碍物严重影响了矿车的行驶安全。针对现有算法检测这类密集障碍物精度受限的问题,提出了一种... 露天矿无人驾驶是智慧矿山建设的重要组成部分。露天矿无人驾驶的核心在于保障车辆安全行驶,然而现阶段矿区道路上存在的落石、水坑和车辙等障碍物严重影响了矿车的行驶安全。针对现有算法检测这类密集障碍物精度受限的问题,提出了一种基于RT-DETR的露天矿区路面障碍物检测算法。RTDETR算法通过在编码器阶段引入RepViT网络,提升了模型的特征提取效率,在解码器中通过通道压缩剪枝操作提升了模型的检测速度。此外,还提出融合注意力机制的RepAttC3模块,加强了模型的特征提取能力。通过采集不同矿区数据,构建了露天矿区路面障碍物数据集,并进行了障碍物检测试验。结果表明:本文所提出的RT-DETR算法的平均检测精度可达92.7%,综合检测精度可达96.6%,检测速度可达12.3 ms。相较于其他路面障碍物检测算法,本文算法对露天矿区多尺度与小目标障碍物具有良好的检测效果,能够为露天矿区车辆提供准确且高效的障碍物检测,保障车辆安全行驶。 展开更多
关键词 露天矿 路面障碍物 目标检测 repvit网络 无人驾驶 智慧矿山
在线阅读 下载PDF
基于改进RT-DETR的PCBA管脚焊点缺陷检测方法
5
作者 李江 骆炜 +1 位作者 陈豪 邓福钦 《液晶与显示》 北大核心 2025年第10期1532-1544,共13页
针对印刷电路板组装件(PCBA)中管脚焊点缺陷因目标尺寸小、分布密集及背景复杂等因素导致检测速度慢、准确率低的问题,本文提出一种基于改进RT-DETR的PCBA管脚焊点缺陷检测方法。首先,针对RepC3在多尺度语义信息融合中缺乏全局感知能力... 针对印刷电路板组装件(PCBA)中管脚焊点缺陷因目标尺寸小、分布密集及背景复杂等因素导致检测速度慢、准确率低的问题,本文提出一种基于改进RT-DETR的PCBA管脚焊点缺陷检测方法。首先,针对RepC3在多尺度语义信息融合中缺乏全局感知能力的问题,提出了局部与全局协同增强模块,以提高模型对多尺度特征的全局理解能力。其次,设计了频率感知上采样方法,有效纠正传统插值上采样造成的特征中心偏移问题,增强模型对关键区域的响应能力。最后,引入RepViT作为主干网络,在提升特征提取能力的同时有效压缩了模型体积。本文使用在工业生产线采集并自行标注的PCBA管脚焊点图像数据集和PKU-Market-PCB数据集对所提方法进行评估。在PCBA管脚焊点图像数据集上,本文方法与RT-DETR相比,模型参数量减少31.44%,计算量降低29.21%,mAP50提升9.88%,推理速度提升至84.74 FPS。在PKU-Market-PCB数据集上,mAP50和推理速度分别提升了6.75%和23.10%。本文方法在兼顾计算资源与实时性能的基础上显著提升了检测精度与效率,具备良好的工程应用前景和研究价值。 展开更多
关键词 PCBA 焊点检测 RT-DETR 多尺度特征融合 上采样 repvit
在线阅读 下载PDF
改进YOLOv5s-Seg的高效实时实例分割模型 被引量：5
6
作者 马冬梅 郭智浩 罗晓芸 《计算机工程与应用》 CSCD 北大核心 2024年第16期258-268,共11页
实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YO... 实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YOLOv5s-Seg改进的实时实例分割模型。以YOLOv5s-Seg作为网络的基础模型,主干网络选用Repvit m3网络,然后改进FPN结构,在FPN结构中将原始得到的C3卷积模块升级为RsRepVitBlock模块,并在其内部使用ECA注意力机制,最后采用SIoU作为模型的边界框损失函数。该算法在公开数据集PASCAL VOC 2012上的实验结果显示,改进后的模型分割精度mAP达到了65.7%,较原模型YOLOv5s-Seg提高了10.6个百分点。该模型大幅提升了分割精度,并且有效地改善了分割任务中定位不准确的问题。相较于其他模型,具有显著的精度优势和更好的模型稳定性。 展开更多
关键词 实时实例分割 YOLOv5s-Seg repvit m3 RsrepvitBlock 高效通道注意力机制(ECA) SIoU
在线阅读 下载PDF
基于改进YOLOv8曲轴表面缺陷检测算法 被引量：2
7
作者 孙渊 曹俊杰 +1 位作者 唐矫燕 李婷 《组合机床与自动化加工技术》 北大核心 2024年第10期77-81,共5页
针对曲轴表面小目标缺陷检测难度大、缺陷背景复杂和检测速度慢等问题,提出一种改进曲轴表面缺陷检测的算法RB-YOLOv8。首先,用RepViT模块取代了传统的C2f模块,有助于减少网络的计算负担并加快其运行速度;接着,通过优化双向特征融合模块... 针对曲轴表面小目标缺陷检测难度大、缺陷背景复杂和检测速度慢等问题,提出一种改进曲轴表面缺陷检测的算法RB-YOLOv8。首先,用RepViT模块取代了传统的C2f模块,有助于减少网络的计算负担并加快其运行速度;接着,通过优化双向特征融合模块BiFPN及增加小目标检测层,改善小目标缺陷识别的能力;然后,利用BiFormer注意力机制强化模型的抗干扰能力和解决缺陷背景复杂的难题,提高检测准确率;最后,使用MPDIoU损失函数调整,从而进一步提升检测的精准度。实验结果表明,所提出的算法的检测精度可以达到98.4%,模型大小缩减为2.797 MB,同时使每秒帧数(FPS)达到了169 f/s,成功地实现了对曲轴表面的缺陷检测。 展开更多
关键词 曲轴表面缺陷检测 repvit网络 BiFPN模块 BiFormer注意力机制 MPDIoU损失
在线阅读 下载PDF
基于改进YOLOv5s的烟梗物料目标检测算法 被引量：4
8
作者 吕佳铭 张峰 罗亚波 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2024年第12期2438-2446,共9页
在烟草生产线中烟梗输送下落过程中,存在背景信息干扰、目标数量多且形状不一、目标堆叠、下落速度过快等问题,传统图像处理算法难以解决.提出基于改进YOLOv5s的烟梗物料目标检测算法.对YOLOv5s网络的骨干和头部进行优化改进,显著提高... 在烟草生产线中烟梗输送下落过程中,存在背景信息干扰、目标数量多且形状不一、目标堆叠、下落速度过快等问题,传统图像处理算法难以解决.提出基于改进YOLOv5s的烟梗物料目标检测算法.对YOLOv5s网络的骨干和头部进行优化改进,显著提高检测精度,大幅缩小模型大小;将骨干网络优化为RepViT-m1结构,以提高信息提取的效率;采用重参数化技术,以更好地捕捉目标的特征,提高检测的精确性;引入基于注意力机制的目标检测头Dynamic Head,使模型更专注于潜在的目标区域,进一步提高检测精度.实验结果表明:在自建的烟梗数据集上,相较于原YOLOv5s模型,改进YOLOv5s模型的m AP@0.50为96.1%,提高了5.8个百分点;mAP@0.50∶0.95为94.7%,提高了5.7个百分点;模型大小为12.1 MB,减少了12.3%.模型可以为实时监控系统提供可靠且精确的支持. 展开更多
关键词 目标检测 YOLOv5s 烟梗检测 repvit 重参数化 注意力机制
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