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
可在TFT-LCD面板中实现多背景视觉细微缺陷检测的YOLO-DSM方法
1
作者
孔祥飞
王森
+1 位作者
赵林
陈明方
《中山大学学报(自然科学版)(中英文)》
北大核心
2025年第2期129-137,共9页
提出了一种基于YOLO-DSM深度学习图像检测模型。首先,在每个Dark模块后引入HMU模块,以提高TFT-LCD面板上目标缺陷的检测精度。将原始SPP替换为SSMA,使得网络更加关注背景低对比度目标。其次,引入DSM模块以帮助网络增强有用特征且抑制无...
提出了一种基于YOLO-DSM深度学习图像检测模型。首先,在每个Dark模块后引入HMU模块,以提高TFT-LCD面板上目标缺陷的检测精度。将原始SPP替换为SSMA,使得网络更加关注背景低对比度目标。其次,引入DSM模块以帮助网络增强有用特征且抑制无用特征,增强语义信息的集成。最后,用ODConv模块替换原始网络的下采样卷积,细化局部特征映射,实现局部缺陷特征的充分提取。在自制的TFT-LCD缺陷数据集中,与当前较为先进的算法进行对比。结果表明,YOLO-DSM网络在mAP精度方面达到了97.40%,且FPS达到了77.42帧,可满足TFT-LCD缺陷任务检测要求。
展开更多
关键词
视觉细微缺陷
YOLO-DSM
全维动态卷积
scse注意力机制
在线阅读
下载PDF
职称材料
改进YOLOv4的安全帽佩戴检测方法
被引量：
7
2
作者
李天宇
吴浩
+2 位作者
毛艳玲
田洋川
陈明举
《计算机工程与设计》
北大核心
2023年第8期2374-2381,共8页
由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检。为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4的安全帽检测网络SR_YOLO。采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块...
由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检。为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4的安全帽检测网络SR_YOLO。采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块组成特征增强模块,改进网络结构,分别提高对网络感受野信息的获取能力和对Neck网络的特征提取能力。利用Kmeans++算法对安全帽数据进行anchor尺寸优化,提高算法的检测准确率。实验结果表明,SR_YOLO的mAP为84.05%,较YOLOv4提高1.45%,每秒检测帧率为30 fps,能够实现安全帽佩戴情况的快速准确检测。
展开更多
关键词
安全帽佩戴检测
YOLOv4
空间金字塔池化层
特征增强模块
Res2
Net
scse注意力机制
Kmeans++
在线阅读
下载PDF
职称材料
改进U-Net的芯片粘接区空洞缺陷检测模型
3
作者
雷佳蕊
于春和
+2 位作者
文弋
刘岗岗
夏自金
《半导体技术》
2025年第8期843-850,共8页
为解决传统方法在陶瓷封装芯片粘接区缺陷检测中特征表达能力不足以及现有深度学习模型对微小缺陷敏感度低的问题,提出了一种基于U型网络架构(U-Net)的改进型VSCMU-Net语义分割模型。该模型以视觉几何组(VGG)网络为骨干,融合空间和通道...
为解决传统方法在陶瓷封装芯片粘接区缺陷检测中特征表达能力不足以及现有深度学习模型对微小缺陷敏感度低的问题,提出了一种基于U型网络架构(U-Net)的改进型VSCMU-Net语义分割模型。该模型以视觉几何组(VGG)网络为骨干,融合空间和通道压缩与激励(SCSE)注意力机制与多阶门控聚合(MOGA)模块,可有效提取缺陷的深层特征,实现了对微小缺陷的精准分割。实验中采用VSCMU-Net模型对粘接区域及空洞进行分割,结果表明,VSCMU-Net模型在键合区域和空隙分割方面表现出色。该模型平均交并比(mIoU)达92.21%,平均精确度均值(mAP)达95.86%,总体准确率(Accuracy)达99.11%,平均F1分数(mF1-score)达95.79%,均优于传统U-Net、DeepLabv3+、PSPNet和YOLOv8-seg模型,为半导体封装领域关键电子组件的品质保障提供了有力的技术支持。
展开更多
关键词
空洞
语义分割
缺陷检测
深度学习
空间和通道压缩与激励(
scse
)
注意力
机制
在线阅读
下载PDF
职称材料
题名
可在TFT-LCD面板中实现多背景视觉细微缺陷检测的YOLO-DSM方法
1
作者
孔祥飞
王森
赵林
陈明方
机构
昆明理工大学机电工程学院
河南中烟工业有限责任公司
出处
《中山大学学报(自然科学版)(中英文)》
北大核心
2025年第2期129-137,共9页
基金
国家自然科学基金(52065035)。
文摘
提出了一种基于YOLO-DSM深度学习图像检测模型。首先,在每个Dark模块后引入HMU模块,以提高TFT-LCD面板上目标缺陷的检测精度。将原始SPP替换为SSMA,使得网络更加关注背景低对比度目标。其次,引入DSM模块以帮助网络增强有用特征且抑制无用特征,增强语义信息的集成。最后,用ODConv模块替换原始网络的下采样卷积,细化局部特征映射,实现局部缺陷特征的充分提取。在自制的TFT-LCD缺陷数据集中,与当前较为先进的算法进行对比。结果表明,YOLO-DSM网络在mAP精度方面达到了97.40%,且FPS达到了77.42帧,可满足TFT-LCD缺陷任务检测要求。
关键词
视觉细微缺陷
YOLO-DSM
全维动态卷积
scse注意力机制
Keywords
visual micro-defects
YOLO-DSM
omni-dimensional dynamic convolution
spatial and channel squeeze&excitation
分类号
TP394.1 [自动化与计算机技术—计算机应用技术]
TH691.9 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
改进YOLOv4的安全帽佩戴检测方法
被引量：
7
2
作者
李天宇
吴浩
毛艳玲
田洋川
陈明举
机构
四川轻化工大学人工智能四川省重点实验室
四川轻化工大学自动化与信息工程学院
出处
《计算机工程与设计》
北大核心
2023年第8期2374-2381,共8页
基金
四川省科技厅基金项目(2020YFG0178、2021YFG0313)
人工智能四川省重点实验室基金项目(2019RYY01)
+1 种基金
企业信息化与物联网测控技术四川省高校重点实验室基金项目(2018WZY01、2019WZY02、2020WZY02)
大学生创新创业训练计划基金项目(cx2020160)。
文摘
由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检。为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4的安全帽检测网络SR_YOLO。采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块组成特征增强模块,改进网络结构,分别提高对网络感受野信息的获取能力和对Neck网络的特征提取能力。利用Kmeans++算法对安全帽数据进行anchor尺寸优化,提高算法的检测准确率。实验结果表明,SR_YOLO的mAP为84.05%,较YOLOv4提高1.45%,每秒检测帧率为30 fps,能够实现安全帽佩戴情况的快速准确检测。
关键词
安全帽佩戴检测
YOLOv4
空间金字塔池化层
特征增强模块
Res2
Net
scse注意力机制
Kmeans++
Keywords
safety helmet wearing test
YOLOv4
spatial pyramid pooling layer
feature enhancement module
Res2 Net
scse
attention mechanism
Kmeans++
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
改进U-Net的芯片粘接区空洞缺陷检测模型
3
作者
雷佳蕊
于春和
文弋
刘岗岗
夏自金
机构
沈阳航空航天大学电子信息工程学院
出处
《半导体技术》
2025年第8期843-850,共8页
文摘
为解决传统方法在陶瓷封装芯片粘接区缺陷检测中特征表达能力不足以及现有深度学习模型对微小缺陷敏感度低的问题,提出了一种基于U型网络架构(U-Net)的改进型VSCMU-Net语义分割模型。该模型以视觉几何组(VGG)网络为骨干,融合空间和通道压缩与激励(SCSE)注意力机制与多阶门控聚合(MOGA)模块,可有效提取缺陷的深层特征,实现了对微小缺陷的精准分割。实验中采用VSCMU-Net模型对粘接区域及空洞进行分割,结果表明,VSCMU-Net模型在键合区域和空隙分割方面表现出色。该模型平均交并比(mIoU)达92.21%,平均精确度均值(mAP)达95.86%,总体准确率(Accuracy)达99.11%,平均F1分数(mF1-score)达95.79%,均优于传统U-Net、DeepLabv3+、PSPNet和YOLOv8-seg模型,为半导体封装领域关键电子组件的品质保障提供了有力的技术支持。
关键词
空洞
语义分割
缺陷检测
深度学习
空间和通道压缩与激励(
scse
)
注意力
机制
Keywords
void
semantic segmentation
defect detection
deep learning
concurrent spatial and channel squeeze and excitation(
scse
)attention mechanism
分类号
TN407 [电子电信]
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
可在TFT-LCD面板中实现多背景视觉细微缺陷检测的YOLO-DSM方法
孔祥飞
王森
赵林
陈明方
《中山大学学报(自然科学版)(中英文)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
改进YOLOv4的安全帽佩戴检测方法
李天宇
吴浩
毛艳玲
田洋川
陈明举
《计算机工程与设计》
北大核心
2023
7
在线阅读
下载PDF
职称材料
3
改进U-Net的芯片粘接区空洞缺陷检测模型
雷佳蕊
于春和
文弋
刘岗岗
夏自金
《半导体技术》
2025
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
