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10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YOLOv5s的白酒摘酒酒度检测方法
1
作者 王泷 纪元霞 +2 位作者 吴红刚 杨润玲 鲁绍坤 《食品与机械》 北大核心 2025年第7期65-71,共7页
[目的]提高白酒的质量和产量,实现摘酒酒度的高效精准检测,建立改进YOLOv5s的白酒摘酒酒度模型。[方法]结合YOLOv5s模型的自动提取特征,利用ShuffleNetV2轻量化模块替换原始模型中的特征提取模块,减少模型层级结构,使模型更加轻量化;在... [目的]提高白酒的质量和产量,实现摘酒酒度的高效精准检测,建立改进YOLOv5s的白酒摘酒酒度模型。[方法]结合YOLOv5s模型的自动提取特征,利用ShuffleNetV2轻量化模块替换原始模型中的特征提取模块,减少模型层级结构,使模型更加轻量化;在特征提取部分添加CBAM双通道注意力机制,提取不同维度的特征信息;使用SIOU损失函数替换原始模型的损失函数;构建一个基于YOLOv5s改进模型的白酒酒度检测方法。[结果]改进后的模型准确率为91.9%,模型大小为6.7 MB,召回率和平均精度均值分别为89.3%和96.3%,较原始YOLOv5s模型分别提升了10.3%和12.3%;与当前主流的YOLOv3、YOLOv5m和YOLOv8等模型相比,平均精度均值分别提升了44.3%,9.3%,13.1%。[结论]试验提出的YOLOv5s改良模型对白酒摘酒酒度检测具有较高的准确率。 展开更多
关键词 摘酒 YOLOv5s 酒度 CBAM注意力机制 siou损失函数 ShuffleNetV2轻量化模型
在线阅读 下载PDF
基于级联式逆残差网络的游戏图像多模态目标精准辨识研究
2
作者 刘建志 《现代电子技术》 北大核心 2025年第13期57-61,共5页
游戏中的目标具有复杂的形状、颜色、纹理等特征,而且目标会出现在不同的视角、尺度和姿态下,这些都增加了目标辨识的难度。级联式逆残差网络能够强化目标的多维特征,即使在目标存在遮挡、变形等情况下也能有效识别目标,为此文中提出一... 游戏中的目标具有复杂的形状、颜色、纹理等特征,而且目标会出现在不同的视角、尺度和姿态下,这些都增加了目标辨识的难度。级联式逆残差网络能够强化目标的多维特征,即使在目标存在遮挡、变形等情况下也能有效识别目标,为此文中提出一种基于级联式逆残差网络的游戏图像多模态目标精准辨识方法。构建由卷积层和基于深度可分离卷积设计的级联逆残差模块构成的主干网络,利用该网络初步提取输入的游戏图像特征,通过通道重排操作加强通道间信息交流,采用特征加强网络对主干网络学习到的特征图作上采样,结合多通道特征融合实现多模态目标特征的提取,通过可实现分类和回归任务的预测网络输出目标位置、方向等信息,从而实现游戏图像多模态目标精准辨识。实验结果表明,该方法可实现游戏图像角色、文字、场景元素等目标的辨识,训练损失仅为0.05左右、F_(1)-score指标达到0.967,游戏图像多模态目标辨识效果好。 展开更多
关键词 逆残差 游戏图像 多模态 通道重排 siou损失函数 目标辨识 卷积层 目标位置
在线阅读 下载PDF
低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法 被引量：12
3
作者 章赛 纪凡 +5 位作者 卢才武 江松 李萌 刘力 刘迪 朱兴攀 《安全与环境学报》 CAS CSCD 北大核心 2024年第3期952-961,共10页
为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将... 为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero_DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks,FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的YOLOX模型相比,其精度分别提高了0.64百分点、0.84百分点、1百分点、1.29百分点和0.76百分点,速度分别提高了0.5帧/s、0.4帧/s、0.3帧/s、0.2帧/s和0.4帧/s。所提出的方法能实现地下煤矿井下无人电机车轨道障碍物的快速准确检测,并为地下矿运输设备的智能化升级及安全运行提供理论支撑。 展开更多
关键词 安全工程 井下无人电机车 目标检测 CBAM注意力机制 siou损失函数
在线阅读 下载PDF
基于轻量化YOLOv5的交通标志检测 被引量：3
4
作者 张震 王晓杰 +1 位作者 晋志华 马继骏 《郑州大学学报（工学版）》 CAS 北大核心 2024年第2期12-19,共8页
为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU... 为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。 展开更多
关键词 交通标志检测 轻量化YOLOv5 siou损失函数 Ghost卷积 TT100K BiFPN
在线阅读 下载PDF
基于LWN-Net的印刷电路板缺陷检测算法 被引量：7
5
作者 文斌 胡晖 杨超 《计算机集成制造系统》 EI CSCD 北大核心 2024年第2期496-507,共12页
针对现阶段印刷电路板缺陷检测任务中网络精度低、速度慢、模型参数量大的问题,提出基于改进YOLOv3的轻量级权重新型网络(LWN-Net),并提出轻量级特征增强网络作为模型的特征提取网络,解决YOLOv3中主干网络Darknet53参数量过多的问题。... 针对现阶段印刷电路板缺陷检测任务中网络精度低、速度慢、模型参数量大的问题,提出基于改进YOLOv3的轻量级权重新型网络(LWN-Net),并提出轻量级特征增强网络作为模型的特征提取网络,解决YOLOv3中主干网络Darknet53参数量过多的问题。考虑到特征提取过程中语义信息和位置信息不平衡会导致检测精度降低,构建权重聚合分配机制消除不平衡,以提高模型特征提取能力。提出新型特征金字塔网络,增强网络对细节信息的提取能力并降低信息冗余度。采用回归损失函数SIoU加快模型的收敛速度并提高检测精度。结果表明,相比YOLOv3,LWN-Net网络的模型规模压缩了87.5%,而检测速度提升了8.32帧·s^(-1),预测精度和召回率分别提升了0.88%和1.6%。该网络的提出为印刷电路板的缺陷检测问题提供了一种更高效的方法。 展开更多
关键词 PCB缺陷检测 YOLOv3 轻量级 siou损失函数
在线阅读 下载PDF
基于MES−YOLOv5s的综采工作面大块煤检测算法 被引量：6
6
作者 徐慈强 贾运红 田原 《工矿自动化》 CSCD 北大核心 2024年第3期42-47,141,共7页
综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主... 综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。 展开更多
关键词 综采工作面 目标检测 大块煤检测 YOLOv5s MobileNetV3 高效多尺度注意力模块 siou损失函数
在线阅读 下载PDF
改进YOLOv5识别复杂环境下棉花顶芽 被引量：17
7
作者 彭炫 周建平 +1 位作者 许燕 席光泽 《农业工程学报》 EI CAS CSCD 北大核心 2023年第16期191-197,共7页
为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与S... 为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。 展开更多
关键词 作物 图像识别 小目标检测 YOLOv5s siou损失函数 CPP-CBAM注意力机制 棉花打顶
在线阅读 下载PDF
改进YOLOv5的路面裂缝检测模型研究 被引量：2
8
作者 沈思远 华蓓 黄汝维 《电子测量技术》 北大核心 2023年第21期132-142,共11页
针对传统的路面裂缝检测方式耗时耗力、成本高、主观性强等问题,提出了一种基于YOLOv5的路面裂缝检测模型YOLOv5-Crack。首先在主干部分处引入坐标注意力机制并优化成CA-plus结构以提高裂缝特征关注度;其次提出一种全新的特征融合网络ES... 针对传统的路面裂缝检测方式耗时耗力、成本高、主观性强等问题,提出了一种基于YOLOv5的路面裂缝检测模型YOLOv5-Crack。首先在主干部分处引入坐标注意力机制并优化成CA-plus结构以提高裂缝特征关注度;其次提出一种全新的特征融合网络ESPP,降低部分计算量的同时提升特征融合能力;然后,在颈部网络中使用重影混洗卷积替代传统卷积,尽可能保持通道语义信息的同时降低计算成本;最后,整体引入SIoU损失函数提升回归精度。为验证改进模型YOLOv5-Crack的有效性,在数据集GRDDC 2020上进行对比实验,结果表明其F1分数分别为58.43%和58.21%,与原YOLOv5模型相比分别提升了4.05%和3.93%,并且降低了7.8 GFLOPs的计算量,FPS达到37.9,有效解决了路面裂缝检测的弊端;同时与主流目标检测算法相比,所提出的YOLOv5-Crack模型在路面裂缝检测方面更具有优越性。 展开更多
关键词 路面裂缝 坐标注意力机制 ESPP结构 重影混洗卷积 siou损失函数
在线阅读 下载PDF
基于YOLOv5-DSC的漂浮物目标检测 被引量：2
9
作者 刘尧兵 张建杰 +1 位作者 刘丹 徐鸿哲 《现代电子技术》 2023年第22期144-150,共7页
针对河道漂浮物检测识别困难的问题,提出一种改进型的检测识别网络YOLOv5-DSC。首先,在YOLOv5骨干网络中加入无参数注意力机制SimAM,在不增加模型参数的情况下,提高模型的特征提取能力;其次,在特征融合网络中使用基于深度可分离卷积(DSC... 针对河道漂浮物检测识别困难的问题,提出一种改进型的检测识别网络YOLOv5-DSC。首先,在YOLOv5骨干网络中加入无参数注意力机制SimAM,在不增加模型参数的情况下,提高模型的特征提取能力;其次,在特征融合网络中使用基于深度可分离卷积(DSC)的DSCSP结构,减少模型的计算量;最后,采用SIoU损失函数代替原YOLOv5网络模型中的CIoU损失函数。SIoU损失函数重新定义了回归距离损失,加快了网络的收敛速度。在漂浮物数据集上进行了实验验证,结果表明,YOLOv5-DSC平均精度均值达到了98.5%,检测速度为145 f/s。 展开更多
关键词 YOLOv5 深度可分离卷积 漂浮物检测 目标检测 注意力机制 siou损失函数
在线阅读 下载PDF
基于概率两阶段CenterNet2的林火图像预警检测方法 被引量：1
10
作者 李宝民 王小鹏 +1 位作者 孙茜容 张军平 《计算机工程与科学》 CSCD 北大核心 2023年第10期1884-1890,共7页
森林火灾的及时预警对于森林保护有着至关重要的作用,由于林中烟火背景复杂、干扰因素较多,检测精度和效率均会受到影响。为此提出了一种基于CenterNet2的林火图像检测方法,采用轻量级主干网络VoVNetV2结合非对称卷积核来提高特征提取... 森林火灾的及时预警对于森林保护有着至关重要的作用,由于林中烟火背景复杂、干扰因素较多,检测精度和效率均会受到影响。为此提出了一种基于CenterNet2的林火图像检测方法,采用轻量级主干网络VoVNetV2结合非对称卷积核来提高特征提取能力和检测速度,同时在加权双向特征金字塔网络中引入注意力机制eSE进行特征融合,提高小目标检测精度,最后采用SIoU损失函数提升目标框回归效果。仿真实验结果表明,该方法能够较准确地进行实时林火检测,且漏报率低。 展开更多
关键词 森林火灾 非对称卷积核 注意力机制 siou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