检索结果-维普期刊中文期刊服务平台

基于改进YOLOv8n模型的辣椒病害检测方法被引量：2: 1; 作者李芳危疆树 +2 位作者王玉超张尧谢宇鑫《江苏农业学报》北大核心 2025年第2期323-334,共12页; 为了解决辣椒病害检测速度慢,漏检率和误检率高的问题,本研究以YOLOv8n为基线模型,引入Adown下采样模块替代原模型骨干网络(Backbone)的卷积下采样层,引入SlimNeck模块将原模型颈部网络中的卷积层和特征聚合模块(C2f)替换为混合卷积模块... 展开更多; 关键词辣椒病害 yolov8n模型目标检测 Adown下采样模块 Slimneck模块 Aux Head检测头; 在线阅读下载PDF 职称材料

基于改进YOLOv8n的手机屏幕瑕疵检测算法:PGS-YOLO 被引量：2: 2; 作者周思瑜徐慧英 +4 位作者朱信忠黄晓盛轲曹雨淇陈晨《计算机工程》北大核心 2025年第5期326-339,共14页; 手机屏幕作为人机交互的主窗口,已成为影响用户体验和终端整体性能的重要因素。因此,市场对解决手机屏幕瑕疵的需求日益增长。为满足这一需求,针对在手机屏幕瑕疵检测过程中存在检测精度低、小目标瑕疵漏检率高与检测速度慢的情况,提出... 展开更多; 关键词 yolov8n模型手机屏幕瑕疵检测小目标检测部分卷积 GhostnetV2轻量化模块挤压增强轴向注意力; 在线阅读下载PDF 职称材料

基于YOLOv8n改进的水稻病害轻量化检测被引量：3: 3; 作者郭丽峰黄俊杰 +5 位作者吴禹竺王思吉王轶哲包羽健苏中滨刘宏新《农业工程学报》北大核心 2025年第8期156-164,共9页; 为解决水稻病害检测中存在的小目标特征提取困难、复杂环境下检测精度不高的问题以及在边缘化设备上实现高效实时检测,该研究提出了一种轻量化水稻病害识别方法YOLOv8-DiDL。该方法通过引入倒残差移动模块(inverted residual mobile blo... 展开更多; 关键词水稻病害目标检测 yolov8n改进模型卷积神经网络模型轻量化设计; 在线阅读下载PDF 职称材料

一种基于改进YOLOv8n的蜗杆表面缺陷检测方法: 4; 作者张豪杰郑鹏 +2 位作者乔王威王明基李季村《机床与液压》北大核心 2025年第16期10-17,共8页; 小模数蜗杆是工业中常用的机械零件,但其表面结构复杂且几何尺寸较小,导致表面缺陷检测难度大,检测精度和效率均较低。为解决这一问题,提出一种基于改进YOLOv8n模型的蜗杆表面缺陷检测方法。针对蜗杆的缺陷特点和材料特性,设计图像采集... 展开更多; 关键词小模数蜗杆缺陷检测改进yolov8n模型注意力机制损失函数; 在线阅读下载PDF 职称材料

改进YOLOv8的城市车辆目标检测算法: 5; 作者许德刚王双臣 +1 位作者尹柯栋王再庆《计算机工程》北大核心 2025年第11期377-391,共15页; 为了解决城市车辆目标检测算法中存在检测效果差、误检漏检率高、泛化能力弱的问题,提出一种改进YOLOv8的城市车辆目标检测算法。首先,在主干网络尾部融入高效多尺度注意力(EMA)机制,有助于模型更好地捕捉目标车辆的细节特征,结合160... 展开更多; 关键词车辆目标检测 yolov8n模型注意力机制轻量化加权交并比损失函数; 在线阅读下载PDF 职称材料

题名基于改进YOLOv8n模型的辣椒病害检测方法被引量：2: 1; 作者李芳危疆树王玉超张尧谢宇鑫; 机构四川农业大学信息工程学院四川农业大学机电学院; 出处《江苏农业学报》北大核心 2025年第2期323-334,共12页; 基金四川省科技厅关键技术攻关项目(22ZDYF0095)。; 文摘为了解决辣椒病害检测速度慢,漏检率和误检率高的问题,本研究以YOLOv8n为基线模型,引入Adown下采样模块替代原模型骨干网络(Backbone)的卷积下采样层,引入SlimNeck模块将原模型颈部网络中的卷积层和特征聚合模块(C2f)替换为混合卷积模块(GSConv)和跨阶段部分网络(VoVGSCSP)模块,并利用辅助训练头Aux Head(Auxiliary head)融合原有的检测头,构建改进的YOLOv8n模型(YOLOv8n-ATA模型)。最后利用辣椒炭疽病、褐斑病、脐腐病和细菌性叶斑病等4种病害影像数据集对改进后的模型性能进行分析。结果表明,改进后模型的浮点计算量和模型大小比原YOLOv8n模型增加19.5%和10.2%,但模型对辣椒病害的识别精确率、平均精度均值mAP_(50)和mAP_(50∶95)分别提升2.6个百分点、2.9个百分点和2.9个百分点,同时每1 s传输帧数增加15.1%。因此,改进后的模型能够对辣椒病害进行有效识别,较好实现模型识别准确度与效率的平衡。; 关键词辣椒病害 yolov8n模型目标检测 Adown下采样模块 Slimneck模块 Aux Head检测头; Keywords chili diseases yolov8n model target detection Adown downsampling module Slimneck module Aux Head; 分类号 S24 [农业科学—农业电气化与自动化] TP391.4 [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

题名基于改进YOLOv8n的手机屏幕瑕疵检测算法:PGS-YOLO 被引量：2: 2; 作者周思瑜徐慧英朱信忠黄晓盛轲曹雨淇陈晨; 机构浙江师范大学计算机科学与技术学院浙江师范大学教育学院; 出处《计算机工程》北大核心 2025年第5期326-339,共14页; 基金国家自然科学基金(61976196) 浙江省自然科学基金重点项目(LZ22F030003) 国家级大学生创新创业训练计划项目创新训练重点项目(202310345042)。; 文摘手机屏幕作为人机交互的主窗口,已成为影响用户体验和终端整体性能的重要因素。因此,市场对解决手机屏幕瑕疵的需求日益增长。为满足这一需求,针对在手机屏幕瑕疵检测过程中存在检测精度低、小目标瑕疵漏检率高与检测速度慢的情况,提出一种以YOLOv8n作为基准模型的PGS-YOLO算法。PGS-YOLO通过增加一个专门的微小目标检测头,并结合SeaAttention注意力模块,有效提升对小目标的探测能力;将骨干网络和特征融合网络分别融入PConv与GhostNetV2轻量化模块,在保证精度的同时降低模型的参数量,提高瑕疵检测的速度与效率。实验结果表明,在北京大学手机屏幕表面瑕疵数据集中,相较于YOLOv8n,PGS-YOLO算法的mAP@0.5提升了2.5百分点,mAP@0.5∶0.95提升了2.2百分点,在手机屏幕瑕疵检测过程中不仅能对大片的瑕疵做到精准检测,还能对小瑕疵保持一定的准确度。此外,检测性能优于YOLOv5n、YOLOv8s等大部分YOLO系列算法。同时,参数量仅为2.0×10^(6),小于YOLOv8n,满足工业场景对手机屏幕瑕疵检测的需求。; 关键词 yolov8n模型手机屏幕瑕疵检测小目标检测部分卷积 GhostnetV2轻量化模块挤压增强轴向注意力; Keywords yolov8n model mobile phone screen defect detection small target detection partial convolution GhostnetV2 lightweight module squeeze enhances axial attention; 分类号 TP181 [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

题名基于YOLOv8n改进的水稻病害轻量化检测被引量：3: 3; 作者郭丽峰黄俊杰吴禹竺王思吉王轶哲包羽健苏中滨刘宏新; 机构东北农业大学工程学院东北农业大学电信学院农业农村部东北智慧农业技术重点实验室宿迁学院机电工程学院; 出处《农业工程学报》北大核心 2025年第8期156-164,共9页; 基金黑龙江省高校协同创新成果项目(LJGXCG2022-031,LJGXCG2023-053)。; 文摘为解决水稻病害检测中存在的小目标特征提取困难、复杂环境下检测精度不高的问题以及在边缘化设备上实现高效实时检测,该研究提出了一种轻量化水稻病害识别方法YOLOv8-DiDL。该方法通过引入倒残差移动模块(inverted residual mobile block,iRMB)增强小目标特征捕捉能力,采用变形卷积模块DCNv2(deformable convolutional networks)优化目标几何变化适应性,结合采样算子DySample(dynamic sample)算法提升复杂环境适应能力,并改进快速空间金字塔池化模块(spatial pyramid pooling fast,SPPF)为大核分离卷积注意力模块(large separable kernel attention,LSKA)增强多尺度特征融合。试验结果表明,改进的YOLOv8-DiDL模型准确率、召回率和平均精度均值分别为91.4%、83.5%、90.8%;与原始基础网络YOLOv8n相比分别提升7.0、0.5、2.5个百分点,模型权重降低9.7%,每秒浮点运算次数提升7.4%。该研究通过改进模型显著提高了水稻病害检测的精度和部署效率,为智能化农业的实时病害监测提供了技术基础。; 关键词水稻病害目标检测 yolov8n改进模型卷积神经网络模型轻量化设计; Keywords rice diseases object detection yolov8n improved model convolutional neural networks model lightweight design; 分类号 TP391 [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

题名一种基于改进YOLOv8n的蜗杆表面缺陷检测方法: 4; 作者张豪杰郑鹏乔王威王明基李季村; 机构郑州大学机械与动力工程学院南京中船绿洲机器有限公司; 出处《机床与液压》北大核心 2025年第16期10-17,共8页; 基金河南省自然科学基金项目(242300420014)。; 文摘小模数蜗杆是工业中常用的机械零件,但其表面结构复杂且几何尺寸较小,导致表面缺陷检测难度大,检测精度和效率均较低。为解决这一问题,提出一种基于改进YOLOv8n模型的蜗杆表面缺陷检测方法。针对蜗杆的缺陷特点和材料特性,设计图像采集装置。通过引入C2fCIB模块,有效降低YOLOv8n模型的参数量和计算复杂度;结合高效通道注意力(ECA)机制,在不增加模型规模的前提下提升特征提取能力。此外,引入Focaler-CIoU损失函数,有效缓解困难样本与简单样本分布不平衡的问题,进一步提高检测精度。最终,通过继续训练方法优化模型。实验结果表明:该方法在检测精度、mAP@50、FPS等方面均优于现有主流算法,检测精度达到91.4%,mAP@50达到91.8%,FPS达到191.6,参数量和浮点运算次数分别为2.79×10^(6)和7.9×10^(9),基本能够满足工业实际应用需求。; 关键词小模数蜗杆缺陷检测改进yolov8n模型注意力机制损失函数; Keywords small module worm gear defect detection improved yolov8n model attention mechanism loss function; 分类号 TH132.44 [机械工程—机械制造及自动化] 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

题名改进YOLOv8的城市车辆目标检测算法: 5; 作者许德刚王双臣尹柯栋王再庆; 机构河南工业大学信息科学与工程学院河南工业大学粮食信息处理与控制教育部重点实验室湖南工程学院计算机与通信学院; 出处《计算机工程》北大核心 2025年第11期377-391,共15页; 基金国家重点研发计划(2017YFD0401003-4) 湖南省自然科学基金(2021JJ50114)。; 文摘为了解决城市车辆目标检测算法中存在检测效果差、误检漏检率高、泛化能力弱的问题,提出一种改进YOLOv8的城市车辆目标检测算法。首先,在主干网络尾部融入高效多尺度注意力(EMA)机制,有助于模型更好地捕捉目标车辆的细节特征,结合160×160像素尺寸的小目标检测层来加强对小目标的检测能力,通过维度交互进一步聚合像素级特征,增强对目标车辆的挖掘能力。其次,为轻量化网络设计了一种多尺度轻量化卷积(MLConv)模块,并基于MLConv重构了C2f模块,提高模型的特征提取能力。最后,为抑制低质量图像产生的有害梯度,采用WIoU损失函数替代完全交并比(CIoU)损失函数,优化网络的边界框损失,提升模型的收敛速度和回归精度。在Streets车辆数据集上进行验证,结果表明,改进算法的mAP@0.5、mAP@0.5∶0.95和召回率相较于基准模型YOLOv8n分别提升了1.9、1.4和2.4百分点。在国内车辆数据集和VisDrone2019小目标数据集上进行验证,改进算法的各项性能指标都有不同程度的提升,充分证明了改进算法具有良好的泛化性和鲁棒性。与其他主流算法相比,改进算法同样表现出了更高的准确率和召回率,表明该算法对于城市车辆目标检测具有更好的性能。; 关键词车辆目标检测 yolov8n模型注意力机制轻量化加权交并比损失函数; Keywords vehicle target detection yolov8n model attention mechanism lightweight Wise-Intersection over Union(WIoU)loss function; 分类号 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	作者	出处	发文年	被引量	操作
1	基于改进YOLOv8n模型的辣椒病害检测方法	李芳危疆树王玉超张尧谢宇鑫	《江苏农业学报》北大核心	2025	2	在线阅读下载PDF 职称材料
2	基于改进YOLOv8n的手机屏幕瑕疵检测算法:PGS-YOLO	周思瑜徐慧英朱信忠黄晓盛轲曹雨淇陈晨	《计算机工程》北大核心	2025	2	在线阅读下载PDF 职称材料
3	基于YOLOv8n改进的水稻病害轻量化检测	郭丽峰黄俊杰吴禹竺王思吉王轶哲包羽健苏中滨刘宏新	《农业工程学报》北大核心	2025	3	在线阅读下载PDF 职称材料
4	一种基于改进YOLOv8n的蜗杆表面缺陷检测方法	张豪杰郑鹏乔王威王明基李季村	《机床与液压》北大核心	2025	0	在线阅读下载PDF 职称材料
5	改进YOLOv8的城市车辆目标检测算法	许德刚王双臣尹柯栋王再庆	《计算机工程》北大核心	2025	0	在线阅读下载PDF 职称材料