检索结果-维普期刊中文期刊服务平台

基于轻量化YOLOv4的交通信息实时检测方法被引量：4: 1; 作者郭克友李雪杨民《计算机应用》 CSCD 北大核心 2023年第1期74-80,共7页; 针对日常道路场景下的车辆目标检测问题,提出一种轻量化的YOLOv4交通信息实时检测方法。首先,制作了一个多场景、多时段的车辆目标数据集,并利用K-means++算法对数据集进行预处理;其次,提出轻量化YOLOv4检测模型,利用MobileNet-v3替换YO... 展开更多; 关键词目标检测深度学习图像处理轻量化 yolov4; 在线阅读下载PDF 职称材料

基于改进YOLOv4的轻量化目标检测算法被引量：24: 2; 作者钟志峰夏一帆 +1 位作者周冬平晏阳天《计算机应用》 CSCD 北大核心 2022年第7期2201-2209,共9页; 针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数(FPS)低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3... 展开更多; 关键词目标检测轻量化网络 yolov4 MobileNetv3 加权双向特征金字塔网络; 在线阅读下载PDF 职称材料

基于Siamese-YOLOv4的印刷品缺陷目标检测被引量：9: 3; 作者楼豪杰郑元林 +2 位作者廖开阳雷浩李佳《计算机应用》 CSCD 北大核心 2021年第11期3206-3212,共7页; 在印刷工业生产中,针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题,提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先,使用了一种图像分割和随机参数变化的策略对数据集进行增强;然后,在主... 展开更多; 关键词印刷生产缺陷检测机器学习 yolov4 孪生网络; 在线阅读下载PDF 职称材料

基于密集连接卷积神经网络的道路车辆检测与识别算法被引量：6: 4; 作者邓天民冒国韬 +1 位作者周臻浩段志坚《计算机应用》 CSCD 北大核心 2022年第3期883-889,共7页; 针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题,提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法。首先,基于YOLOv4网络框架,通过采用密集连接的深度残差网络结构,加强特征提取阶段... 展开更多; 关键词智能交通道路车辆检测 yolov4 密集连接网络多尺度特征融合; 在线阅读下载PDF 职称材料

基于ADSS光缆弧垂的在线监测及环境隐患预警算法被引量：2: 5; 作者孔小红蒋陵 +4 位作者管翰林王驭扬张灿石伟伟陈乐《光通信技术》 2023年第4期79-84,共6页; 由于恶劣的自然环境和光缆本身弧度的变化会影响全介质自承式(ADSS)光缆传输效率,同时一些如施工或超高车辆及烟火等环境隐患也会严重威胁其正常运行,提出了基于ADSS光缆弧垂在线监测及环境隐患预警算法。首先,采用倾角测量法对弧度进... 展开更多; 关键词全介质自承式光缆 yolov4 弧垂监测; 在线阅读下载PDF 职称材料

题名基于轻量化YOLOv4的交通信息实时检测方法被引量：4: 1; 作者郭克友李雪杨民; 机构北京工商大学人工智能学院; 出处《计算机应用》 CSCD 北大核心 2023年第1期74-80,共7页; 文摘针对日常道路场景下的车辆目标检测问题,提出一种轻量化的YOLOv4交通信息实时检测方法。首先,制作了一个多场景、多时段的车辆目标数据集,并利用K-means++算法对数据集进行预处理;其次,提出轻量化YOLOv4检测模型,利用MobileNet-v3替换YOLOv4的主干网络,降低模型的参数量,并引入深度可分离卷积代替原网络中的标准卷积;最后,结合标签平滑和退火余弦算法,使用LeakyReLU激活函数代替MobileNet-v3浅层网络中原有的激活函数,从而优化模型的收敛效果。实验结果表明,轻量化YOLOv4的权值文件为56.4 MB,检测速率为85.6 FPS,检测精度为93.35%,表明所提方法可以为实际道路中的交通实时信息检测及其应用提供参考。; 关键词目标检测深度学习图像处理轻量化 yolov4; Keywords object detection deep learning image processing lightweight yolov4(you only look once version 4); 分类号 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YOLOv4的轻量化目标检测算法被引量：24: 2; 作者钟志峰夏一帆周冬平晏阳天; 机构湖北大学计算机与信息工程学院; 出处《计算机应用》 CSCD 北大核心 2022年第7期2201-2209,共9页; 基金湖北省技术创新专项(2018ACA13)。; 文摘针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数(FPS)低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络(Bi-FPN)结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值(mAP)达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。; 关键词目标检测轻量化网络 yolov4 MobileNetv3 加权双向特征金字塔网络; Keywords object detection lightweight network yolov4(you only look once version 4) MobileNetv3 Bi-FPN(weighted Bi-directional Feature Pyramid Network); 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

题名基于Siamese-YOLOv4的印刷品缺陷目标检测被引量：9: 3; 作者楼豪杰郑元林廖开阳雷浩李佳; 机构西安理工大学印刷包装与数字媒体学院陕西省印刷包装工程重点实验室; 出处《计算机应用》 CSCD 北大核心 2021年第11期3206-3212,共7页; 基金国家自然科学基金资助项目(61771386)。; 文摘在印刷工业生产中,针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题,提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先,使用了一种图像分割和随机参数变化的策略对数据集进行增强;然后,在主干网络中增加了孪生相似性检测网络,并在相似性检测网络中引入Mish激活函数来计算出图像块的相似度,在此之后将相似度低于阈值的区域作为缺陷候选区域;最后,训练候选区域图像,从而实现缺陷目标的精确定位与分类。实验结果表明:Siamese-YOLOv4模型的检测精度优于主流的目标检测模型,在印刷缺陷数据集上,Siamese-YOLOv4网络对卫星墨滴缺陷的检测准确率为98.6%,对脏点缺陷的检测准确率为97.8%,对漏印缺陷的检测准确率为93.9%;检测的平均精度均值(mAP)达到了96.8%,相较于YOLOv4算法、Faster R-CNN算法、SSD算法、EfficientDet算法分别提高了6.5个百分点、6.4个百分点、14.9个百分点、10.6个百分点。所提Siamese-YOLOv4模型一方面在印刷品缺陷检测中有较低的误检率和漏检率,另一方面通过相似性检测网络计算图像块的相似度从而提高了检测的精度,表明所提缺陷检测方法可应用于印刷质检以提高印刷企业的缺陷检测水平。; 关键词印刷生产缺陷检测机器学习 yolov4 孪生网络; Keywords printing production defect detection machine learning you only look once version 4(yolov4) Siamese network; 分类号 TP399 [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

题名基于密集连接卷积神经网络的道路车辆检测与识别算法被引量：6: 4; 作者邓天民冒国韬周臻浩段志坚; 机构重庆交通大学交通运输学院; 出处《计算机应用》 CSCD 北大核心 2022年第3期883-889,共7页; 基金国家重点研发计划项目(SQ2020YFF0418521) 中央引导地方科技发展专项(CSTC2020JSCX-DXWTB0003) 川渝联合实施重点研发项目(CSTC2020JSCX-CYLHX0007)。; 文摘针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题,提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法。首先,基于YOLOv4网络框架,通过采用密集连接的深度残差网络结构,加强特征提取阶段的特征复用,实现对浅层复杂度较低的特征的利用;然后,在多尺度特征融合网络引入跳跃连接结构,强化网络的特征信息融合和表征能力,以降低车辆漏检率;最后,采用维度聚类算法重新计算先验框尺寸,并按照合理的策略分配给不同检测尺度。实验结果表明,该算法在KITTI数据集上获得了98.21%的检测精度和48.05 frame/s的检测速度,对于BDD100K数据集中复杂恶劣环境中的车辆也有较好的检测效果,在满足实时检测要求的同时有效提升检测精度。; 关键词智能交通道路车辆检测 yolov4 密集连接网络多尺度特征融合; Keywords intelligent transportation road vehicle detection you only look once version 4(yolov4) densely connected network multiscale feature fusion; 分类号 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ADSS光缆弧垂的在线监测及环境隐患预警算法被引量：2: 5; 作者孔小红蒋陵管翰林王驭扬张灿石伟伟陈乐; 机构国网江苏省电力有限公司南京供电分公司江苏量为石科技股份有限公司; 出处《光通信技术》 2023年第4期79-84,共6页; 基金国网江苏省电力有限公司科技项目(项目编号:J2023074)资助。; 文摘由于恶劣的自然环境和光缆本身弧度的变化会影响全介质自承式(ADSS)光缆传输效率,同时一些如施工或超高车辆及烟火等环境隐患也会严重威胁其正常运行,提出了基于ADSS光缆弧垂在线监测及环境隐患预警算法。首先,采用倾角测量法对弧度进行实时监测;然后,对YOLOv4检测算法进行改进,并设计了可视化智能融合终端;最后,将所提算法与其它算法进行对比实验。实验结果表明:所提算法的平均精度为96.43%,实现了对通信光缆运行状态的实时监测、数据处理与故障分析和智能隐患异常报警,并集成融合为ADSS光缆在线监测可视化智能终端。; 关键词全介质自承式光缆 yolov4 弧垂监测; Keywords all dielectric self supporting optical cable you only look once version 4 sag monitor; 分类号 TN929.1 [电子电信—通信与信息系统]; 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	基于轻量化YOLOv4的交通信息实时检测方法	郭克友李雪杨民	《计算机应用》 CSCD 北大核心	2023	4	在线阅读下载PDF 职称材料
2	基于改进YOLOv4的轻量化目标检测算法	钟志峰夏一帆周冬平晏阳天	《计算机应用》 CSCD 北大核心	2022	24	在线阅读下载PDF 职称材料
3	基于Siamese-YOLOv4的印刷品缺陷目标检测	楼豪杰郑元林廖开阳雷浩李佳	《计算机应用》 CSCD 北大核心	2021	9	在线阅读下载PDF 职称材料
4	基于密集连接卷积神经网络的道路车辆检测与识别算法	邓天民冒国韬周臻浩段志坚	《计算机应用》 CSCD 北大核心	2022	6	在线阅读下载PDF 职称材料
5	基于ADSS光缆弧垂的在线监测及环境隐患预警算法	孔小红蒋陵管翰林王驭扬张灿石伟伟陈乐	《光通信技术》	2023	2	在线阅读下载PDF 职称材料