基于深度学习的土壤学文献图形数值抽取技术框架初步构建

1

作者 刘杰 马海艺 +3 位作者 郭志英 郏梦思 王昌昆 潘贤章 《土壤》 北大核心 2025年第2期445-451,共7页

针对土壤学文献中图形数值抽取效率低的问题,本文提出了基于深度学习的图形数值抽取技术框架。首先,对土壤学文献图形中常见要素及其表示符号进行梳理,并收集相关图形进行标注,形成训练数据集;然后,利用基于全局图像信息的YOLOv8模型,... 针对土壤学文献中图形数值抽取效率低的问题,本文提出了基于深度学习的图形数值抽取技术框架。首先,对土壤学文献图形中常见要素及其表示符号进行梳理,并收集相关图形进行标注,形成训练数据集;然后,利用基于全局图像信息的YOLOv8模型,通过多轮迭代优化训练适合于土壤学文献图形要素的识别模型;最后,研发图像坐标到数值坐标的转换算法,实现二维散点和柱状图数值的自动提取。经独立样本检验,所训练的模型可有效识别文献中的图形要素,且解算的数值与手工提取结果高度吻合(线性回归决定系数R^(2)大于0.99)。据此,本文构建的基于深度学习的图形数值抽取技术框架具有较强的可行性,为土壤学文献中图形数据进一步利用提供了一种新途径。 展开更多

关键词 深度学习 土壤学文献 图形要素识别 数值提取 YOLO v8

在线阅读 下载PDF 职称材料

深度卷积神经网络在辐射环境下核废料检测中的应用 被引量：1

2

作者 向伟 史晋芳 +1 位作者 刘桂华 徐锋 《强激光与粒子束》 EI CAS CSCD 北大核心 2019年第11期135-140,共6页

针对辐射环境下核废料检测准确率低的问题,提出一种基于深度卷积神经网络的辐射环境下核废料检测算法Dense-Dilated-YOLO V3。实验结果表明,Dense-Dilated-YOLO V3在不增加参数的情况下扩大了网络感受野,也有效避免图像信息的损失,同时... 针对辐射环境下核废料检测准确率低的问题,提出一种基于深度卷积神经网络的辐射环境下核废料检测算法Dense-Dilated-YOLO V3。实验结果表明,Dense-Dilated-YOLO V3在不增加参数的情况下扩大了网络感受野,也有效避免图像信息的损失,同时能够在核辐射环境下提取到更多的目标细节特征,对辐射环境下目标检测的准确率可达93.29%,比原算法提高5.53%,召回率可达91.73%,提高了8.28%,有效解决了复杂辐射环境下核废料检测准确率低的问题,为辐射环境下核废料检测提供了新的途径。 展开更多

关键词 深度学习 卷积神经网络 YOLO v3 核废料 目标检测

在线阅读 下载PDF 职称材料

改进YOLOv8n的复杂环境下垃圾轻量化检测

3

作者 孙世政 何玲玲 +1 位作者 郑帅 何泽银 《光学精密工程》 北大核心 2025年第12期1984-1998,共15页

针对复杂环境下垃圾检测模型参数量大以及存在误检和漏检等问题,本文提出了基于改进YOLOv8n的轻量化垃圾检测模型。首先,提出一种MobileNet V3_ECA轻量级网络结构作为YOLOv8n的骨干网络,提升模型对垃圾特征区域的表达能力,同时减少模型... 针对复杂环境下垃圾检测模型参数量大以及存在误检和漏检等问题,本文提出了基于改进YOLOv8n的轻量化垃圾检测模型。首先,提出一种MobileNet V3_ECA轻量级网络结构作为YOLOv8n的骨干网络,提升模型对垃圾特征区域的表达能力,同时减少模型参数量;其次,在骨干网络引入上下文锚点注意力机制,增强模型对垃圾特征的提取能力;然后,在颈部网络采用全维动态卷积替换标准卷积,细化局部特征映射,实现垃圾局部细粒度特征的融合能力;最后,采用WIoU v3边界损失函数提升网络边界框回归性能。在自建复杂背景下的垃圾数据集进行模型验证实验,改进后模型相比原YOLOv8n,mAP@0.5提升了1.1%,检测速度FPS提高11.7%,参数量Params、模型大小Size和浮点运算量FLOPs分别降低了70.8%,66.1%和70.7%。实验结果表明,本文改进模型能有效提升检测精度并显著降低模型复杂度,对模型部署与应用至边缘端检测装备具有重要的工程意义。 展开更多

关键词 垃圾检测 轻量化 MobileNet v3_ECA YOLOv8n 深度学习

在线阅读 下载PDF 职称材料

基于深度学习的草莓成熟度检测方法

4

作者 鲍宜帆 张一丹 +1 位作者 樊彩霞 刘胜 《江苏农业科学》 北大核心 2025年第5期89-94,共6页

针对草莓成熟度检测自动化和精确性低的问题,提出一种基于改进的YOLO v8模型的检测方法。首先,通过现场拍摄和网络爬虫技术建立涵盖多种成熟度状态的草莓数据集,为后续模型的训练和验证提供坚实的基础。其次,对YOLO v8模型进行多方面改... 针对草莓成熟度检测自动化和精确性低的问题,提出一种基于改进的YOLO v8模型的检测方法。首先,通过现场拍摄和网络爬虫技术建立涵盖多种成熟度状态的草莓数据集,为后续模型的训练和验证提供坚实的基础。其次,对YOLO v8模型进行多方面改进,引入DCN v3模块设计的DCN v3-backbone,以增强模型对不同成熟度草莓特征的提取能力。该模块能够动态调整卷积核的形状和位置,使得模型在处理具有复杂形变的草莓图像时表现更佳。同时,为优化边界框的精确定位,采用MDPIoU损失函数。与传统的损失函数相比,MDPIoU能够更好地处理目标边界框的定位问题,提高检测精度。在检测头部分,加入了EMA注意力机制,以进一步提升模型对关键特征的提取能力。EMA注意力机制通过动态调整权重,突出显示重要的图像区域,从而提高了模型的检测性能。通过在验证集上的测试,全面评估了改进模型的性能。结果显示,改进后的模型准确率为84.91%,召回率为82.75%,平均精度均值为87.47%,相比原模型分别提升3.34、8.43、3.55百分点,说明改进模型在草莓成熟度检测任务中具有很高的有效性和实用性。因此,该研究方法不仅为草莓成熟度的自动化检测提供了新的技术路径,也为其他农产品的相似应用提供了借鉴和扩展。 展开更多

关键词 深度学习 草莓成熟度 YOLO v8 DCN v3 MDPIoU损失函数 EMA注意力机制

在线阅读 下载PDF 职称材料

改进YOLOv8n的林业害虫检测方法 被引量：1

5

作者 陈万志 袁航 《北京林业大学学报》 北大核心 2025年第2期119-131,共13页

【目的】针对现有林业害虫检测方法检测速度慢,检测类别少,小目标害虫检测效果差等问题,提出了一种改进YOLOv8n的林业害虫检测方法。【方法】首先,采用高效多尺度级联注意力特征提取网络EfficientViT作为改进模型的主干网络,降低计算复... 【目的】针对现有林业害虫检测方法检测速度慢,检测类别少,小目标害虫检测效果差等问题,提出了一种改进YOLOv8n的林业害虫检测方法。【方法】首先,采用高效多尺度级联注意力特征提取网络EfficientViT作为改进模型的主干网络,降低计算复杂度,提高检测速度;其次,通过构建多尺度自适应特征融合模块DA-C2F提升模型在复杂背景下害虫目标的聚焦能力和识别精度,此外新增的小目标检测头XSH能够进一步提升小目标害虫的检测能力;最后,采用基于最小点距离交并比损失函数MPDIoU作为模型的边界框损失,提升网络收敛速度,进一步增强害虫目标的定位准确率。【结果】改进模型的检测精确率、召回率、平均精度、平均精度均值(mAP50-95)和F_(1)分数分别达到98.6%、95.7%、98.3%、85.6%和0.979,前4者较原模型分别提升了3.9、2.6、2.8、2.5个百分点,F_(1)分数提升了4.4%;检测速度(帧率)达到了95帧/秒,提升了15.9%,优于更轻量级的模型。此外,对比其他检测模型,改进模型对飞蛾类害虫的检测精确率提升了11.2个百分点,并且两种独立飞蛾害虫综合检测的表现也更为优异。【结论】本研究提出的方法对于林业害虫的检测准确度更高,检测速度更快,且对多类别害虫的检测精度更高,改进模型的泛化能力更强。 展开更多

关键词 深度学习 卷积神经网络(CNN) 林业害虫检测 YOLOv8n 多尺度级联注意力特征提取网络 多尺度自适应特征融合 小目标检测头

在线阅读 下载PDF 职称材料

基于改进YOLOv8算法的西红柿自动采摘识别系统

6

作者 熊天赐 何乐阳 +1 位作者 朱洪浩 侯勇 《数字农业与智能农机》 2025年第2期26-31,共6页

采摘机器人可以提升效率降低成本。多数采摘机器人使用YOLOv5/v7算法,但这些算法在识别成熟度上有局限,易误采。为此,基于YOLOv8算法并对其进行改进,可以提高成熟度识别准确性,通过对由西红柿制成的数据集为样本进行实验分析,实验结果... 采摘机器人可以提升效率降低成本。多数采摘机器人使用YOLOv5/v7算法,但这些算法在识别成熟度上有局限,易误采。为此,基于YOLOv8算法并对其进行改进,可以提高成熟度识别准确性,通过对由西红柿制成的数据集为样本进行实验分析,实验结果采用混淆矩阵、精确置信曲线、F1置信度曲线、召回置信度曲线,及其标签图像等指标来反映实验结果。改进后识别率最高达91.4%,优于原YOLOv8的86%。同时该系统具有较高的通用性,后期可以整合到采摘机器人中。 展开更多

关键词 YOLOv8 深度学习 计算机视觉 神经网络 目标检测

在线阅读 下载PDF 职称材料

基于农业大数据和深度学习的稻田杂草识别 被引量：2

7

作者 高发瑞 古华宁 +5 位作者 张巧玲 王秋云 黄信诚 李烜堃 管宪鲁 高国良 《江苏农业科学》 北大核心 2024年第18期215-221,共7页

为在稻田中准确高效识别杂草,从而支持选择性喷药或机器人除草,基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型,即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的... 为在稻田中准确高效识别杂草,从而支持选择性喷药或机器人除草,基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型,即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的提取能力,同时使用EIOU(expected intersection over union)+DFL(distribution focal loss)提高YOLO v8检测框的回归效率,并通过模型对比试验验证了改进YOLO v8模型的有效性。结果表明,改进YOLO v8模型在测试集上的均值平均精度(mean average precision,mAP)达到98.2%,相比YOLO v8提高了4.4百分点,且在参数量和计算量方面仅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7,其mAP分别提高24.8、21.9、14.8、21.3、8百分点。在模拟不同光照条件的测试中,改进YOLO v8模型表现出较强的泛化能力,精度(precision,P)、召回率(recall,R)和mAP保持在88.1%以上。此外,在测试环境复杂的条件下,改进YOLO v8模型对6种杂草的识别显示出卓越的鲁棒性和泛化能力,P达到94.2%以上,R达到95.7%以上,AP均达到95.2%以上。综上,本研究提出的改进YOLO v8具有更少的参数和计算量,同时克服了现有稻田中杂草识别方法的局限性,可为稻田中的杂草控制工作提供技术支持。 展开更多

关键词 稻田 杂草识别 农业大数据 深度学习 YOLO v8模型 鲁棒性 泛化能力

在线阅读 下载PDF 职称材料

基于卷积神经网络的魔芋病害识别

8

作者 雷朦 余顺园 《湖北农业科学》 2022年第23期197-201,228,共6页

魔芋在种植过程中易感染各种病害,为了对魔芋病害进行实时自动化监测,研究了基于机器视觉的魔芋病害自动识别算法。以Inception V3为卷积神经网络算法理论模型,在深度学习开发环境下,采用神经元结构算法,以神经元为基本单位组建神经网络... 魔芋在种植过程中易感染各种病害,为了对魔芋病害进行实时自动化监测,研究了基于机器视觉的魔芋病害自动识别算法。以Inception V3为卷积神经网络算法理论模型,在深度学习开发环境下,采用神经元结构算法,以神经元为基本单位组建神经网络,实现了魔芋病害种类的识别。通过归一化和细化等预处理提升病害识别的精度和准确度,对模型内部及结果进行可视化处理以增加算法的实用性;在识别过程中通过调节各参数及层结构对模型进行优化,使模型能够较好地兼顾准确率和效率。测试结果表明,该算法能够实现常见魔芋的自动病害识别,准确率保持在90%以上。 展开更多

关键词 魔芋病害 卷积神经网络 Inception v3 深度学习

在线阅读 下载PDF 职称材料

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s 被引量：9

9

作者 郭颖 李增元 +4 位作者 陈尔学 张旭 赵磊 陈艳 王雅慧 《林业科学》 EI CAS CSCD 北大核心 2020年第3期48-60,共13页

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式... 【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。 展开更多

关键词 森林类型 深度学习 全卷积神经网络 GF-2 双支FCN-8s

在线阅读 下载PDF 职称材料

基于YOLO v8n改进的小麦病害检测系统 被引量：2

10

作者 刘梦姝 张春琪 +4 位作者 晁金阳 唐彬 张鹏磊 李民赞 孙红 《农业机械学报》 CSCD 北大核心 2024年第S1期280-287,355,共9页

针对现有小麦病害检测算法精度低、处理速度缓慢、易受背景环境干扰、难以检测目标病害等问题,结合先进的智能手机硬件、便捷的微信小程序以及高效的云服务平台,设计一个基于云架构的小麦病害检测系统。系统主要包括云服务器模块和微信... 针对现有小麦病害检测算法精度低、处理速度缓慢、易受背景环境干扰、难以检测目标病害等问题,结合先进的智能手机硬件、便捷的微信小程序以及高效的云服务平台,设计一个基于云架构的小麦病害检测系统。系统主要包括云服务器模块和微信小程序模块,云服务器端主要用于图像接收和模型处理;使用CSS和Java Script语言开发微信小程序,用于实现数据上传、信息反馈与信息显示。为保证模型在云服务器部署的可行性,提出一种基于YOLO v8n改进的小麦病害检测模型(C2f-Faster-Slim-Neck-YOLO v8n,CS-YOLO)。该模型结合FasterNet轻量化优点,使用FasterNet中的FasterNet Block替换C2f中Bottleneck模块,降低模型内存占用量的同时,提高模型特征融合能力和检测精度。在颈部网络使用GSConv并采用Slim-Neck设计范式中的VoV-GSCSP模块对YOLO v8n的Neck进行改进,降低模型计算量的同时提高模型检测精度。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型浮点运算量及模型内存占用量相比YOLO v8n基线模型分别降低24.4%和17.5%,同时平均精度均值相较于原模型提高1.2个百分点,且优于YOLO v3-tiny、YOLO v5、YOLO v6、YOLO v7和YOLO v7-tiny算法。最后将轻量化检测模型CS-YOLO部署到云服务器上,将检测功能转化为API接口,小程序利用请求调用其接口调用服务器连接,服务器收到请求后,将数据传递给部署在云服务器上的模型,用户通过使用微信小程序调用检测模型对病害图像进行类型识别和病害位置检测,平均精度均值为89.2%,可为小麦病害识别类型和检测病害位置提供技术支持。 展开更多

关键词 小麦 病害检测 深度学习 YOLO v8模型 微信小程序

在线阅读 下载PDF 职称材料

基于改进YOLO v8的水稻害虫识别方法 被引量：3

11

作者 李龙 李梦霞 李志良 《江苏农业科学》 北大核心 2024年第20期209-219,共11页

实时监测稻田害虫泛滥情况是预防水稻产量降低的重要手段之一。针对当前的目标检测算法在实际稻田环境下检测精度较低且模型计算量较大、难以实现实时检测等问题,提出一种基于YOLO v8的改进的水稻害虫识别算法YOLO v8-SDPS。首先在主干... 实时监测稻田害虫泛滥情况是预防水稻产量降低的重要手段之一。针对当前的目标检测算法在实际稻田环境下检测精度较低且模型计算量较大、难以实现实时检测等问题,提出一种基于YOLO v8的改进的水稻害虫识别算法YOLO v8-SDPS。首先在主干网络中用SD_Conv卷积替代标准卷积,重构特征提取模块,在降低参数量的同时尽可能保留害虫目标的边缘特征信息,提升对害虫目标的特征提取能力;其次在颈部引入基于Slim-Neck范式的GSConv模块和VoV-GSCSP模块,在减少模型计算量的同时提升模型的检测精度;最后在SPPF层前引入PSA注意力模块,降低背景的噪声干扰,使模型更加关注个体的空间位置信息。用本研究提出的算法在经数据增强后的自建水稻害虫数据集上进行试验,结果表明,YOLO v8-SDPS获得86.6%的平均检测精度,相较于原始YOLO v8n模型提升4.1百分点。同时改进后的模型参数量为2.62 M,计算量为7.5 GFLOPs,相较于基准模型分别降低16.8%和15.7%,实现了模型轻量化和较高检测精度的平衡。在害虫小且密集、背景干扰严重、光照强烈等复杂环境下,YOLO v8-SDPS均能较好地识别出目标个体,有效地降低漏检率和误检率,具有较好的鲁棒性,可为稻田实时巡检提供有效技术支持。 展开更多

关键词 目标检测 水稻害虫 深度学习 YOLO v8 极化自注意力

在线阅读 下载PDF 职称材料

基于深度学习的林火烟雾识别系统设计 被引量：2

12

作者 李梓铭 石振威 +3 位作者 徐海文 龙骏 朱勇兵 周国雄 《中南林业调查规划》 2023年第3期36-40,共5页

通过构建林火烟雾数据集,选取Inception V3模型,基于参数的迁移学习方法构建林火烟雾图像训练模型,经过训练测试后得到模型在测试数据集识别率达到92%,最后运用Python语言编程将训练后保存下来的模型文件应用到林火烟雾视频上,对视频进... 通过构建林火烟雾数据集,选取Inception V3模型,基于参数的迁移学习方法构建林火烟雾图像训练模型,经过训练测试后得到模型在测试数据集识别率达到92%,最后运用Python语言编程将训练后保存下来的模型文件应用到林火烟雾视频上,对视频进行逐帧预测,并将预测结果可视化注释在视频上,达到视频监控的目的。将网络训练和视频监控分开,通过软件编程实现应用模型文件监测林火烟雾视频,较以往直接通过视频训练和预测的方法更方便快捷,实际可操作性更强,具有广泛的应用前景。 展开更多

关键词 林火烟雾识别系统 深度学习 卷积神经网络 Inception v3 PYTHON

在线阅读 下载PDF 职称材料

一种基于YOLO v5的克氏原螯虾性别检测方法

13

作者 孔得溦 李尚 陈义明 《湖南农业科学》 2024年第3期59-63,共5页

针对传统人工判别克氏原螯虾性别效率低、成本高的问题,提出了一种基于YOLO v5的克氏原螯虾性别检测模型,实现了克氏原螯虾性别特征的自动判别。采用自主设计装置拍摄克氏原螯虾图像,使用Labelme工具进行基于雄虾交接器检测和基于区域... 针对传统人工判别克氏原螯虾性别效率低、成本高的问题,提出了一种基于YOLO v5的克氏原螯虾性别检测模型,实现了克氏原螯虾性别特征的自动判别。采用自主设计装置拍摄克氏原螯虾图像,使用Labelme工具进行基于雄虾交接器检测和基于区域特征检测两种方法的数据标注,在Pytorch框架下以Resnet-18为特征提取网络训练二分类模型,基于YOLO v5训练交接器检测和区域特征检测两种模型。结果表明:基于区域特征检测的模型具有较高的检测性能和准确性,能够高效、低成本地提取克氏原螯虾性别特征,对克氏原螯虾品种改良具有重要意义。 展开更多

关键词 YOLO v5 目标检测 克氏原螯虾 深度学习 卷积神经网络

在线阅读 下载PDF 职称材料

基于POWER8的动态自适应池化算法 被引量：1

14

作者 景维鹏 张兴革 《计算机工程》 CAS CSCD 北大核心 2016年第5期207-212,共6页

针对当前卷积神经网络(CNN)模型中池化层关键语音特征提取效率低下的问题,提出一种基于POWER8架构的动态自适应池化(DA-Pooling)算法。在深度学习工具Caffe上实现CNN模型,输入经过卷积层的梅尔域滤波带系数,提取局部相邻语音的特征数据... 针对当前卷积神经网络(CNN)模型中池化层关键语音特征提取效率低下的问题,提出一种基于POWER8架构的动态自适应池化(DA-Pooling)算法。在深度学习工具Caffe上实现CNN模型,输入经过卷积层的梅尔域滤波带系数,提取局部相邻语音的特征数据,通过计算Spearman相关系数确定数据间的相关程度。根据特征权重对具有不同相关性的语音数据动态分配池化算法,以提高池化层对不同相关性数据的适应能力。DA-Pooling利用POWER8的高效浮点运算和多线程并行计算优势,提高了海量语音数据的处理效率。实验结果证明,相比现有主流Pooling算法,DA-Pooling可提高关键语音数据的识别准确率,保证CNN中语音识别的稳定性。 展开更多

关键词 卷积神经网络 POWER8架构 池化算法 Caffe深度学习工具 语音特征提取 数据相关性

在线阅读 下载PDF 职称材料

基于光伏组件图像特征的故障检测方法

15

作者 殷孝雎 于金池 +1 位作者 郝志鹏 潘雪 《太阳能学报》 北大核心 2025年第4期273-279,共7页

针对集中式光伏电站地形复杂、面积广、光伏组件故障识别较困难的情况,提出基于YOLOv8模型改进的光伏组件故障识别检测方法。基于Backbone结构采用渐进特征金字塔(AFPN)融合不同层级的图像提取多尺度信息,增强上下文信息的融合。通过在N... 针对集中式光伏电站地形复杂、面积广、光伏组件故障识别较困难的情况,提出基于YOLOv8模型改进的光伏组件故障识别检测方法。基于Backbone结构采用渐进特征金字塔(AFPN)融合不同层级的图像提取多尺度信息,增强上下文信息的融合。通过在Neck结构添加无参数注意力机制(SimAM),由能量函数推断出特征图中的三维注意力权重,轻量化地提高模型表征能力。取代每个池化层和每个跨步卷积层而建立SPD-Conv卷集神经网络,提高光伏组件图像中出现热斑、黑边和划痕等小目标特征的故障识别能力。实验结果表明,改进模型召回率和精确率分别达到78.7%和84.9%,平均精度mAP50和mAP50-95分别达到86%和57.9%,实现对光伏组件故障的识别与定位,验证该模型的正确性和有效性。 展开更多

关键词 光伏组件 深度学习 目标检测 卷积神经网络 改进YOLOv8 注意力机制

在线阅读 下载PDF 职称材料

基于改进YOLO V3的钢轨伤损B显图像识别研究 被引量：9

16

作者 何庆 陈正兴 +3 位作者 王启航 王晓明 王平 余天乐 《铁道学报》 EI CAS CSCD 北大核心 2022年第12期82-88,共7页

针对钢轨探伤普遍存在的判伤时间长、漏报率高等问题,提出一种改进的YOLO V3算法。首先对YOLO V3网络结构进行改进,包括增加极小尺度检测层、添加SPP模块和SE模块等,然后对B显图像数据进行数据增强和杂波滤除处理,采用K-means聚类算法... 针对钢轨探伤普遍存在的判伤时间长、漏报率高等问题,提出一种改进的YOLO V3算法。首先对YOLO V3网络结构进行改进,包括增加极小尺度检测层、添加SPP模块和SE模块等,然后对B显图像数据进行数据增强和杂波滤除处理,采用K-means聚类算法对数据集中的边界框进行聚类分析,获得12个先验框;其次对改进的YOLO V3网络进行参数调整,使用B显图像数据集对改进YOLO V3模型进行训练,最终实现对B显图像中的核伤、轨底伤损、表面伤损、异常螺孔四类异常数据集和断面、接头、螺孔、焊缝四类正常数据集的定位和识别功能。试验对17601张B显图片进行检测。结果表明,提出的钢轨伤损识别模型的平均精度为92.3%,检测速度达到44 ms/张,能够较为准确快速地检测钢轨伤损。 展开更多

关键词 钢轨伤损 目标检测 YOLO v3 深度学习 卷积神经网络

在线阅读 下载PDF 职称材料

基于视觉传感的热丝激光金属沉积熔滴—熔池多特征信息同步监测

17

作者 李春凯 潘宇 +2 位作者 石玗 王文楷 赵中博 《焊接学报》 EI CAS CSCD 北大核心 2024年第11期115-120,共6页

为了提高热丝激光金属沉积(HW-LMD)过程中的质量稳定性和实现熔滴—熔池多特征信息的同步实时监测,采用基于高动态视觉相机结合YOLO v8深度学习神经网络的高精度实时监控方法,通过相机捕捉HW-LMD过程中的动态变化,并利用YOLO v8神经网... 为了提高热丝激光金属沉积(HW-LMD)过程中的质量稳定性和实现熔滴—熔池多特征信息的同步实时监测,采用基于高动态视觉相机结合YOLO v8深度学习神经网络的高精度实时监控方法,通过相机捕捉HW-LMD过程中的动态变化,并利用YOLO v8神经网络对过渡方式和熔池行为进行同步监测,首先判断沉积过程是否为稳定的液桥过渡,然后在液桥过渡模式下提取熔池尺寸的关键点信息.结果表明,YOLO v8神经网络在检测沉积过程过渡方式和熔池关键点信息方面具有高精确度,精确率分别达到了98.8%和99.9%,熔池宽度的平均误差为4.1%,且推理时间平均仅为12 ms/帧,满足了HWLMD过程实时监控的需求. 展开更多

关键词 热丝激光金属沉积 过程监控 YOLO v8深度学习神经网络 熔池尺寸 过渡方式

在线阅读 下载PDF 职称材料

基于FAS-YOLOv8n的爬岸上草小龙虾多源图像融合识别方法

18

作者 李路 孙超奇 +3 位作者 周玉凡 周铖钰 寇圣宙 陈彦祺 《农业机械学报》 2025年第8期526-534,共9页

针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO ... 针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO v8n的骨干网络中使用Ghost卷积和C2f_Repghost模块,减少模型的参数量。然后,在骨干网络和颈部网络之间添加可变形注意力(Deformable attention,DA)机制,增强模型对小龙虾的关注度,提高模型的特征提取效率。最后,采用VoVGSCSP模块替换C2f模块,提升颈部网络的特征融合速度,进一步降低计算量。实验结果表明,FAS-YOLOv8n模型在融合图像数据集上的识别精确率为90.62%,平均精度均值和召回率分别为92.9%和85%。相较于RGB图像数据集和红外图像数据集,识别精确率、平均精度均值和召回率分别提高6.05、8.46个百分点,4.78、7.14个百分点,3.84、3.87个百分点。利用融合数据集进行试验,FAS-YOLOv8n模型较原始模型平均精度均值提高5.1个百分点,参数量和浮点数运算量分别降低13.29%和23.17%,模型内存占用量仅为6.2 MB,检测速度为86 f/s。识别效果优于其他主流目标检测模型,能够实现模型轻量化部署,为巡塘无人机的应用提供技术支撑。 展开更多

关键词 小龙虾 多源图像 图像融合 目标识别 深度学习 YOLO v8n

在线阅读 下载PDF 职称材料

基于YOLO v8n-SPE-SL的河道“四乱”识别方法

19

作者 刘玲 马晓艳 +3 位作者 孙天玥 申孝军 刘冬梅 苏昌发 《农业机械学报》 2025年第8期163-171,共9页

针对河道“四乱”检测图像中目标尺寸小、河道背景复杂等造成目标难以识别等问题,提出一种YOLO v8n-SPE-SL(Small SPD-Conv-ECA SiLuan)模型,旨在实现河道“四乱”目标的快速精准识别。通过增加小目标检测层,显著提升模型对小尺度目标... 针对河道“四乱”检测图像中目标尺寸小、河道背景复杂等造成目标难以识别等问题,提出一种YOLO v8n-SPE-SL(Small SPD-Conv-ECA SiLuan)模型,旨在实现河道“四乱”目标的快速精准识别。通过增加小目标检测层,显著提升模型对小尺度目标的特征提取能力;通过引入SPD-Conv模块替换原模型中步长为2的部分卷积,减少细节信息的损失;通过在部分C2f模块当中加入ECA(Efficient channel attention)注意力机制,显著提高模型在复杂背景下的目标识别能力。在此基础上设计了河道“四乱”巡查系统。基于构建的数据集对改进模型进行实验对比,结果表明,YOLO v8n-SPE-SL模型的精确率、召回率和平均精度均值分别达到96.3%、91.9%和95.7%,与YOLO v8n模型相比,分别提升1、2.5、1.6个百分点;其中引入小目标检测层使mAP@50提升0.7个百分点,引入SPD-Conv模块使误检率降低23.6%,引入ECA机制将mAP@50-95提高2.7个百分点。巡查系统可用于实现“四乱”目标的精准识别与展示,助力幸福河湖建设。 展开更多

关键词 河道巡查 “四乱” 小目标检测 YOLO v8n 深度学习

在线阅读 下载PDF 职称材料

基于视觉感知的机器人工件识别方法研究 被引量：2

20

作者 崔新霞 卢硕晨 孙敦凯 《包装工程》 CAS 北大核心 2023年第7期186-195,共10页

目的解决定制化木门尺寸规格不统一、表面纹理多样而导致的堆垛分类困难、搬运效率低下等问题。方法提出采用深度学习方法进行定制式木门工件检测,以YOLO V3网络为基本框架开展机器人工件识别方法研究。首先,通过图像数据增强和预处理,... 目的解决定制化木门尺寸规格不统一、表面纹理多样而导致的堆垛分类困难、搬运效率低下等问题。方法提出采用深度学习方法进行定制式木门工件检测,以YOLO V3网络为基本框架开展机器人工件识别方法研究。首先,通过图像数据增强和预处理,扩充定制式木门数据;然后,进行YOLO V3损失函数改进,并根据木门特征进行定制式木门数据集锚框尺度的重新聚类;最后,应用空间金字塔池化层进行YOLO V3中特征金字塔网络改进,并通过随机选取的测试集验证本文方法的有效性。结果测试数据集的平均检测准确率均值达到98.05%,检测每张图片的时间为137 ms。结论研究表明,本文方法能够满足木门生产线对准确率和实时性的要求,可大大提高定制化木门转线及堆垛效率。 展开更多

关键词 视觉感知 目标检测 深度学习 卷积神经网络 YOLO v3网络

在线阅读 下载PDF 职称材料