-
题名基于深度学习的车辆轻微损伤检测算法
- 1
-
-
作者
杨长春
王宇鹏
胡玉蝶
朱文涛
-
机构
常州大学王诤微电子学院、集成电路产业学院
-
出处
《计算机工程与设计》
北大核心
2025年第10期2986-2993,共8页
-
基金
2023年江苏省研究生创新基金项目(KYCX23_3187)
江苏省产学研前瞻研究基金项目(BY20221171)
常州市社会发展基金项目(CE20235037)。
-
文摘
针对车辆损伤检测精确度不足的问题,提出了一种基于YOLOv8改进的实例分割模型。该算法设计了SimPConv模块,在充分保留数据特征信息的基础上融入了SimAM注意力机制,有效降低了目标特征细粒度的丢失。为增强模型对局部特征信息的捕捉能力,提出了新的局部注意力机制SPPRNet。同时,为提升网络多尺度信息的特征提取能力,设计了新的特征融合模块。实验结果表明,SMF-YOLO在APb和APm指标上分别实现了10%、10.5%的提升,且GFLOPs仅为99.7,达到了计算复杂度更低而精度更高的效果。
-
关键词
机器视觉
实例分割
汽车损伤检测
卷积神经网络
注意力机制
多尺度特征融合
深度学习
-
Keywords
machine vision
instance segmentation
vehicle damage detection
convolutional neural network
attention mechanism
multi-scale feature fusion
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8光伏板缺陷检测算法
被引量：3
- 2
-
-
作者
杨长春
贺轩轩
王睿
朱士竹
严昊
-
机构
常州大学王诤微电子学院集成电路产业学院
-
出处
《电子测量技术》
北大核心
2024年第23期181-192,共12页
-
基金
国家自然科学基金(62301086)项目资助。
-
文摘
针对现有的分布式光伏电池板缺陷检测精度低、计算量高、参数量大以及复杂背景多变等因素导致的误检、漏检问题,提出了一种改进的轻量级YOLOv8分布式光伏电池板缺陷检测算法。采用高效轻量级的StarNet网络架构作为特征提取网络,减少计算成本和参数量,实现高效率和高性能之间平衡;设计SPPF-AM模块,增强了模型对空间信息的感知能力,有效应对不同尺度的目标;加入三元组注意力机制Triplet,有效地提取多尺度目标特征,提升模型的表征能力和任务性能;设计C2f_DSConv2D结合可变形卷积取代原网络中的C2f,以较低的存储和较高的计算速度,从而提高缺陷检测模型的效率;在特征融合网络中引入空间上下文感知模块SCAM,减少噪声影响,有效抑制图像中的噪声,抑制无关背景信息的干扰。设计ECIoU替换CIoU,增强边界框损失的拟合能力,加快网络模型的收敛速度。实验结果表明:改进后的YOLOv8模型参数量下降35%,计算量下降29.6%,检测精度达到了90.1%,mAP@50从85.9%提升到了89.7%,提升了4.2%。改进后模型在参数量、计算量下降的情况下检测精度也有一定的提升。所提出的改进算法在缺陷检测任务中表现出了较好的性能,有效增强了光伏电池板缺陷检测模型的检测性能。
-
关键词
缺陷检测
YOLOv8
轻量级
移位卷积
SCAM
损失函数
-
Keywords
defect detection
YOLOv8
lightweight
shifted convolution
SCAM
loss function
-
分类号
TK514
[动力工程及工程热物理—热能工程]
TN98
[电子电信—信息与通信工程]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
