多晶硅太阳能电池片成本较低,利于普及。但其内部绒丝较多,在线检测困难,通过研究深度网络通道运算特性,在YOLOv8的基础上提出了改进的YOLO-SCD(you only look once-solar cell defects)网络。在骨干网络中,以通道混洗操作代替密集卷积...多晶硅太阳能电池片成本较低,利于普及。但其内部绒丝较多,在线检测困难,通过研究深度网络通道运算特性,在YOLOv8的基础上提出了改进的YOLO-SCD(you only look once-solar cell defects)网络。在骨干网络中,以通道混洗操作代替密集卷积操作,在轻量化网络的同时增强通道之间的信息交流;通过引入注意力模块增强网络对关键特征的学习能力。在颈部网络中,以多通道乘法代替层间的加法操作,提出C2f_star模块,增强网络拟合数据的能力;提出部分卷积下采样模块,以部分卷积操作来减少特征图冗余信息以达到轻量化网络的目的。YOLO-SCD对多晶硅太阳能电池板缺陷的检测精度达到了0.970,分割精度达到了0.962,模型权重只有5.7 MB,并且帧速(frame per second,FPS)达到了90.03。最后,通过对比实验表明,YOLO-SCD在具有高识别精度的同时更加适合移动端部署。展开更多
文摘现有的基于深度学习的医学图像分割方法,大多是利用大量的训练数据拟合检测网络,以获得优异的检测性能。这些方法往往需要较大的模型参数,导致检测实时性较差。为此,提出了基于局部上下文引导特征深度融合轻量级医学分割网络(local context guided feature deep fusion lightweight medical segmentation network,LCGML-net)。LCGML-net通过精确的特征选择与特征融合来减少模型拟合所需的参数数量,从而在保证检测精度的同时实现更小的模型参数。在特征提取阶段和映射阶段,分别通过提取和融合目标的多层次多尺度局部上下文特征来丰富特征表达和精准分割。在STARE、CHASEDB1和KITS19等多个基准数据集上开展的实验证明,与其他方法相比,所提出的LCGML-net具有最佳的检测性能和最小的模型参数。
文摘多晶硅太阳能电池片成本较低,利于普及。但其内部绒丝较多,在线检测困难,通过研究深度网络通道运算特性,在YOLOv8的基础上提出了改进的YOLO-SCD(you only look once-solar cell defects)网络。在骨干网络中,以通道混洗操作代替密集卷积操作,在轻量化网络的同时增强通道之间的信息交流;通过引入注意力模块增强网络对关键特征的学习能力。在颈部网络中,以多通道乘法代替层间的加法操作,提出C2f_star模块,增强网络拟合数据的能力;提出部分卷积下采样模块,以部分卷积操作来减少特征图冗余信息以达到轻量化网络的目的。YOLO-SCD对多晶硅太阳能电池板缺陷的检测精度达到了0.970,分割精度达到了0.962,模型权重只有5.7 MB,并且帧速(frame per second,FPS)达到了90.03。最后,通过对比实验表明,YOLO-SCD在具有高识别精度的同时更加适合移动端部署。
