期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于YOLO-CD的路面裂缝检测 被引量：1
1
作者 原洪帅 李琦 王月明 《科学技术与工程》 北大核心 2025年第9期3888-3895,共8页
为解决现有路面裂缝检测算法精度低、漏检率高等问题,提出了一种基于YOLOv8n改进的路面裂缝检测算法YOLO-CD(YOLO-crack detection)。YOLO-CD算法采用ASF-YOLO架构中的尺度序列特征融合(scale sequence feature fusion,SSFF)模块和三重... 为解决现有路面裂缝检测算法精度低、漏检率高等问题,提出了一种基于YOLOv8n改进的路面裂缝检测算法YOLO-CD(YOLO-crack detection)。YOLO-CD算法采用ASF-YOLO架构中的尺度序列特征融合(scale sequence feature fusion,SSFF)模块和三重特征编码器(triple feature encoder,TFE)模块,提高了对多尺度裂缝的检测性能和对目标特征的感知能力。同时,在骨干网络末端和颈部网络中引入CA注意力机制(coordinate attention),将位置信息嵌入通道注意力中,强化了对裂缝特征的提取能力。此外,在YOLOv8n原有3个输出层的基础上新增了一个P2小目标检测层,增加了网络的多尺度感受野,可以同时捕获全局和局部上下文信息,提升了算法在复杂场景中对小目标裂缝的检测能力。通过将原始YOLOv8n的检测头替换为DyHead检测头,使尺度、空间和任务3种注意力机制结合统一,进一步提升了网络对裂缝的检测性能。实验结果表明,在自建数据集PD-Dataset中,改进后的算法YOLO-CD比原算法YOLOv8n的mAP50提高了4.1%。在公共数据集RDD2020中,改进后的算法YOLO-CD比原算法YOLOv8n的mAP50提高了1.5%。且算法检测速度达到了89.9帧/s,满足了路面裂缝检测实时性的要求。 展开更多
关键词 路面裂缝检测 YOLOv8n asf-yolo 注意力机制 小目标检测层 DyHead检测头
在线阅读 下载PDF
改进YOLOv10的钢材表面缺陷检测方法 被引量：1
2
作者 吴葛 朱宇凡 叶天成 《电子测量技术》 北大核心 2025年第4期158-168,共11页
针对工业系统现有钢材表面缺陷检测模型较老,准确率有限,存在错判漏判的问题,提出了一种改进YOLOv10的钢材表面缺陷检测方法FAA-YOLO。该方法通过引入轻量化网络FasterNet和多尺度注意力机制EMA,设计了C2f_Faster_EMA模块,实现Backbone... 针对工业系统现有钢材表面缺陷检测模型较老,准确率有限,存在错判漏判的问题,提出了一种改进YOLOv10的钢材表面缺陷检测方法FAA-YOLO。该方法通过引入轻量化网络FasterNet和多尺度注意力机制EMA,设计了C2f_Faster_EMA模块,实现Backbone网络轻量化与特征提取能力增强的平衡;在Backbone网络末端添加自适应细粒度通道注意力机制AFGC,增强模型骨干网络对输入特征的初步提取能力,进而提高模型的检测精度;将Neck部分换为注意力尺度序列融合框架ASF,提升模型整合多尺度特征信息的能力。在NEU-DET钢材表面缺陷数据集上进行对比实验和消融实验,实验结果表明,提出的FAA-YOLO模型较基线YOLOv10n模型参数量降低11.01%,计算量降低7.69%,检测精度提高2.9个点,达到83.6%的检测准确率,在降低模型复杂度的同时实现了较高的检测准确率,在工业系统中具有高可用性与高实时性。 展开更多
关键词 钢材表面缺陷检测 YOLOv10 FasterNet EMA AFGC asf-yolo
原文传递
基于AP2O-YOLOv8的中华圆田螺雌雄及死亡特征检测算法
3
作者 余哲 江林源 +5 位作者 文露婷 覃启锦 黎一键 黄峥 黄黎明 文家燕 《渔业现代化》 北大核心 2025年第4期71-84,共14页
淡水螺产品分类加工环节中,对中华田螺(Cipangopaludina cahayensis)雌雄及死活个体进行准确的品质分类至关重要。针对现有目标检测算法在该类型分类作业任务中精度不足、参数量过多、检测速度低的问题,本研究提出一种基于AP2O-YOLOv8... 淡水螺产品分类加工环节中,对中华田螺(Cipangopaludina cahayensis)雌雄及死活个体进行准确的品质分类至关重要。针对现有目标检测算法在该类型分类作业任务中精度不足、参数量过多、检测速度低的问题,本研究提出一种基于AP2O-YOLOv8的中华圆田螺雌雄及死亡特征检测算法。该算法通过引入P2层小目标检测头,从而提升网络对于田螺细微特征的检测精度。其次,通过结合ASF-YOLO结构,充分强化网络的多尺度特征融合能力。此外,将主干网络的C2f模块替换为C2f-OREPA模块,使网络复杂的结构重参数转为单卷积层,有效减少模型的推理成本。试验结果表明,在该数据集上AP2O-YOLOv8算法的mAP0.5为93.2%,参数量为2.1 MB,FPS为226。相较原YOLOv8n的mAP提升了5.6%,参数量降低了27.6%,FPS提升了27.6%,在提升检测精度和实时检测速度的同时,还降低了模型部署难度。本研究为中华圆田螺雌雄及死亡特征分类检测提供新的思路和方法,有助于进一步推动实现中华圆田螺品质分类加工环节的自动化及智能化技术升级。 展开更多
关键词 中华圆田螺 雌雄田螺 特征检测算法 死亡田螺 YOLOv8 asf-yolo 小目标检测头 C2f-OREPA
在线阅读 下载PDF
基于改进YOLOv11算法的番茄叶子病害检测
4
作者 戴瑞珺 《计算机应用文摘》 2025年第19期78-80,共3页
针对当前农业领域番茄叶片病害检测存在人工识别精度不高、效率低下的问题,提出了一种基于改进YOLOv11模型的番茄叶片病害检测方法。首先,对包含番茄叶斑病、早疫病、叶霉病等9类常见病害图像的数据集进行相关性分析。在此基础上,将注... 针对当前农业领域番茄叶片病害检测存在人工识别精度不高、效率低下的问题,提出了一种基于改进YOLOv11模型的番茄叶片病害检测方法。首先,对包含番茄叶斑病、早疫病、叶霉病等9类常见病害图像的数据集进行相关性分析。在此基础上,将注意力尺度融合(Attention Scale Fusion,ASF)技术融入原有YOLOv11结构,构建ASF-YOLO模型。ASF-YOLO作为一种基于YOLO的新型模型,最初用于细胞实例分割,核心是将ASF机制引入YOLO框架,从而提升图像检测与分割性能。模型结构包括尺度序列特征融合(SSFF)模块、三重特征编码器(TFE)模块及通道与位置注意力机制(CPAM),多模块协同作用有效提高了检测精度。实验结果表明,改进后的YOLOv11模型在处理多样化的番茄叶片病害图像时具有更优表现,其召回率、mAP50和mAP50-95分别达到96.0%,98.9%和91.2%。该方法不仅为番茄叶片病害的自动化检测提供了可行的技术路径,也为其他农作物病害检测研究提供了参考,对推动可持续农业发展具有重要意义。 展开更多
关键词 YOLOv11 番茄叶子病害 asf-yolo 轻量化
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部