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：
大视场下火龙果目标检测与计数方法
1
作者 欧阳春凡 高嘉正 +5 位作者 陈桥 曾春林 李文涛 肖明玮 罗陈迪 周学成 《中国农业科技导报(中英文)》 北大核心 2025年第8期100-109,共10页
为解决大视场条件下小目标火龙果识别精度低、实时性差、果实计数困难的问题,提出一种大视场下火龙果目标检测与计数方法,实现火龙果小目标精准识别与计数,完善火龙果机器人采前指导性工作。在目标特征提取阶段,采用动态可变形卷积C2F_D... 为解决大视场条件下小目标火龙果识别精度低、实时性差、果实计数困难的问题,提出一种大视场下火龙果目标检测与计数方法,实现火龙果小目标精准识别与计数,完善火龙果机器人采前指导性工作。在目标特征提取阶段,采用动态可变形卷积C2F_DCNV2_Dynamic替换YOLOv8主干网络的C2F模块,引入Conv_offer_mask获取输入特征图的可变形偏移和掩码,使网络能够更好地适应目标形状的特征,提升复杂背景的目标特征提取能力;以多路协调注意力(multipath coordinate attention,MPCA)机制模块对输入进行多路径处理,使模型可以同时关注输入张量的空间信息与通道信息,提高网络对不同尺度和语境的特征感知能力,进而提升小目标识别精度;在目标预测阶段,使用基于端到端Transformer的检测器RT-DETR的Decoder Head替换YOLO Head,通过集合预测方法直接对目标进行预测和关联,去除传统非极大抑制步骤,提高推理速度,进一步提升网络实时性能;在目标计数阶段,结合Deep Sort算法实现果实区域计数。结果表明,改进的目标检测网络对火龙果果实检测的平均精度可达99.0%,在实时性测试中每秒传输32帧,模型大小为11.8 MB,果实计数精度达82.96%,平均检测速度为17帧·s^(−1)。该方法能够精准识别与计数大视场条件下的小目标火龙果,且实时性满足果园实际生产环境。 展开更多
关键词 小目标火龙果识别 果实计数 YOLOv8 c2f_dcnv2_dynamic MPCA Decoder Head
在线阅读 下载PDF
基于改进YOLO v8的苹果叶部病害检测方法
2
作者 曾林涛 马嘉昕 +1 位作者 丁羽 许晓东 《江苏农业科学》 北大核心 2025年第5期147-156,共10页
针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根... 针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根据样本分布特点进行数据增强,引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力,在提高检测性能的同时,不显著增加计算复杂度;在neck末端,使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合,以提升复杂背景下的检测性能,从而提高检测准确度,有效提高模型性能;为克服CIoU损失函数的局限性,采用MPDIoU损失函数,解决CIoU在特定场景下的限制。结果表明,相较于原始YOLO v8算法,本研究算法的平均准确率提升3.5百分点,mAP@0.5∶0.95提升4.6百分点,精确率提升3.6百分点,说明改进的算法在苹果叶部病害检测方面取得有效成果。 展开更多
关键词 YOLO v8 苹果叶部病害 目标检测 Shuffle Attention C2f_DCNV2 MPDIoU
在线阅读 下载PDF
基于改进YOLOv8s的织物疵点检测 被引量：2
3
作者 王帅 刘珊珊 +2 位作者 李保田 张永军 陈健健 《棉纺织技术》 2025年第2期49-55,共7页
为了解决人工检查效率低、算法检测的缺陷种类少以及算法检测精度差等问题,提出了一种改进的YOLOv8s算法来进行织物疵点检测。首先,通过将DCNv4算子融入YOLOv8s特征融合网络Neck中的C2f模块,构建了C2f_DCNv4模块,不仅提高了对小目标的... 为了解决人工检查效率低、算法检测的缺陷种类少以及算法检测精度差等问题,提出了一种改进的YOLOv8s算法来进行织物疵点检测。首先,通过将DCNv4算子融入YOLOv8s特征融合网络Neck中的C2f模块,构建了C2f_DCNv4模块,不仅提高了对小目标的检测精度,还实现了比使用DCNv3更快的处理速度。其次,将MSCA注意力模块与常见的CBAM注意力相结合,创新设计了MCASAM注意力模块,并将其加入到特征提取网络中的最后一层,提升了模型的多尺度特征捕获能力以及对小目标的检测敏感度。最后,在损失函数中,用InnerIoU替换了传统的CIoU,不仅收敛速度更快,而且进一步优化了检测框的精确度。试验结果表明:在天池疵点检测数据集上针对20类疵点的对比试验中,与原始YOLOv8s算法相比,该研究所提方法的mAP@0.5值达到0.608,提高了5.9%,模型推理速度达150帧/s,能够满足实际的检测需求。 展开更多
关键词 YOLOv8s DCNv4 MCASAM CBAM InnerIoU 织物疵点检测 C2f_DCNv4
在线阅读 下载PDF
基于改进YOLOv8的化工泄漏检测方法
4
作者 王爽 欧阳泽 +5 位作者 祝皓轩 殷毅超 周帝宏 王祺 李永豪 王海洋 《重庆科技大学学报(自然科学版)》 2025年第2期70-79,共10页
加强化工泄漏检测对保障企业安全生产、减少经济损失和保护环境具有重要意义,传统的传感器检测方法存在检测范围有限、实时性不高、易受环境干扰等问题。为此,提出了一种基于改进YOLOv8的化工泄漏检测方法,使用3种优化方法对YOLOv8模型... 加强化工泄漏检测对保障企业安全生产、减少经济损失和保护环境具有重要意义,传统的传感器检测方法存在检测范围有限、实时性不高、易受环境干扰等问题。为此,提出了一种基于改进YOLOv8的化工泄漏检测方法,使用3种优化方法对YOLOv8模型进行改进。使用EfficientViT模块改进主干网络中的特征提取网络,以增强模型的全局信息捕捉能力;引入超轻量上采样模块,以增强模型对特征纹理细节和边缘信息的还原能力;使用C2f_DCNv2模块替换C2f模块,以增强模型对大尺度特征的检测能力。实验结果表明,与YOLOv5、YOLOv8模型相比,改进模型的精度分别提升了5.4百分点和3.5百分点,改进模型的平均精度均值分别提升了10.3百分点和3.5百分点。 展开更多
关键词 化工泄漏检测 YOLOv8模型 EfficientViT模块 DySample模块 C2f_DCNv2模块
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