-
题名新型DRNet结合EIoU的遮挡目标分割模型
- 1
-
-
作者
陈丹
令陈佩
刘瑞瑜
-
机构
福州大学电气工程与自动化学院
福州大学梅努斯国际工程学院
-
出处
《电子测量与仪器学报》
北大核心
2025年第8期209-217,共9页
-
基金
国家自然科学基金(61973085)
福建省自然科学基金(2022J01114)项目资助。
-
文摘
实例分割是计算机视觉领域的重要研究方向,但由于遮挡问题的存在,使得该任务仍然没有得到充分探索。针对目前算法对遮挡物体的分割检测效果不佳,容易出现误检漏检问题,在Mask R-CNN框架基础上,提出一种新型双向残差网络(DRNet)结合EIoU的遮挡目标分割模型。首先,提出一种DRNet代替原有ResNet网络,使用更少的BN层和ReLU层取代传统Conv-BN-ReLU结构,利用传统卷积和深度可分离卷积串行连接增强图像感受野特征,通过跳跃连接减轻网络随深度增加出现退化问题,提升网络表征能力;其次,使用CEIoU NMS算法代替原有NMS算法,通过聚类思想有效处理重叠边界框抑制问题,引入EIoU评估指标增加边界框几何信息,更加精准地描述边界框之间的相似程度,减少网络对遮挡物体边界框的错误抑制;最后,使用EIoU损失替换原有Smooth L1损失,加速网络收敛速度,提升边界框检测精度。在公共COCO 2017数据集上进行预训练,再在不同程度的遮挡数据集上进行实验。实验结果表明,相比较于原网络,所提分割算法在COCO 2017数据集上Box AP和Mask AP分别提升了1.7%和1.3%;在遮挡数据集上对遮挡物体边界框检测精度和掩码分割精度均有明显提升,证实该方法对遮挡物体分割的有效性。
-
关键词
遮挡物体
实例分割
DRNet
Cluster
EIoU
NMS
EIoU损失
-
Keywords
occluded objects
instance segmentation
DRNet
ceiou NMS
EIoU loss
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TN911.73
[电子电信—通信与信息系统]
-
-
题名基于改进YOLOX的电铲铲齿断裂检测方法
被引量：6
- 2
-
-
作者
卢进南
刘扬
王连捷
黎洛
-
机构
辽宁工程技术大学机械工程学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2023年第5期46-57,共12页
-
基金
国家自然科学基金(51774162,51874158)项目资助。
-
文摘
电铲是露天采矿中广泛使用的一种大型机械挖掘设备。在挖掘过程中,铲齿与矿石长时间的直接冲击会造成铲齿过早的松动甚至断裂,从而导致电铲计划外的停机和生产力的损失。针对这个问题,提出了一种基于改进YOLOX的电铲铲齿断裂检测方法。该方法以YOLOX为基础,首先针对受光照不均匀等影响导致检测效果差的问题,在特征金字塔网络加入扩张卷积注意力机制增强目标在复杂背景中的显著度;其次使用CEIOU(corner efficient intersection over union)损失函数代替原网络损失函数优化网络的训练过程,进而提高目标的检测精度;最后考虑嵌入式设备本身的计算能力问题,利用模型压缩策略裁剪网络中冗余通道,减少模型体积并提高检测速度。在自主构建的4200张WK-10型电铲数据集上进行性能测试,实验结果表明:与YOLOX网络模型相比,改进后模型的平均检测精度达到了95.37%,提高了1.95%,检测速度为46.1 fps,提升了8.4 fps,模型体积为31.74 MB,减少到原来的32.9%。对比多种其他现存方法,所设计的目标检测算法有着精度高、体积小和速度快的优势。
-
关键词
铲齿
目标检测
YOLOX
扩张卷积注意力
ceiou
模型压缩
-
Keywords
shovel tooth
target detection
YOLOX
dilated convolution attention
ceiou
model compression
-
分类号
TP751.1
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于改进YOLOv5s的木材表面缺陷检测模型
被引量：14
- 3
-
-
作者
朱豪
周顺勇
曾雅兰
李思诚
刘学
-
机构
四川轻化工大学自动化与信息工程学院
-
出处
《木材科学与技术》
北大核心
2023年第2期8-15,共8页
-
基金
四川省科技厅项目“基于多源信息融合的低空飞行安全电力线检测系统关键技术研究”(2020YFSY0027)
四川省科技厅项目“基于机器视觉的太阳能电池片缺陷检测系统研究”(2020YFG0178)
+1 种基金
四川轻化工大学研究生创新基金项目(Y2022129)
四川轻化工大学研究生创新基金项目(Y2022163)。
-
文摘
针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷(活节、死节、有裂缝节子和裂缝)检测模型。首先,在Backbone网络引入坐标注意力机制(coordinate attention,CA)增强每个通道之间的信息交互,然后采用混合空间金字塔池化(hybrid spatial pyramid pooling-fast,HSPPF)结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合(curve efficient intersection over union,CEIoU)作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值(mean average precision,mAP)为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。
-
关键词
HS-YOLOv5s
木材表面缺陷检测
坐标注意力机制(CA)
混合空间金字塔池化(HSPPF)
曲线高效交叉联合(ceiou)
-
Keywords
HS-YOLOv5s
wood surface defect detection
coordinate attention(CA)
hybrid spatial pyramid pooling-fast(HSPPE)
curve efficient intersection over union(ceiou)
-
分类号
S781.5
[农业科学—木材科学与技术]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
