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：
改进YOLO11的PCB表面缺陷检测方法 被引量：1
1
作者 吴葛 朱宇凡 贾泽宁 《电子测量技术》 北大核心 2025年第14期136-145,共10页
针对PCB表面缺陷检测准确率不足,无法充分平衡模型检测准确性与实时性,难以满足现代电子制造系统稳定运行要求的问题,提出了一种改进YOLO11的PCB表面缺陷检测方法HDH-YOLO。该方法通过采用优化的HGNetV2替换原YOLO11的骨干网络,实现模... 针对PCB表面缺陷检测准确率不足,无法充分平衡模型检测准确性与实时性,难以满足现代电子制造系统稳定运行要求的问题,提出了一种改进YOLO11的PCB表面缺陷检测方法HDH-YOLO。该方法通过采用优化的HGNetV2替换原YOLO11的骨干网络,实现模型的轻量化;借鉴Dynamicconv的思想对HGBlock进行改进,用改进的Dynamic_HGBlock替换HGNetV2网络中后四层HGBlock,在不增加过多计算量的前提下引入更多网络参数,增强网络对泛化特征的学习能力,进而提高检测精度;在骨干网络末端添加DSM注意力机制层,通过放大关键区域的空间域和频率域响应提升模型的小目标检测能力。在PKU-Market PCB和DeepPCB数据集进行对比实验和消融实验,实验结果表明,提出的HDH-YOLO模型较基线YOLO11n模型参数量降低6.20%,计算量降低12.70%,mAP50和mAP50-95分别提升2.6%和2.3%,较好地平衡了轻量化和检测精度,在现代电子制造系统中具有高可靠性和高实用性。 展开更多
关键词 PCB表面缺陷检测 YOLO11 HGNetV2 HGBlock dynamicconv DSM
原文传递
基于GSL-YOLO的钢材表面缺陷检测算法
2
作者 王泽恺 姜庆超 颜学峰 《华东理工大学学报(自然科学版)》 北大核心 2025年第5期657-670,共14页
钢材在现代工业生产中因加工和环境等因素易产生表面缺陷,影响其质量和使用寿命。针对现有检测方法存在的精度不足与计算复杂度较高的问题,本文提出了一种基于YOLOv8的改进算法GSL-YOLO,针对特征冗余和特征表达能力不足的问题,在C2f模... 钢材在现代工业生产中因加工和环境等因素易产生表面缺陷,影响其质量和使用寿命。针对现有检测方法存在的精度不足与计算复杂度较高的问题,本文提出了一种基于YOLOv8的改进算法GSL-YOLO,针对特征冗余和特征表达能力不足的问题,在C2f模块中引入Ghost Bottleneck替代标准Darknet Bottleneck,减少冗余计算并提高特征提取效率,采用DynamicConv替换标准CBS模块,以增强对复杂场景的适应能力。为进一步提升模型对细小缺陷的检测精度,在颈部网络中引入SENetV1注意力机制,通过自适应调整通道权重,加强对关键特征的关注。此外,针对检测头参数量大、计算复杂度高的问题,设计轻量级共享卷积检测头LSDECD,有效降低模型参数量和计算开销。实验结果表明,GSL-YOLO在NEU-DET钢材表面缺陷数据集上的mAP50较YOLOv8提升3%,同时参数量减少33%,计算成本降低37%。 展开更多
关键词 缺陷检测 YOLOv8 Ghost Bottleneck dynamicconv 注意力机制 轻量级检测头
在线阅读 下载PDF
农田环境中玉米叶片病害精准识别算法DBG-YOLO
3
作者 麻海志 刘拥民 +1 位作者 徐卓农 邓伟豪 《湖南农业大学学报(自然科学版)》 北大核心 2025年第4期107-116,共10页
为有效地预防玉米病害,精准地监测玉米的生长状态,本研究提出了玉米叶片病害识别算法DBG-YOLO。该算法以YOLOv8框架为基础,首先,在骨干网络中使用动态卷积(DynamicConv)替换YOLOv8的骨干C2f模块卷积,在不增加网络深度或宽度的情况下,大... 为有效地预防玉米病害,精准地监测玉米的生长状态,本研究提出了玉米叶片病害识别算法DBG-YOLO。该算法以YOLOv8框架为基础,首先,在骨干网络中使用动态卷积(DynamicConv)替换YOLOv8的骨干C2f模块卷积,在不增加网络深度或宽度的情况下,大大增强算法的表达能力;其次,在颈部网络中采用全局和局部信息自注意力机制(GLSA)用于捕捉输入特征的全局上下文信息,同时保留局部细节特征;然后,在颈部网络的特征融合过程中引入双向特征金字塔网络(BiFPN)模块,以减少算法的参数量,提高算法对多尺度目标的感知能力,从而更好地检测玉米叶片病害;最后,为了加快收敛速度,在损失函数上引入指数移动平均数(EMA)来动态调整SlideLoss中的IoU阈值,以增强其适应能力,由此改善算法的鲁棒性,同时减少误检和漏检,进一步提升整体检测精度并加快算法的收敛。结果表明:相较于YOLOv8n,DBG-YOLO算法的精确度、m AP@50分别提高了5.8个百分点和6.6个百分点,同时算法的浮点计算数和帧率分别降低了11.5%和43.5%。综上所述,本研究提出的算法全面提高了玉米叶片病害检测的准确性,具备较高的鲁棒性,可为玉米叶片病害检测模型在移动端检测设备的部署和应用提供参考。 展开更多
关键词 玉米叶片病害 YOLOv8 动态卷积 深度学习 目标检测
在线阅读 下载PDF
基于改进YOLOv11算法的超声图像乳腺肿瘤检测研究
4
作者 洪成坤 王晓阳 付丽媛 《医疗卫生装备》 2025年第12期1-8,共8页
目的:为了提升超声图像乳腺肿瘤的检测性能,提出基于降采样(adaptive downsampling,ADown)模块和动态卷积(dynamic convolution,DynamicConv)模块的改进YOLOv11算法。方法:以原始YOLOv11算法为基础进行改进,将YOLOv11算法的主干网络(Bac... 目的:为了提升超声图像乳腺肿瘤的检测性能,提出基于降采样(adaptive downsampling,ADown)模块和动态卷积(dynamic convolution,DynamicConv)模块的改进YOLOv11算法。方法:以原始YOLOv11算法为基础进行改进,将YOLOv11算法的主干网络(Backbone)及颈部模块(Neck)中的卷积(Conv)模块替换成ADown模块,并在C3k2的瓶颈模块(Bottleneck)引入DynamicConv模块,构建YOLOv11-ADown-DynamicConv算法。使用Kaggle平台公开的乳腺超声图像(Breast Ultrasound Image,BUSI)数据集对YOLOv11-ADown-DynamicConv算法进行训练和验证,并与原始YOLOv11算法对超声图像乳腺肿瘤的检测性能进行比较。结果:在超声图像乳腺肿瘤的检测任务中,YOLOv11-ADown-DynamicConv算法在交并比阈值为0.5时的平均精度均值mAP50与交并比阈值为0.5-0.95时的平均精度均值mAP50-95分别为0.763和0.522,浮点运算次数和每秒帧数分别为4.8G和135帧/s,均优于原始YOLOv11算法。结论:YOLOv11-ADown-DynamicConv算法在超声图像乳腺肿瘤的检测任务中表现出色,可以提升YOLOv11算法的检测性能,能够辅助医生更高效地筛查疾病、评估病情。 展开更多
关键词 YOLOv11算法 ADown dynamicconv 乳腺肿瘤 乳腺超声图像 目标检测
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