在艺术与科技研究领域中,针对目前大部分现有公开数据集过于老旧而导致已有研究方法在实际GUI(Graphical User Interface)检测中因界面所特有的组件种类多样、背景复杂的情况,同时因高分辨率显示器使得部分组件更小更密集从而导致检测...在艺术与科技研究领域中,针对目前大部分现有公开数据集过于老旧而导致已有研究方法在实际GUI(Graphical User Interface)检测中因界面所特有的组件种类多样、背景复杂的情况,同时因高分辨率显示器使得部分组件更小更密集从而导致检测效率不高和检测精度瓶颈等问题,该文依托太原师范学院智能科技与艺术创新科研平台自行构建GUI数据集并基于RT-DETR模型进行改进提出EM-DETR,构建面向GUI组件检测任务的实时目标检测网络创新性优化策略。为突破低质量样本与计算效率的双重限制,创新构建了引入增强定位敏感区域的表达能力模块的EMViT轻量化骨干网络;与此同时,为改善最近邻插值法可能出现细节丢失、锯齿状边缘和图像失真等问题,引入DySample上采样算子;最后为了解决低质量样本回归难题,设计基于WIoUv3的动态梯度分配策略。本实验在太原师范学院智能科技与艺术创新科研平台提供的GUI数据集中验证了检测精度及效率平衡方面的有效性。实验结果表明,检测平均精度(mAP)达到了89.8%,相较于原始RT-DETR提升了9.53百分点,同时,EM-DETR在检测速度上也表现出色,在GUI组件检测这一细分场景下,首次将RT-DETR架构的精度提高到可落地水平,在保持可接受的实时性同时大大提高了检测正确率。现已将其应用到教育部产学合作协同育人公示企业山西赛迩教育科技有限公司中的产品研发环节,取得良好效果。展开更多
单晶硅生产过程中,引晶工艺产生的缺陷严重影响产品质量,传统的基于视觉的缺陷检测方法在检测引晶图像中的凸点小目标时,存在检测速度慢、参数量大、难以部署在嵌入式终端等不足。为此,提出了一种改进的YOLOv8目标检测模型,引入了Contex...单晶硅生产过程中,引晶工艺产生的缺陷严重影响产品质量,传统的基于视觉的缺陷检测方法在检测引晶图像中的凸点小目标时,存在检测速度慢、参数量大、难以部署在嵌入式终端等不足。为此,提出了一种改进的YOLOv8目标检测模型,引入了ContextGuided模块,提高了模型的推理效率;在特征融合网络中引入更为高效的DySample,优化了特征融合的效率和深度;采用轻量级网络结构,减少了模型的复杂度和计算量,使其适应计算资源有限的终端设备。在工业数据集上进行了训练和测试,实验结果表明,对凸点小目标的检测更加准确,mAP(mean average precision)达到97.7%,在精确率上相对于YOLOv8n提升了11.6%,同时参数量减少31.9%,方便部署在嵌入式终端。展开更多
为了对纺织工业中不同尺度织物瑕疵进行快速检测,提出基于改进YOLOv8的织物瑕疵检测模型YOLOv8-MED,结合MBConv模块和EMA(Efficieent Multi Scale Attention)注意力机制优化YOLOv8骨干网络深层的C2f(Faster Implementation of CSP Bottl...为了对纺织工业中不同尺度织物瑕疵进行快速检测,提出基于改进YOLOv8的织物瑕疵检测模型YOLOv8-MED,结合MBConv模块和EMA(Efficieent Multi Scale Attention)注意力机制优化YOLOv8骨干网络深层的C2f(Faster Implementation of CSP Bottleneck with 2 Convolutions)模块,提高对小目标特征的提取效率,并有效减轻模型体积;引入超轻量化且高效的动态上采样模块Dysample增强对图像细节的捕捉,进一步保留图像的细节信息;采用MPDIoU(Maximized Position-Dependent IoU)损失函数优化预测框与真实框之间的位置,从而提升检测精度。实验结果表明,YOLOv8-MED在天池布匹数据集上的精确率、召回率和mAP@50分别提升了6.4%、10.9%和6.7%,显著提升了检测性能,并且减少了模型参数量。展开更多
文摘在艺术与科技研究领域中,针对目前大部分现有公开数据集过于老旧而导致已有研究方法在实际GUI(Graphical User Interface)检测中因界面所特有的组件种类多样、背景复杂的情况,同时因高分辨率显示器使得部分组件更小更密集从而导致检测效率不高和检测精度瓶颈等问题,该文依托太原师范学院智能科技与艺术创新科研平台自行构建GUI数据集并基于RT-DETR模型进行改进提出EM-DETR,构建面向GUI组件检测任务的实时目标检测网络创新性优化策略。为突破低质量样本与计算效率的双重限制,创新构建了引入增强定位敏感区域的表达能力模块的EMViT轻量化骨干网络;与此同时,为改善最近邻插值法可能出现细节丢失、锯齿状边缘和图像失真等问题,引入DySample上采样算子;最后为了解决低质量样本回归难题,设计基于WIoUv3的动态梯度分配策略。本实验在太原师范学院智能科技与艺术创新科研平台提供的GUI数据集中验证了检测精度及效率平衡方面的有效性。实验结果表明,检测平均精度(mAP)达到了89.8%,相较于原始RT-DETR提升了9.53百分点,同时,EM-DETR在检测速度上也表现出色,在GUI组件检测这一细分场景下,首次将RT-DETR架构的精度提高到可落地水平,在保持可接受的实时性同时大大提高了检测正确率。现已将其应用到教育部产学合作协同育人公示企业山西赛迩教育科技有限公司中的产品研发环节,取得良好效果。
文摘单晶硅生产过程中,引晶工艺产生的缺陷严重影响产品质量,传统的基于视觉的缺陷检测方法在检测引晶图像中的凸点小目标时,存在检测速度慢、参数量大、难以部署在嵌入式终端等不足。为此,提出了一种改进的YOLOv8目标检测模型,引入了ContextGuided模块,提高了模型的推理效率;在特征融合网络中引入更为高效的DySample,优化了特征融合的效率和深度;采用轻量级网络结构,减少了模型的复杂度和计算量,使其适应计算资源有限的终端设备。在工业数据集上进行了训练和测试,实验结果表明,对凸点小目标的检测更加准确,mAP(mean average precision)达到97.7%,在精确率上相对于YOLOv8n提升了11.6%,同时参数量减少31.9%,方便部署在嵌入式终端。
文摘为了对纺织工业中不同尺度织物瑕疵进行快速检测,提出基于改进YOLOv8的织物瑕疵检测模型YOLOv8-MED,结合MBConv模块和EMA(Efficieent Multi Scale Attention)注意力机制优化YOLOv8骨干网络深层的C2f(Faster Implementation of CSP Bottleneck with 2 Convolutions)模块,提高对小目标特征的提取效率,并有效减轻模型体积;引入超轻量化且高效的动态上采样模块Dysample增强对图像细节的捕捉,进一步保留图像的细节信息;采用MPDIoU(Maximized Position-Dependent IoU)损失函数优化预测框与真实框之间的位置,从而提升检测精度。实验结果表明,YOLOv8-MED在天池布匹数据集上的精确率、召回率和mAP@50分别提升了6.4%、10.9%和6.7%,显著提升了检测性能,并且减少了模型参数量。
