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：
基于改进YOLOv5s的拉挤板缺陷检测 被引量：1
1
作者 徐东亮 赖九衡 杨会兰 《复合材料科学与工程》 北大核心 2025年第5期132-141,共10页
为解决传统拉挤板缺陷检测方法中存在的检测精确度低、检测速度慢等问题,创建了玻璃纤维拉挤板缺陷数据集,提出了一种基于改进YOLOv5s的拉挤板缺陷检测模型。主要改进为:在特征提取网络部分,添加EvcBlock模块增强小目标特征提取能力,添... 为解决传统拉挤板缺陷检测方法中存在的检测精确度低、检测速度慢等问题,创建了玻璃纤维拉挤板缺陷数据集,提出了一种基于改进YOLOv5s的拉挤板缺陷检测模型。主要改进为:在特征提取网络部分,添加EvcBlock模块增强小目标特征提取能力,添加CBAM注意力机制提高重要特征的关注度;使用C3-Faster模块优化C3模块,实现了模型轻量化;在检测端引入具有形状损失的新型损失函数ShapeIoU,优化了预测框和真实框的拟合效果,提高了缺陷检测精确度。实验结果表明:改进后的YOLOv5s模型对比原YOLOv5s模型,mAP@0.5提升了3.6%,达到了88.7%,参数量降低了2.1%。改进模型检测速度为121.95 f/s,与YOLOv8s等五种模型相比综合性能更优,能够满足拉挤板缺陷检测的需求。 展开更多
关键词 拉挤板 YOLOv5s 缺陷检测 evcblock C3-faster ShapeIoU 复合材料
在线阅读 下载PDF
基于图像识别的PCB表观缺陷检测方法研究 被引量：1
2
作者 宋旭东 顾亚良 宋亮 《大连交通大学学报》 2025年第5期153-160,共8页
针对印刷电路板(PCB)表观缺陷因细微、位置分散等引起的检测精度低、漏检率高的问题,提出基于图像识别网络的PCB表观缺陷检测方法。改进后的网络在特征提取阶段采用部分卷积,并拓宽模块宽度,在缩减计算量的同时提高检测精度;将EVCBlock... 针对印刷电路板(PCB)表观缺陷因细微、位置分散等引起的检测精度低、漏检率高的问题,提出基于图像识别网络的PCB表观缺陷检测方法。改进后的网络在特征提取阶段采用部分卷积,并拓宽模块宽度,在缩减计算量的同时提高检测精度;将EVCBlock模块引入高层特征,以降低边角区域小目标的漏检率;在特征融合部分添加BiFormer模块,通过双路由注意力机制和稀疏采样保留细粒度细节,提升对小目标的检测效果;同时,采用MPDIoU损失函数解决特殊缺陷位置条件下网络优化失效的问题,简化计算过程。结果表明,改进网络的缺陷检测方法平均检测精度(mAP@0.5)达到98.5%,准确率为95.8%,召回率为98.4%,较原网络方法分别提升3百分点、3.3百分点、3.1百分点。对比其他主流方法,该方法检测效果更好,在电路板缺陷检测中具有更高的应用价值。 展开更多
关键词 PCB表观缺陷检测 部分卷积 evcblock模块 双路由注意力机制 MPDIoU损失函数
在线阅读 下载PDF
基于改进YOLOv5的手术器械检测算法研究
3
作者 彭帅杰 张小波 《洛阳理工学院学报(自然科学版)》 2025年第2期80-88,共9页
针对手术器械识别在实际应用场景中常见的排列紧密和相互遮挡而导致检测准确率低和漏检率增加的问题,提出了一种改进的YOLOv5目标检测算法,在颈部网络中采用EVCBlock模块以增强对模型的感受野,提高了模型对排列密集器械目标识别漏检的能... 针对手术器械识别在实际应用场景中常见的排列紧密和相互遮挡而导致检测准确率低和漏检率增加的问题,提出了一种改进的YOLOv5目标检测算法,在颈部网络中采用EVCBlock模块以增强对模型的感受野,提高了模型对排列密集器械目标识别漏检的能力,使用特征提取模块C3Faster替换原模型中的C3模块,进一步增强模型的特征信息提取能力,同时降低模型参数量和复杂度,提升了对手术器械的检测精度和速度。引入WIoUv3替换传统的CIoU损失函数,显著提升了模型收敛速度和边界框回归的精度。实验结果表明:相比原始YOLOv5模型,改进算法的mAP@0.5提高了8.2%,参数量和计算量分别减少了9%、11.2%。 展开更多
关键词 手术器械 深度学习 目标检测 YOLOv5 evcblock模块
在线阅读 下载PDF
基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统 被引量：5
4
作者 杨断利 王永胜 +3 位作者 陈辉 孙二东 王连增 宁炜 《农业机械学报》 EI CAS CSCD 北大核心 2023年第9期316-328,共13页
针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模... 针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点,对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型,平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。 展开更多
关键词 蛋鸡 日常行为识别 SEAM模块 evcblock模块 YOLO v5s
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