期刊导航
期刊开放获取
vip
退出
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
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
检索
高级检索
期刊导航
共找到
2
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
FEV-YOLOv8n:轻量化安全帽佩戴检测方法
被引量:
3
1
作者
韩博
张婧婧
鲁子翱
《计算机测量与控制》
2025年第1期69-77,84,共10页
针对基线YOLOv8n检测算法结构较复杂以及现有的安全帽佩戴检测算法参数量和计算量较大,难以在终端部署等问题,提出一种基于FEV-YOLOv8n的轻量化检测模型;设计一种轻量级的FasterC2f模块改进YOLOv8n的骨干网络,实现网络的参数量和计算量...
针对基线YOLOv8n检测算法结构较复杂以及现有的安全帽佩戴检测算法参数量和计算量较大,难以在终端部署等问题,提出一种基于FEV-YOLOv8n的轻量化检测模型;设计一种轻量级的FasterC2f模块改进YOLOv8n的骨干网络,实现网络的参数量和计算量的降低;在FasterC2f模块中引入EMA注意力机制,融合空间依赖和位置信息,建立长短期的依赖关系,增强对目标表征的关注,以提高模型检测的精度;使用VoVGSCSP模块改进颈部网络,提高遮挡目标以及小目标的辨识度;实验结果表明,改进YOLOv8n模型map值为92.5%,相较于YOLOv8n算法,模型大小减少20%,计算量降低18.5%,参数量降低15.7%,为安全帽佩戴检测的轻量化研究提供理论参考。
展开更多
关键词
目标检测
安全帽
fasterc2f
轻量化
Efficient
Multi-Scale
Attention
VoVGSCSP
在线阅读
下载PDF
职称材料
基于改进YOLOv8的大件货物运输目标障碍物检测方法
2
作者
谢兴国
闵丹
+3 位作者
江宇星
况雲赟
邹佳鑫
魏存鑫
《中国科学与技术学报》
2025年第4期72-81,共10页
大件货物运输过程中障碍物类型多样、环境复杂,传统目标检测算法在识别精度和实时性方面存在不足。为实现复杂运输场景下障碍物的快速、精准识别,本文在YOLOv8模型基础上进行了结构改进。通过在Backbone与Neck层引入多残差模块(MRM)、Fa...
大件货物运输过程中障碍物类型多样、环境复杂,传统目标检测算法在识别精度和实时性方面存在不足。为实现复杂运输场景下障碍物的快速、精准识别,本文在YOLOv8模型基础上进行了结构改进。通过在Backbone与Neck层引入多残差模块(MRM)、FasterC2f模块(含部分卷积PConv)和空间注意力机制(SA),分别提升特征提取能力、优化特征融合效率并强化显著区域响应。基于自建大件运输障碍物数据集开展系统的消融实验与对比实验。实验结果表明,改进模型在mAP@0.5和mAP@0.5:0.95上分别提升4.4%和7.5%,F1值提高4个百分点;与YOLOv5、YOLOv7、FasterR-CNN等主流算法相比,改进YOLOv8的mAP@0.5达0.911,mAP@0.5:0.95为0.712,推理速度提升至108帧/秒。研究表明,本文提出的改进YOLOv8模型在检测精度、实时性及鲁棒性方面均显著优于传统算法,能够有效应对光照变化、遮挡及多尺度目标检测任务,为大件运输障碍物的智能识别与安全监测提供了高效可靠的技术支撑。
展开更多
关键词
大件运输
YOLOv8
多残差模块
空间注意力机制
障碍物检测
在线阅读
下载PDF
职称材料
题名
FEV-YOLOv8n:轻量化安全帽佩戴检测方法
被引量:
3
1
作者
韩博
张婧婧
鲁子翱
机构
新疆农业大学计算机与信息工程学院
智能农业教育部工程研究中心
新疆农业信息化工程技术研究中心
出处
《计算机测量与控制》
2025年第1期69-77,84,共10页
基金
新疆维吾尔自治区自然科学基金资助项目(2022D01A202)
新疆维吾尔自治区高校科研计划项目(XJEDU2020Y020)
新疆维吾尔自治区研究生科研创新项目(XJ2024G124)。
文摘
针对基线YOLOv8n检测算法结构较复杂以及现有的安全帽佩戴检测算法参数量和计算量较大,难以在终端部署等问题,提出一种基于FEV-YOLOv8n的轻量化检测模型;设计一种轻量级的FasterC2f模块改进YOLOv8n的骨干网络,实现网络的参数量和计算量的降低;在FasterC2f模块中引入EMA注意力机制,融合空间依赖和位置信息,建立长短期的依赖关系,增强对目标表征的关注,以提高模型检测的精度;使用VoVGSCSP模块改进颈部网络,提高遮挡目标以及小目标的辨识度;实验结果表明,改进YOLOv8n模型map值为92.5%,相较于YOLOv8n算法,模型大小减少20%,计算量降低18.5%,参数量降低15.7%,为安全帽佩戴检测的轻量化研究提供理论参考。
关键词
目标检测
安全帽
fasterc2f
轻量化
Efficient
Multi-Scale
Attention
VoVGSCSP
Keywords
target detection
safety helmet
fasterc2f
lightweight
efficient multi-scale attention
VoVGSCSP
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv8的大件货物运输目标障碍物检测方法
2
作者
谢兴国
闵丹
江宇星
况雲赟
邹佳鑫
魏存鑫
机构
四川省大件运输有限公司
西华大学汽车与交通学院
出处
《中国科学与技术学报》
2025年第4期72-81,共10页
文摘
大件货物运输过程中障碍物类型多样、环境复杂,传统目标检测算法在识别精度和实时性方面存在不足。为实现复杂运输场景下障碍物的快速、精准识别,本文在YOLOv8模型基础上进行了结构改进。通过在Backbone与Neck层引入多残差模块(MRM)、FasterC2f模块(含部分卷积PConv)和空间注意力机制(SA),分别提升特征提取能力、优化特征融合效率并强化显著区域响应。基于自建大件运输障碍物数据集开展系统的消融实验与对比实验。实验结果表明,改进模型在mAP@0.5和mAP@0.5:0.95上分别提升4.4%和7.5%,F1值提高4个百分点;与YOLOv5、YOLOv7、FasterR-CNN等主流算法相比,改进YOLOv8的mAP@0.5达0.911,mAP@0.5:0.95为0.712,推理速度提升至108帧/秒。研究表明,本文提出的改进YOLOv8模型在检测精度、实时性及鲁棒性方面均显著优于传统算法,能够有效应对光照变化、遮挡及多尺度目标检测任务,为大件运输障碍物的智能识别与安全监测提供了高效可靠的技术支撑。
关键词
大件运输
YOLOv8
多残差模块
空间注意力机制
障碍物检测
Keywords
Oversized Cargo Transport
YOLOv8
Multi-Residual Module
fasterc2f
Spatial Attention Mechanism
Obstacle Detection
分类号
U492.3 [交通运输工程—交通运输规划与管理]
TP183 [自动化与计算机技术—控制理论与控制工程]
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
FEV-YOLOv8n:轻量化安全帽佩戴检测方法
韩博
张婧婧
鲁子翱
《计算机测量与控制》
2025
3
在线阅读
下载PDF
职称材料
2
基于改进YOLOv8的大件货物运输目标障碍物检测方法
谢兴国
闵丹
江宇星
况雲赟
邹佳鑫
魏存鑫
《中国科学与技术学报》
2025
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部