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6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FEW-YOLOv8遥感图像目标检测算法 被引量：1
1
作者 席阳丽 屈丹 +1 位作者 王芳芳 都力铭 《郑州大学学报(工学版)》 北大核心 2025年第4期62-69,共8页
针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用Faster... 针对遥感图像目标检测任务中进行特征提取时缺少小目标信息,特征融合过程中部分信息丢失,小目标特征信息不明显,导致小目标检测精度不高的问题,提出了一种基于FEW-YOLOv8模型的遥感图像目标检测算法。首先,优化骨干网络架构,使用FasterNet骨干网络,更有效地提取了遥感图像中小目标的空间特征,使得网络模型更专注于微小目标,从而提升小目标检测精度。其次,使用EMA注意力与C2f构建全新的C2f_EMA模块,替换Neck结构中的C2f模块,在融合特征前进行特征注意力加强操作,使网络模型更突出特征信息中小目标部分,有效解决特征融合过程中小目标特征丢失问题。最后,采用带有动态非单调FM的WIoUv3作为边界框的损失函数,提高了模型的边界框定位精度,并且提升了对小目标的检测性能。实验结果显示:在NWPU VHR-10数据集上经过优化的YOLOv8算法的mAP 50相较于原始YOLOv8算法提高了7.71百分点,在HRSC2016和DOTA v1.0上分别提高了9.70百分点和12.32百分点,证明所提算法能够有效提升遥感图像中小目标的检测精度。 展开更多
关键词 遥感图像 YOLOv8 FasterNet骨干网络 EMA注意力机制 WIoU损失函数
在线阅读 下载PDF
改进YOLOv10的钢材表面缺陷检测方法 被引量：1
2
作者 吴葛 朱宇凡 叶天成 《电子测量技术》 北大核心 2025年第4期158-168,共11页
针对工业系统现有钢材表面缺陷检测模型较老,准确率有限,存在错判漏判的问题,提出了一种改进YOLOv10的钢材表面缺陷检测方法FAA-YOLO。该方法通过引入轻量化网络FasterNet和多尺度注意力机制EMA,设计了C2f_Faster_EMA模块,实现Backbone... 针对工业系统现有钢材表面缺陷检测模型较老,准确率有限,存在错判漏判的问题,提出了一种改进YOLOv10的钢材表面缺陷检测方法FAA-YOLO。该方法通过引入轻量化网络FasterNet和多尺度注意力机制EMA,设计了C2f_Faster_EMA模块,实现Backbone网络轻量化与特征提取能力增强的平衡;在Backbone网络末端添加自适应细粒度通道注意力机制AFGC,增强模型骨干网络对输入特征的初步提取能力,进而提高模型的检测精度;将Neck部分换为注意力尺度序列融合框架ASF,提升模型整合多尺度特征信息的能力。在NEU-DET钢材表面缺陷数据集上进行对比实验和消融实验,实验结果表明,提出的FAA-YOLO模型较基线YOLOv10n模型参数量降低11.01%,计算量降低7.69%,检测精度提高2.9个点,达到83.6%的检测准确率,在降低模型复杂度的同时实现了较高的检测准确率,在工业系统中具有高可用性与高实时性。 展开更多
关键词 钢材表面缺陷检测 YOLOv10 FasterNet EMA AFGC ASF-YOLO
原文传递
一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型
3
作者 冯峰 孔淳 +5 位作者 陈诗瑶 马春悦 王琛 郭秀茹 孙博 王志军 《山东农业科学》 北大核心 2025年第1期156-165,共10页
黄精是重要的药食同源品种,在黄精的种植与育种过程中,通常采用基于个人经验的人工方式进行种子成熟度识别,但该方式存在主观性强、精确度不稳定的问题,会在一定程度上影响种植后黄精的产量和质量,进而影响黄精产品的品质和下游产业的... 黄精是重要的药食同源品种,在黄精的种植与育种过程中,通常采用基于个人经验的人工方式进行种子成熟度识别,但该方式存在主观性强、精确度不稳定的问题,会在一定程度上影响种植后黄精的产量和质量,进而影响黄精产品的品质和下游产业的经济效益;另一方面,由于黄精种植地块通常较为分散,使得人工识别种子成熟度的方式较为低效。为了解决以上问题,本研究提出一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型——YOLOv8n-FasterNet-EMA。首先,在模型轻量化方面,通过将YOLOv8n主干网络中原本的卷积替换为FasterNet的PConv卷积结构,与Bottleneck层结合后得到新的c2f-FasterNet模块,从而减小模型的计算量与内存消耗;其次,在模型泛化性能方面,通过使用EMA注意力机制与YOLOv8n颈部网络中检测处的c2f模块结合,提升模型的特征提取能力,进而改善模型的泛化能力。为验证所提模型的性能,在构建的黄精种子成熟度数据集上进行了对比实验,结果表明,与原YOLOv8n模型相比,本研究所提模型在平均识别精度上提升了2.1%,同时模型的参数量降低了21.3%;此外,与SSD、YOLOv5n相比,本研究所提模型在识别精度和速度上也取得一定的提升。因此,YOLOv8n-FasterNet-EMA能有效识别黄精种子的成熟度,这对实现黄精种子成熟度的智能化识别,进而提升黄精育种的质量、改善下游产业的经济效益均具有重要的实际意义。 展开更多
关键词 黄精 种子成熟度识别 卷积神经网络 YOLOv8n FasterNet EMA注意力机制
在线阅读 下载PDF
基于LSCDH-YOLOv8轻量化的化工厂火灾检测算法
4
作者 杜强 姜明新 +1 位作者 洪远 王杰 《传感技术学报》 北大核心 2025年第8期1432-1440,共9页
针对当前火灾检测算法对化工场景下的火灾检测漏检、检测精度不高、对小型火焰检测效果较差等问题,提出一种基于LSCDH-YOLOv8轻量化的化工厂火灾检测方法。为了轻量化特征提取网络,将YOLOv8网络中的C2f模块中Bottleneck替换为FasterNet... 针对当前火灾检测算法对化工场景下的火灾检测漏检、检测精度不高、对小型火焰检测效果较差等问题,提出一种基于LSCDH-YOLOv8轻量化的化工厂火灾检测方法。为了轻量化特征提取网络,将YOLOv8网络中的C2f模块中Bottleneck替换为FasterNet模块,并引入了EMA注意力机制,增强有效特征复用的同时降低计算复杂度;将P2层特征图引入到Neck模块中,来提升小目标检测的精度;将原来的边界框回归损失函数CIoU替换为结合了Inner-IoU和SIoU的损失函数Inner-SIoU,来加速网络的收敛;最后,提出四头的LSCDH共享卷积预测头,使得网络结构轻量化的同时提高检测精度。在自制的化工火灾数据集上进行实验比较,实验结果证明:模型大小从8.1 M下降51.8%至3.9 M,模型参数量下降43.4%,平均精度提升了5.6%。实现了在计算量升高不大的同时,提升了火灾检测精度。实现了模型的进一步轻量化,适于低端设备运行。所提出的检测算法基本满足了化工厂火灾检测的需求。 展开更多
关键词 烟火检测 YOLOv8 FasterNet_EMA LSCDH预测头 Inner-SIoU
在线阅读 下载PDF
基于YOLOv8n的航拍图像小目标检测算法 被引量：8
5
作者 齐向明 严萍萍 姜亮 《计算机工程与应用》 CSCD 北大核心 2024年第24期200-210,共11页
针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值... 针对航拍图像小目标检测中存在目标密集和相互遮挡问题,提出一种基于YOLOv8n的航拍图像小目标检测算法。在主干网络末段,置换C2f中Bottleneck为改进后的FasterNet,保持通道数并提升收敛速度;替换SPPF中CBS激活函数SiLU为ReLU使输入负值置零,在CBS后引入SE注意力机制扩张感受野,保留更多小目标特征。输出端检测头前嵌入高效多尺度注意力机制EMA获取更多细节信息,进一步提高小目标关注度。将基线网络损失函数CIoU替换成Wise IoU,提供增益分配策略,专注普通质量锚框,提高网络泛化能力。在数据集VisDrone2021和RSOD上做消融实验和对比实验,相较于基线算法,mAP@0.5分别提升5.1和7.2个百分点,mAP@0.5:0.95分别提升4.4和2.1个百分点,表明检测精度指标显著提升;在公开数据集VOC2007+2012上做泛化实验,mAP@0.5提升3.8个百分点,表明具有良好的鲁棒性。 展开更多
关键词 航拍图像 小目标检测 YOLOv8n FasterNet SPPF模块 高效多尺度注意力机制(EMA) Wise IoU
在线阅读 下载PDF
基于Faster-YOLOv8网络模型的车载交通标志检测算法研究 被引量：8
6
作者 高良鹏 赵博文 简文良 《重庆交通大学学报（自然科学版）》 CAS CSCD 北大核心 2024年第8期114-123,共10页
交通标志检测是自动驾驶、智能交通系统以及道路安全监控等的关键任务之一。针对交通标志检测存在小目标数量多、精度低、传统模型体积大、不宜部署等问题,基于YOLOv8n网络模型提出了一种新的交通标志检测算法—Faster-YOLOv8。该模型在... 交通标志检测是自动驾驶、智能交通系统以及道路安全监控等的关键任务之一。针对交通标志检测存在小目标数量多、精度低、传统模型体积大、不宜部署等问题,基于YOLOv8n网络模型提出了一种新的交通标志检测算法—Faster-YOLOv8。该模型在Neck部分采用C2f-Faster模块(C2f和FasterNet的高效融合)来优化YOLOv8n网络结构,降低模型参数量及模型大小;引入EMA注意力机制,并应用于模型主干网络,实现了更好的多尺度感知和空间感知,增强了模型的特征提取能力;通过添加小目标检测层,有效地结合了不同尺度特征信息,保留更多的细节信息,从而提高了对小目标的检测能力;采用SioU作为边界损失函数提高检测精度。研究结果表明:改进的Faster-YOLOv8在中国交通标志检测数据集TT100K中的检测精度(P_(recision))、召回率(R_(ecall))、平均精度均值(m_(AP@0.5))分别达到了79.8%、69.3%、77.8%,相比YOLOv8n模型提升了1.1%、2.8%、2.9%,参数量及模型大小减少了23.59%、19.16%,在检测准确性和模型轻量化方面都取得了显著改进,与现有方法相比,具有更强的实际应用价值。 展开更多
关键词 交通工程 YOLOv8 交通标志 FasterNet EMA SIoU
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