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3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Dynamic-YOLOv5的道路缺陷实时检测
1
作者 陈海 王明明 《计算机与现代化》 2026年第1期68-75,共8页
及时准确地检测出道路缺陷,可以有效地预防交通事故和降低道路养护成本。然而,传统的检测方法面临漏检、错检较多的情况,难以满足实际需求。为实现在小模型上高精准度的道路缺陷检测,本文提出一种基于YOLOv5s改进的道路缺陷检测模型,名... 及时准确地检测出道路缺陷,可以有效地预防交通事故和降低道路养护成本。然而,传统的检测方法面临漏检、错检较多的情况,难以满足实际需求。为实现在小模型上高精准度的道路缺陷检测,本文提出一种基于YOLOv5s改进的道路缺陷检测模型,名为Dynamic-YOLOv5。首先,在模型结构上,将原先模型中的检测头替换为Dynamic Head,通过引入动态注意力机制,显著提高目标检测头的表示能力,且不增加任何计算开销。其次,在损失函数方面,基于FocalEIoU对DIoU进行改进,得到了Focal-DIoU,并用其替换掉YOLOv5s模型中的CIoU损失函数,从而更好地处理目标框回归中的不平衡问题。最后,在激活函数的选择上,使用ReLU激活函数替换原先卷积层中的SiLU激活函数,进一步优化模型的训练效率和推理速度。实验结果表明,改进后的Dynamic-YOLOv5在GRDDC2020数据集上取得了具有竞争力的结果,与原有的模型相比,在模型仅增加了0.83 M参数的情况下,mAP提升了3.6百分点,达到了更好的检测精度和鲁棒性。本文的研究成果不仅为道路缺陷检测提供了一种高效的小模型解决方案,也为其他目标检测任务中的模型优化提供了新的思路和方法。 展开更多
关键词 道路缺陷检测 YOLOv5 动态头部 focal-diou ReLU激活函数
在线阅读 下载PDF
基于改进YOLOv7的轻量级红花检测方法 被引量：2
2
作者 郭翔羽 南新元 +1 位作者 石天怡 蔡鑫 《东北师大学报(自然科学版)》 北大核心 2025年第3期67-76,共10页
针对目前采摘机器人资源有限、视野有限与训练样本不平衡造成的复杂环境下红花错检和漏检问题,提出一种改进YOLOv7的轻量级红花检测模型.首先,利用深度可分离卷积层构建轻量级骨干网络,减少识别过程中的冗余计算,提高了检测速度;其次,... 针对目前采摘机器人资源有限、视野有限与训练样本不平衡造成的复杂环境下红花错检和漏检问题,提出一种改进YOLOv7的轻量级红花检测模型.首先,利用深度可分离卷积层构建轻量级骨干网络,减少识别过程中的冗余计算,提高了检测速度;其次,在特征提取与融合阶段提出轻量级特征处理D-MP模块,进一步降低网络计算量.同时,针对红花检测中易出现的错检漏检,设计了一种轻量级多尺度连接的特征提取与融合模块,改善细节特征丢失问题,提高不同尺度特征提取与融合能力;最后,使用Focal-DIOU损失函数优化因样本数不平衡造成的难分类与重叠边界框的回归问题,提高检测精度.实验结果表明,改进后的模型平均精度均值达到93.4%,检测速度达到98.6 f/s,相比YOLOv7模型分别提升了3.8%和63.8%,同时运算量减少了58.1%,参数量下降了18.1%,减少对算力与电力的需求,便于模型部署与提高机器人作业时长. 展开更多
关键词 红花采摘 复杂环境 轻量化 YOLOv7 focal-diou损失函数
在线阅读 下载PDF
一种改进YOLOv3的手势识别算法 被引量：8
3
作者 睢丙东 张湃 王晓君 《河北科技大学学报》 CAS 北大核心 2021年第1期22-29,共8页
为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为... 为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。 展开更多
关键词 计算机神经网络 YOLOv3 目标检测 手势识别 DIoU Focal损失函数
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