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YOLOv8的车载红外目标检测改进算法研究
1
作者 侯军 杨洁 邵凯青 《计量学报》 北大核心 2025年第2期167-176,共10页
针对车载红外图像检测中的目标相互遮挡和小尺度目标漏检问题,提出一种基于YOLOv8的车载红外目标检测改进算法(VITD-YOLO)。首先,在Neck网络中增加大尺寸特征网络预测层(S-layer),增强网络对于小目标的检测精度;其次,在Backbone网络中设... 针对车载红外图像检测中的目标相互遮挡和小尺度目标漏检问题,提出一种基于YOLOv8的车载红外目标检测改进算法(VITD-YOLO)。首先,在Neck网络中增加大尺寸特征网络预测层(S-layer),增强网络对于小目标的检测精度;其次,在Backbone网络中设计C2F-DA模块,利用offset轻量化结构增强模型对目标的局部特征感知能力,并结合3种不同尺度自注意力设计了动态卷积头检测模组(Dy-head),提高被遮挡和密集目标的定位和分类精度;最后,采用Focal-SIoU作为网络的损失函数,解决训练样本中行人车辆目标类别不均衡问题,并提高网络训练和推理能力。将该算法在FLIR红外数据集上测试,实验结果表明:VITD-YOLO具有良好的检测效果和鲁棒性,对小尺度目标检测精度更高;该算法的平均精度达到91.2%,比原算法提高了2.5%,召回率达到83.4%,比原算法提高3.2%。 展开更多
关键词 机器视觉 车载红外目标检测算法 YOLOv8 辅助驾驶 图像识别 C2F-DA focal-siou
在线阅读 下载PDF
基于改进YOLOv10n的太阳能电池板表面缺陷检测算法 被引量：1
2
作者 刘德飞 朱文忠 王文 《佳木斯大学学报(自然科学版)》 2025年第7期17-19,24,共4页
针对太阳能电池板表面多尺度特征缺陷检测的准确率不高等问题,提出一种基于改进YOLOv10n的太阳能电池板表面缺陷检测算法。首先,设计iCBAM倒置残差注意力机制,通过关注输入特征并结合了逆残差结构,实现了更高效的特征提取与表示;其次,引... 针对太阳能电池板表面多尺度特征缺陷检测的准确率不高等问题,提出一种基于改进YOLOv10n的太阳能电池板表面缺陷检测算法。首先,设计iCBAM倒置残差注意力机制,通过关注输入特征并结合了逆残差结构,实现了更高效的特征提取与表示;其次,引入MSDA多尺度空洞注意力,整合来自不同尺度的特征;最后,提出Focaler-SIoU损失函数,提高目标检测模型处理难以检测的目标能力。实验结果表明,改进之后的模型计算复杂度略低于YOLOv10n基础模型,mAP@0.5,Recall,Precision三项指标分别提升2.4%,2.5%,1.2%。 展开更多
关键词 YOLOv10n 太阳能电池板 iCBAM Focaler-SIoU
在线阅读 下载PDF
基于改进YOLOv8的船板焊缝质量检测方法 被引量：4
3
作者 张恩召 李磊 +3 位作者 汪建华 覃杰伟 刘旭珍 胡秋实 《陕西科技大学学报》 北大核心 2024年第6期172-179,共8页
针对目前船舶制造工业之中船板焊缝质量检测精度不高、模型计算量大的问题.提出基于改进YOLOv8模型的高精度、轻量化自动检测方法(REF_YOLOv8).该方法引入了由Res2Net和EMA注意机制整合而成的REM模块,增强了感受野的同时减少了计算开销... 针对目前船舶制造工业之中船板焊缝质量检测精度不高、模型计算量大的问题.提出基于改进YOLOv8模型的高精度、轻量化自动检测方法(REF_YOLOv8).该方法引入了由Res2Net和EMA注意机制整合而成的REM模块,增强了感受野的同时减少了计算开销.同时,利用SIoU融合Focal机制形成Focal-SIoU机制,取代原有的CIoU,优化目标重要性评估与预测框位置判断.此外,使用GhostConv取代了传统的Conv操作,在不影响性能的情况下降低了计算成本.实验结果表明,改进后模型相比原始YOLOv8,mAP@0.5提高3.3%,模型的计算量减少31.5%,参数量减少了36.7%,证明了REF_YOLOv8模型在船板焊缝识别领域的高精度和高效性. 展开更多
关键词 船板焊缝 质量检测 YOLOv8 REM模块 focal-siou机制
在线阅读 下载PDF
基于YOLOv5s模型的边界框回归损失函数研究 被引量：17
4
作者 董恒祥 潘江如 +2 位作者 董芙楠 赵晴 郭鸿鑫 《现代电子技术》 北大核心 2024年第3期179-186,共8页
针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率... 针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。 展开更多
关键词 车辆检测 边界框回归损失函数 目标尺度 YOLOv5s CIoU SIoU Focal-EIoU WIoU
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