森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多...森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.展开更多
针对果园复杂环境下苹果检测模型大小与精度难以兼顾的问题,文章基于YOLOv8n(You Only Look Once Version 8n,YOLOv8n)提出YOLOv8n-Mob(You Only Look Once Version 8n-Mobile-NetV3,YOLOv8n-Mob)模型。该模型以移动网络版本3(Mobile Ne...针对果园复杂环境下苹果检测模型大小与精度难以兼顾的问题,文章基于YOLOv8n(You Only Look Once Version 8n,YOLOv8n)提出YOLOv8n-Mob(You Only Look Once Version 8n-Mobile-NetV3,YOLOv8n-Mob)模型。该模型以移动网络版本3(Mobile Network Version 3,MobileNetV3)为轻量化主干,结合分层通道注意力机制(Squeeze-and-Excitation,SE)/卷积块注意力模块(Convolutional Block Attention Module,CBAM),有效降低模型的计算复杂度;在颈部网络优化路径聚合网络—特征金字塔网络(Path Aggregation Network-Feature Pyramid Network,PAN-FPN),检测头中引入圆形感知交并比(Intersection over Union,IoU)损失函数,通过多模块协同优化提升模型检测精度。经试验,该模型参数量为0.9 MB、浮点运算次数(Floating Point Operations,FLOPs)为2.6 G、平均精度均值50(mean Average Precision 50,mAP50)为78.6%、帧速率(Frames Per Second,FPS)为625。对比试验与消融试验结果均表明,YOLOv8n-Mob模型在保持高检测精度的同时,显著降低了参数量与计算量,更适配果园复杂场景的部署需求。展开更多
In positive-ion fast atom bombardment (FAB) mass spectrometry, when mono- and di- saccharides are mixed with an appropriate amount of NH4Cl, a highly abundan peak [M+NH4]+appers in FAB mass spectra . From the adduct ...In positive-ion fast atom bombardment (FAB) mass spectrometry, when mono- and di- saccharides are mixed with an appropriate amount of NH4Cl, a highly abundan peak [M+NH4]+appers in FAB mass spectra . From the adduct ion [M+NH4]+, the molecular weights of mono- and di- saccharides can be determined definitively展开更多
为满足多数工业场景下钢板表面缺陷检测的需求,针对钢板表面缺陷检测准确率低及小目标缺陷检测率低等问题,文中提出了一种基于改进YOLOv5(You Only Look Once version 5)的钢板表面缺陷检测算法。在YOLOv5的基础上将CBAM(Convolution Bl...为满足多数工业场景下钢板表面缺陷检测的需求,针对钢板表面缺陷检测准确率低及小目标缺陷检测率低等问题,文中提出了一种基于改进YOLOv5(You Only Look Once version 5)的钢板表面缺陷检测算法。在YOLOv5的基础上将CBAM(Convolution Block Attention Module)注意力模块嵌入到主干网络中,提高网络检测精度。加入上下文增强模块,提高了算法对小目标的检测性能。使用NWD(Normalized Wasserstein Distance)度量标准代替原YOLOv5中的IoU(Intersection over Union)度量,提高了网络对裂纹缺陷的识别精确度。实验结果表明,钢板表面缺陷检测算法对裂纹、夹杂、斑块、麻点、压入氧化铁皮、划痕6类缺陷的平均检测精度达到了88.9%,每秒帧数达到110.4 frame·s-1,其中小目标裂纹准确率达到75%。展开更多
文摘森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.
文摘针对果园复杂环境下苹果检测模型大小与精度难以兼顾的问题,文章基于YOLOv8n(You Only Look Once Version 8n,YOLOv8n)提出YOLOv8n-Mob(You Only Look Once Version 8n-Mobile-NetV3,YOLOv8n-Mob)模型。该模型以移动网络版本3(Mobile Network Version 3,MobileNetV3)为轻量化主干,结合分层通道注意力机制(Squeeze-and-Excitation,SE)/卷积块注意力模块(Convolutional Block Attention Module,CBAM),有效降低模型的计算复杂度;在颈部网络优化路径聚合网络—特征金字塔网络(Path Aggregation Network-Feature Pyramid Network,PAN-FPN),检测头中引入圆形感知交并比(Intersection over Union,IoU)损失函数,通过多模块协同优化提升模型检测精度。经试验,该模型参数量为0.9 MB、浮点运算次数(Floating Point Operations,FLOPs)为2.6 G、平均精度均值50(mean Average Precision 50,mAP50)为78.6%、帧速率(Frames Per Second,FPS)为625。对比试验与消融试验结果均表明,YOLOv8n-Mob模型在保持高检测精度的同时,显著降低了参数量与计算量,更适配果园复杂场景的部署需求。
文摘In positive-ion fast atom bombardment (FAB) mass spectrometry, when mono- and di- saccharides are mixed with an appropriate amount of NH4Cl, a highly abundan peak [M+NH4]+appers in FAB mass spectra . From the adduct ion [M+NH4]+, the molecular weights of mono- and di- saccharides can be determined definitively
文摘为满足多数工业场景下钢板表面缺陷检测的需求,针对钢板表面缺陷检测准确率低及小目标缺陷检测率低等问题,文中提出了一种基于改进YOLOv5(You Only Look Once version 5)的钢板表面缺陷检测算法。在YOLOv5的基础上将CBAM(Convolution Block Attention Module)注意力模块嵌入到主干网络中,提高网络检测精度。加入上下文增强模块,提高了算法对小目标的检测性能。使用NWD(Normalized Wasserstein Distance)度量标准代替原YOLOv5中的IoU(Intersection over Union)度量,提高了网络对裂纹缺陷的识别精确度。实验结果表明,钢板表面缺陷检测算法对裂纹、夹杂、斑块、麻点、压入氧化铁皮、划痕6类缺陷的平均检测精度达到了88.9%,每秒帧数达到110.4 frame·s-1,其中小目标裂纹准确率达到75%。
