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1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：
SwinIdentity-YOLO:基于Transformer改进YOLOv5的缺陷检测算法及其应用
1
作者 陈榕榕 陈壹华 +3 位作者 余松森 徐芳 曾易文浩 杨明樟 《微电子学与计算机》 2025年第7期136-148,共13页
近年来,基于深度学习的表面缺陷检测方法虽然显著提升了检测精度,但由于存在CNN检测模型全局特征提取能力不足以及CNN-Transformer混合模型计算资源消耗过大的问题,限制了其在工业生产中的应用。为了解决这些问题,提出了一种Swin-Identi... 近年来,基于深度学习的表面缺陷检测方法虽然显著提升了检测精度,但由于存在CNN检测模型全局特征提取能力不足以及CNN-Transformer混合模型计算资源消耗过大的问题,限制了其在工业生产中的应用。为了解决这些问题,提出了一种Swin-IdentityFormer网络结构,用于替代YOLOv5中的CSP-Darknet53骨干网络。与直接使用Swin Transformer作为骨干网络对比,模型参数量下降了大约49.4%。同时,引入了skipconcatFPN结构、深度可分离卷积、C2f模块和微小目标检测层,增加网络各层中的特征信息的利用率,实现特征融合,以提高检测精度。此外,还使用MPDIoU损失函数替代CIoU损失函数,以简化损失函数的计算。实验结果表明:该模型在NEUDET数据集和GC10-DET数据集上的检测精度mAP分别为79.59%和74.4%,展现出了良好的泛化能力和鲁棒性。提出的改进方法不仅在保持较高检测精度的同时降低计算资源开销,还为工业生产中的自动化表面缺陷检测应用提供了有价值的理论基础和实用指导。 展开更多
关键词 缺陷检测 YOLOv5 Swin Transformer identityformer
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