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：
基于人体姿态估计的跌倒行为检测方法研究
1
作者 崔泽男 张俊林 王泽强 《工业控制计算机》 2026年第3期54-56,共3页
基于深度学习的方法在提高跌倒检测准确性和鲁棒性方面取得了显著进展,然而仍存在人体关键点检测困难、复杂场景下实时姿态追踪精度偏低和速度较慢等问题。针对这些问题,构建了一个人体姿态估计和跌倒检测模型。提出采用模型YOLOv8对运... 基于深度学习的方法在提高跌倒检测准确性和鲁棒性方面取得了显著进展,然而仍存在人体关键点检测困难、复杂场景下实时姿态追踪精度偏低和速度较慢等问题。针对这些问题,构建了一个人体姿态估计和跌倒检测模型。提出采用模型YOLOv8对运动目标进行深度学习;采用MobileNet网络结构对原有的DarkNet网络结构进行替换;采用MergeNMS,有效避免多次计算同一边界框之间的重叠度,提高网络处理速度。实验表明,所提算法对复杂场景下实时的人体姿态估计和跌倒检测具有较好的效果,模型运行具有较快速度。 展开更多
关键词 人体姿态估计 YOLOv8 Alpha Pose MobileNet merge-nms
在线阅读 下载PDF
基于改进YOLOv7-x的多场景火灾识别算法 被引量：9
2
作者 赵泽华 王亚超 +1 位作者 赵江平 张洪基 《中国安全生产科学技术》 CAS CSCD 北大核心 2023年第12期115-120,共6页
为解决发生火灾时传统的火灾报警器易受环境和空间的限制,出现检测精度下降的问题,提出1种基于改进YOLOv7-x的多场景火灾识别算法。首先,对火灾数据集进行多样化扩展,使其对任务场景更具适应性,再将扩展好的数据集进行数据增强以提升模... 为解决发生火灾时传统的火灾报警器易受环境和空间的限制,出现检测精度下降的问题,提出1种基于改进YOLOv7-x的多场景火灾识别算法。首先,对火灾数据集进行多样化扩展,使其对任务场景更具适应性,再将扩展好的数据集进行数据增强以提升模型的鲁棒性;其次,在算法头部嵌入Coordinate Attention注意力机制,用来增强算法对火灾的专注力,并在算法主干引入ConvNeXtBlock结构,提升算法的精度;最后,使用Merge-NMS算法代替传统的NMS算法用来提升预测框位置的精准度。研究结果表明:改进YOLOv7-x算法相比于改进前的均值平均精确度mAP提高7.8个百分点,改进后的算法性能更优,可满足复杂场景下火灾精准检测的要求。研究结果可为智能化检测火灾提供技术支持。 展开更多
关键词 火灾识别 YOLOv7 注意力机制 ConvNeXt merge-nms
在线阅读 下载PDF
基于轻量化YoloV5的谷穗实时检测方法 被引量：4
3
作者 李云 邱述金 +3 位作者 赵华民 李晓斌 张庆辉 原向阳 《江苏农业科学》 北大核心 2023年第6期168-177,共10页
针对复杂谷田场景中谷穗密集、尺寸较小且遮挡严重的情况,适用于此环境的目标检测模型要求较高算力,在移动设备上实现谷穗实时检测存在困难等问题,本研究提出一种基于YoloV5的轻量化谷穗实时检测方法。将YoloV5s的主干特征提取网络替换... 针对复杂谷田场景中谷穗密集、尺寸较小且遮挡严重的情况,适用于此环境的目标检测模型要求较高算力,在移动设备上实现谷穗实时检测存在困难等问题,本研究提出一种基于YoloV5的轻量化谷穗实时检测方法。将YoloV5s的主干特征提取网络替换成具有注意力机制的MobilenetV3轻量化模型,采用在多特征融合检测结构增加微尺度检测层,后处理使用Merge-NMS算法,将不同改进方法重构的模型在自建的谷穗数据集上进行训练和测试。结果表明,本研究改进的模型平均检测精度达到97.78%,F1分数为94.20%,模型大小仅为7.56 MB,每幅图像的平均检测时间为0.023 s,与经典目标检测模型比较,表现出较强的鲁棒性和泛化能力。本研究改进的轻量化YoloV5谷穗检测模型能克服复杂环境的影响,显著提高谷穗在密集分布及遮挡条件下的检测效果,为移动设备上实现谷穗实时检测提供技术参考。 展开更多
关键词 轻量化谷穗检测模型 MoblienetV3 微尺度检测层 merge-nms算法
在线阅读 下载PDF
一种应用于婴儿监护的改进YOLOv5算法
4
作者 吴志攀 陈海成 +1 位作者 郑康泰 林贤涛 《现代计算机》 2023年第21期9-14,共6页
婴儿在婴儿床、椅子或床上睡觉时可能会有一些危险情况发生,比如婴儿因力量不足无法翻身、一直维持趴着状态而导致窒息。该研究专注于婴儿特征,包括行为特征(如趴着、爬动、躺着、坐着、站着)和神情特征(如平静、开心、伤心),基于YOLOv... 婴儿在婴儿床、椅子或床上睡觉时可能会有一些危险情况发生,比如婴儿因力量不足无法翻身、一直维持趴着状态而导致窒息。该研究专注于婴儿特征,包括行为特征(如趴着、爬动、躺着、坐着、站着)和神情特征(如平静、开心、伤心),基于YOLOv5目标检测算法并对其进行改进使之更适合于快速准确检测出婴儿状况。传统YOLOv5采用的原始NMS对重合度很高的预测框不友好,改进的YOLOv5则在传统YOLOv5基础上添加了Merge-NMS,使预测框的位置更为准确。经过验证,改进后的YOLOv5相比传统的YOLOv5的特征平均mAP@0.5∶0.95提升了2.7个百分点,其中动作特征爬动提升最高,提升了4.0个百分点。 展开更多
关键词 婴儿 窒息 监护 YOLOv5 merge-nms
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