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：
基于轻量化改进YOLOv5s的织物表面缺陷识别算法
1
作者 徐继龙 赵帅 +3 位作者 吴丹丹 费树凤 李红艳 张婕 《合成纤维》 2026年第2期49-56,共8页
目前大多数织物缺陷检测依靠人工,检测速度慢、误检率高。为了实现快速高精度的织物缺陷识别,提出了基于YOLOv5s改进的高效织物缺陷特征识别网络YOLO-Fibre识别多种织物缺陷。使用MobileNetV3优化主干网络,减少了网络参数量、计算量。应... 目前大多数织物缺陷检测依靠人工,检测速度慢、误检率高。为了实现快速高精度的织物缺陷识别,提出了基于YOLOv5s改进的高效织物缺陷特征识别网络YOLO-Fibre识别多种织物缺陷。使用MobileNetV3优化主干网络,减少了网络参数量、计算量。应用Distance-IOU K-means++(DKmeans++)聚类算法重新生成检测锚框,提高网络特征定位捕捉能力。引入大卷积核思想设计主干网络与颈部网络,提高网络对输入图片全局特征以及检测目标形状偏差的学习能力,引入网络输入特征位置编码信息。使用Partial Pointwise Convolution(PWConv)卷积重构颈部网络模块,进一步减少了网络计算量,提高了模型推理速度,增强了网络空间特征提取能力。试验结果显示,YOLO-Fibre网络平均识别精度达到86.7%,模型大小下降了26.2%,GFLOPs下降了36.3%,性能优于其他流行的检测网络,满足织物缺陷检测高精度与工业部署轻量化的要求。 展开更多
关键词 织物表面缺陷 D-Kmeans++ MobileNetV3 RepLKDeXt pwconv
原文传递
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