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2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：
轻量化模型的PeleeNet_yolov3地表裂缝识别 被引量：7
1
作者 刘星 莫思特 +3 位作者 张江 王炜康 杨世基 李鑫 《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2023年第4期81-89,共9页
为提高地表裂缝检测在低算力运算平台上的稳定性和检测速率,提出了一种PeleeNet与YOLOv3相结合的目标检测算法。使用PeleeNet框架代替YOLOv3的Darknet-53主体框架,以融合不同的局部特征及提高运算效率;在框架中融合特征注意力模块以提... 为提高地表裂缝检测在低算力运算平台上的稳定性和检测速率,提出了一种PeleeNet与YOLOv3相结合的目标检测算法。使用PeleeNet框架代替YOLOv3的Darknet-53主体框架,以融合不同的局部特征及提高运算效率;在框架中融合特征注意力模块以提高图像中裂缝区域的显著度,并通过对感受野模块RFB卷积核的复用,增大网络的有效视野,提高小目标检测精度;在特征金字塔网络中,通过使用深度可分离卷积代替标准卷积,减少参数计算量;引入CIoU损失函数提高模型的分类与回归精度。在测试平台上应用裂缝数据进行算法验证,结果表明:AP50达到了97.68%,AP75达到了77.87%,较原始的YOLOv3分别提高8.4%和12.4%,检测速度达到了30帧/s,且模型参数大小仅为原始YOLOv3的30%;可以看出,本研究提出的PeleeNet_yolov3轻量化模型对于裂缝目标的检测效果较为明显,并且具有较小的运算量和参数量,适合应用于移动端系统,对于小体积低功耗低算力运算平台具有较大应用价值。 展开更多
关键词 YOLOv3 裂缝检测 peleenet 深度可分离卷积 感受野模块 特征注意力模块 CIoU
在线阅读 下载PDF
基于YOLOv5的绝缘子图像识别算法轻量化改进研究 被引量：3
2
作者 苏凯第 赵巧娥 《电瓷避雷器》 CAS 2024年第4期173-180,共8页
为解决传统神经网络图像识别模型无法在无人机等微型嵌入式设备有效部署的问题,基于YOLOv5算法提出一种针对无人机嵌入式平台的电力巡检绝缘子图像轻量化识别算法。以ShuffleNetV2为骨干网络,并使用深度可分离卷积替换传统卷积减少参数... 为解决传统神经网络图像识别模型无法在无人机等微型嵌入式设备有效部署的问题,基于YOLOv5算法提出一种针对无人机嵌入式平台的电力巡检绝缘子图像轻量化识别算法。以ShuffleNetV2为骨干网络,并使用深度可分离卷积替换传统卷积减少参数量,降低算法对物理内存的需求。同时针对绝缘子特征对图像预处理部分进行改进,使用PeleeNet网络中的Stem结构代替Focus结构,加快训练速度,减轻嵌入式平台CPU的计算压力。另外,在残差网络中引入Transformer注意力机制,提高算法对遮挡目标的提取能力。所提算法能够在支持Arm架构的树莓派4B+平台部署,检测准确率可达91.6%,对遮挡绝缘子检出率能达到96%。处理尺寸为640×640的单张图片平均检测时间0.97 s。 展开更多
关键词 无人机电力巡检 YOLOv5s ShuffleNetV2 peleenet Transformer注意力机制
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