-
题名基于深度学习的PCB缺陷检测
被引量：1
- 1
-
-
作者
陈建豪
徐洁
汪志锋
-
机构
上海第二工业大学智能制造与控制工程学院
-
出处
《现代电子技术》
北大核心
2025年第8期7-12,共6页
-
文摘
针对当前印刷电路板(PCB)缺陷检测存在的检测精度低、速度慢等问题,设计一种基于改进YOLOv7的WiseYOLOv7算法。首先,在原有self-attention的基础上加入焦点调制网络,将不同粒度级别的空间特征汇总为调制器,以自适应的方式注入查询操作中,省去大量交互和聚合操作,从而使得模型轻量化;其次,利用RCSOSA模块减少特征图的通道数量,同时增强相邻层特征不同通道间的信息交流,提高模型对PCB小目标缺陷的特征提取能力和数据处理效率;最后,选用动态非单调焦点机制的Wise-IoU损失函数来加强对高质量锚盒的选取,优化目标检测器的性能。与YOLOv7基础算法相比,改进算法将平均精度由92.0%提高至96.1%,提高了4.1%,检测时间由21.9 ms缩短到17.9 ms,改进算法在精度和速度上都有明显提升。
-
关键词
印刷电路板
缺陷检测
YOLOv7算法
深度学习
焦点调制网络
rcsosa模块
Wise-IoU损失函数
-
Keywords
printed circuit board
defect detection
YOLOv7 algorithm
deep learning
focus modulation network
rcsosa module
Wise-IoU loss function
-
分类号
TN41-34
[电子电信—微电子学与固体电子学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8的交通标志检测方法
- 2
-
-
作者
朱立忠
万文峰
刘韵婷
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《通信与信息技术》
2025年第5期6-10,共5页
-
基金
辽宁省自然科学基金(项目编号:2022-KF-14-02)。
-
文摘
交通标志检测是能够确保智能驾驶安全的关键技术。针对交通标志在检测中像素面积小、精度低以及被遮挡的问题,提出一种基于YOLOv8改进的交通标志检测算法。首先,引入RCSOSA模块替换骨干网络中的C2f部分,利用重参数化技术分别在训练阶段和推理阶段提高模型的表达能力和推理效率、简化计算;然后,为捕捉到更细节的特征信息,引入上下文增强模块,突出微小目标在多尺度特征中的语义信息;最后,采用Wise-IoU取代原始的CIoU,对预测框的离群程度进行评估,以此为依据动态调整梯度增益,使模型具有更好的定位精度。实验结果表明,改进后的模型在中国交通标志检测数据集CCTSDB中较原模型在精确度P及平均精度均值mAP上分别提升了2.6%和1.1%,小目标检测精度提高了1.2%,检测速度为每秒68帧,满足实时检测的要求。
-
关键词
YOLOv8
交通标志
rcsosa
Wise-IoU
CCTSDB
-
Keywords
YOLOv8
Traffic signs
rcsosa
Wise-IoU
CCTSDB
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLO11的带钢表面缺陷检测方法
- 3
-
-
作者
肖长军
刘凯
赵晋
-
机构
济南大学自动化与电气工程学院
-
出处
《智慧工厂》
2025年第1期64-68,共5页
-
文摘
针对热轧带钢表面缺陷检测任务中存在的特征提取不充分、小目标检测困难及密集缺陷定位偏差等问题,本文提出一种基于改进YOLO11的缺陷检测算法。通过将原始YOLO11网络中的C3K2模块替换为RCSOSA模块,增强模型对微小目标和密集缺陷的特征提取能力。模型在NEU-DET数据集上的实验结果表明,改进后的模型(YOLO11n_RCSOSA)平均精度均值(mAP50)达到79.6%,较原始YOLO11n提升1.2个百分点。与其他先进目标检测模型相比,本文模型在复杂缺陷检测中表现更优,验证了其在工业场景下的有效性与鲁棒性。
-
关键词
YOLO11
缺陷检测
rcsosa模块
深度学习
-
Keywords
YOLO11
Defect Detection
rcsosa Module
Deep Learning
-
分类号
TN247
[电子电信—物理电子学]
-
-
题名基于YOLOv8模型的抽烟行为检测算法
- 4
-
-
作者
邵港
-
机构
中国人民公安大学信息网络安全学院
-
出处
《警察技术》
2025年第4期78-81,共4页
-
文摘
基于YOLOv8模型进行改进,提出了YOLOv8-RCSOSA-WIoU算法,一方面引入RCSOSA模块改进主干网络(Backbone)和特征增强网络(Neck),用于增强模型对特征信息的提取能力,另一方面选择使用WIoU作为本文模型的损失函数,使得模型能够更加准确地定位到目标边界框的位置和尺寸,能够显著改善模型对烟蒂头小目标检测的性能。通过在自行构建的抽烟数据集上进行测试,平均精确度(mAP@0.5/%)达到了80.5%,与原有算法相比提升了2.9%,实验结果表明,YOLOv8-RCSOSA-WIo U模型对抽烟行为检测的准确性得到了显著提高。
-
关键词
抽烟行为检测
YOLOv8
rcsosa
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
