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：
融合改进的YOLOv5n和通道剪枝的寄生卵检测和分类 被引量：1
1
作者 王杰 马纪颖 《计算机技术与发展》 2025年第2期146-152,共7页
当前众多目标检测模型过于复杂,难以实现将寄生卵的检测和分类任务部署在移动设备,就此该文研究探讨了一种融合改进的YOLOv5n和通道剪枝的算法。选择YOLOv5是由于YOLOv5的轻量化以及较高的精确度,能够达到该文的实验目的。该文采用融合C... 当前众多目标检测模型过于复杂,难以实现将寄生卵的检测和分类任务部署在移动设备,就此该文研究探讨了一种融合改进的YOLOv5n和通道剪枝的算法。选择YOLOv5是由于YOLOv5的轻量化以及较高的精确度,能够达到该文的实验目的。该文采用融合C3_Faster模块和RepConv重参数化模块对YOLOv5n的BackBone中的所有C3模块和Neck网络中部分卷积模块进行替换,C3_Faster模块通过PConv减少卷积操作加快网络模型推理速度,RepConv重参数化模块在训练阶段实行多分支结构增强特征提取能力,在验证阶段实行单分支结构加快检测速度,同时在改进后的YOLOv5n模型上进行稀疏训练和通道剪枝,通过减少模型中的冗余通道来降低模型复杂度、减少参数数量、提高检测效率和降低模型权重。在寄生卵检测和分类任务对比实验中,该方法与YOLOv5n、YOLOv5s、YOLOv7-tiny、YOLOv8n和SSD目标检测算法相比,在检测精度略微下降的情况下,在GFLOPs、FPS、参数数量以及模型权重上具有相对优势。经过实验验证,模型检测精度保持98.3%的同时能够更方便更容易部署在性能不高的移动设备。该文为基于YOLOv5n的寄生卵检测和分类任务在实用性方面提供了一种有效的解决方案。 展开更多
关键词 YOLOv5算法 寄生卵检测 C3_Faster repconv 通道剪枝
在线阅读 下载PDF
基于RSA-YOLOv10n的列车风管卡夹检测算法
2
作者 王岱融 赵雨虹 +1 位作者 屈小章 刘翊 《控制与信息技术》 2025年第2期54-64,共11页
针对列车检测工作中因环境昏暗、检测目标细小等因素导致风管卡夹检测精确度不足、检测效率低等问题,文章基于收集的列车风管卡夹数据集提出了一种基于RSA-YOLOv10n的检测算法。首先,为更好地捕捉图像中的不同特征,基于YOLOv10n模型将C... 针对列车检测工作中因环境昏暗、检测目标细小等因素导致风管卡夹检测精确度不足、检测效率低等问题,文章基于收集的列车风管卡夹数据集提出了一种基于RSA-YOLOv10n的检测算法。首先,为更好地捕捉图像中的不同特征,基于YOLOv10n模型将Conv卷积修改为RepConv卷积,自适应地调整卷积核的表示能力;其次,为提高模型对重要信息的敏感性,在Neck层增加StokenAttention注意力机制,能够使模型检测动态地聚焦于图像中的关键区域;最后,通过自标注的上千张列车风管卡夹图片的数据集进行实验,得到RSA-YOLOv10n模型的mAP@50%、mAP@95%、精确度及召回率分别为98.7%、75.1%、97.3%和96.6%,相较于YOLOv10n模型的分别提升了0.2、0.8、0.2和0.3个百分点;RSA-YOLOv10n模型在模型大小、GFLOPs、函数损失值等参数持平于YOLOv10n模型的情况下大大提高了模型的FPS值。通过消融实验及与YOLOv3-tiny、YOLOv5n、YOLOv8n等模型的对比实验,分析验证了本文所提检测算法在综合精确度、召回率及检测时间等指标方面存在更大优势,适合在列车风管卡夹检测领域进行推广,对列车装置部件检测的技术发展具有重大意义。 展开更多
关键词 目标检测 YOLOv10n 风管卡夹 repconv卷积 StokenAttention注意力机制
在线阅读 下载PDF
基于YOLO v7的海量烟支外观缺陷快速自动标注方法 被引量：2
3
作者 吕献周 蒋铭 +2 位作者 李庆松 吴仕超 余茜 《科技创新与应用》 2024年第15期40-45,共6页
图像标注作为监督式机器学习的关键环节,在处理海量的烟支缺陷数据时,传统的人工标注方法由于耗时长和主观性强等缺点显得不够高效。针对烟支缺陷检测领域中大量图像数据的自动化标注挑战,该文以YOLO v7作为基线网络,并进行一系列经验... 图像标注作为监督式机器学习的关键环节,在处理海量的烟支缺陷数据时,传统的人工标注方法由于耗时长和主观性强等缺点显得不够高效。针对烟支缺陷检测领域中大量图像数据的自动化标注挑战,该文以YOLO v7作为基线网络,并进行一系列经验性的改进,以解决传统人工标注过程中存在的高成本和低效率问题。通过对YOLO v7的结构进行创新性调整,如合并neck层和head层,并引入Rep VGG结构,实现烟支图像的高效自动标注。实验结果表明,改进后的YOLO v7和YOLO v7-tiny在真实烟支数据集上的标注错误率分别为7.3%和6.56%,其中YOLO v7-tiny展现最快的标注速度。这项研究不仅在提高标注效率和准确性方面取得显著进步,还为烟支缺陷检测领域提供一种经济高效的自动化处理方案。 展开更多
关键词 YOLO v7 烟支外观缺陷检测 自动标注 repconv VGG
在线阅读 下载PDF
基于改进YOLOv8的铁路异物侵限检测方法 被引量：4
4
作者 陈伟迅 柯旭能 孟思明 《机电工程技术》 2024年第11期211-214,共4页
快速、准确地从监控影像中检测侵入铁路的异物对保障列车运行安全具有重要意义。针对列车运行过程中出现的小型目标和与背景相似度较高的物体难以被准确识别的问题,提出一种改进的YOLOv8算法,可快速、准确地检测铁路图像中的侵限。首先,... 快速、准确地从监控影像中检测侵入铁路的异物对保障列车运行安全具有重要意义。针对列车运行过程中出现的小型目标和与背景相似度较高的物体难以被准确识别的问题,提出一种改进的YOLOv8算法,可快速、准确地检测铁路图像中的侵限。首先,在Backbone网络主干层引入CBAM注意力机制,提高轨道异物特征提取速度,令模型更加关注于图像中的关键特征,同时抑制不相关的铁路背景信息。其次,针对模型中CIoU损失函数在宽高比上的模糊定义问题,将EIOU损失函数替代原有的损失函数,最小化目标框与锚盒的宽度和高度之差,提高边界框回归的精度的同时加快模型的收敛。最后利用分组卷积对传统目标检测头进行优化,在不损耗模型精度的情况下提高模型的效率,令模型在实际应用中具有更好的性能。实验结果表明,改进的YOLOv8算法在数据集上的mAP值达到96.2%,在检测精度上达到较高的水准,证明该模型在现实生活中具有应用价值。 展开更多
关键词 异物侵限检测 深度学习 目标检测 YOLOv8算法 CBAM注意力机制 EIoU repconv
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