期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
使用YOLOv8-HSC网络结合Transformer与SENetV2注意力机制的钢轨表面裂缝检测方法研究
1
作者 孟宁宁 闵永智 冯哲然 《铁道学报》 2026年第3期99-107,共9页
钢轨因提速、重载及高密度运行易产生裂缝,对列车安全构成威胁。因此,提出一种YOLOv8-HSC网络的钢轨表面裂缝检测方法。针对钢轨表面裂缝检测识别任务中图像对比度不足、裂缝特征难以清晰呈现问题,采用直方图均衡化技术处理数据集使裂... 钢轨因提速、重载及高密度运行易产生裂缝,对列车安全构成威胁。因此,提出一种YOLOv8-HSC网络的钢轨表面裂缝检测方法。针对钢轨表面裂缝检测识别任务中图像对比度不足、裂缝特征难以清晰呈现问题,采用直方图均衡化技术处理数据集使裂缝与钢轨之间在视觉上鲜明易辨。针对YOLOv8网络在复杂背景下钢轨裂缝检测时面临局部特征提取不充分的问题,采用COT替换YOLOv8颈部网络中的C2f模块,以强化模型在复杂背景下的全局与局部信息捕捉能力;针对小目标裂缝难检测的问题,在YOLOv8网络的小目标检测头部前引入SENetV2网络,提升了模型对小目标特征的提取精度和空间定位能力。实验结果表明:与原始的YOLOv8网络相比,YOLOv8-HSC网络在m_(mAP,0.5︰0.95)和m_(mAP,0.5)两个评价指标上分别提高1.9%和5.1%;针对两种类型的钢轨表面裂缝,检测精度也分别提升7.6%和2.6%。这些量化的提升不仅充分证明本文方法的有效性,也展示其在提升铁路安全运营水平和钢轨维护效率方面的巨大应用潜力。 展开更多
关键词 YOLOv8 小目标检测 钢轨表面裂缝 直方图均衡化 COT senetv2
在线阅读 下载PDF
基于改进YOLOv5的架空线路关键部件典型缺陷识别 被引量:1
2
作者 王鹏 倪彬 +3 位作者 郭壮壮 张书盛 王志 蔡润楷 《计算机与现代化》 2025年第2期114-120,共7页
架空线路中的关键部件长期暴露在自然环境下,会出现损坏、脱落等现象,造成缺陷。用人力检测并修复这种缺陷比较困难。为了解决上述问题,本文提出一种轻量的、适用于边缘计算设备的、基于改进的YOLOv5的检测方法。首先,在骨干网络末端添... 架空线路中的关键部件长期暴露在自然环境下,会出现损坏、脱落等现象,造成缺陷。用人力检测并修复这种缺陷比较困难。为了解决上述问题,本文提出一种轻量的、适用于边缘计算设备的、基于改进的YOLOv5的检测方法。首先,在骨干网络末端添加EMA模块,增强网络对特征的捕捉能力;其次,将颈部的CBS模块替换为GhostConv,且将颈部的C3模块与SENetV2相结合,使网络在更加轻量化的同时增强网络的表征能力。实验结果表明,改进方法与YOLOv5相比,提高了类平均精度,同时在保持检测实时性的前提下仅损失了少许帧数;与SSD、Faster R-CNN算法相比,在检测精度和速度上都具有一定的优势。 展开更多
关键词 YOLOv5 目标检测 架空线路 EMA GhostConv senetv2
在线阅读 下载PDF
改进YOLOv10n的光伏电池缺陷检测算法
3
作者 王海群 武泽锴 于海峰 《电子测量技术》 北大核心 2025年第15期52-62,共11页
针对光伏电池缺陷检测中,由于缺陷形态不规则、尺寸多变及缺陷种类繁多等因素导致的缺陷识别困难、漏检和误检率高的问题,提出一种改进YOLOv10n的光伏电池缺陷检测算法。首先,剔除原C2f的Bottleneck结构,设计PMSFA_CSP模块作为主干和颈... 针对光伏电池缺陷检测中,由于缺陷形态不规则、尺寸多变及缺陷种类繁多等因素导致的缺陷识别困难、漏检和误检率高的问题,提出一种改进YOLOv10n的光伏电池缺陷检测算法。首先,剔除原C2f的Bottleneck结构,设计PMSFA_CSP模块作为主干和颈部网络的部分特征提取模块,通过其部分多尺度特征提取及残差结构获取上下文信息的能力,增强网络对缺陷特征的融合能力。其次,利用不同膨胀率的共享卷积层及SENetV2聚合稠密层注意力机制,设计FPSC_SENetV2模块引入主干网络,减少局部信息丢失,增强网络对细节特征的捕捉能力。再次,融合FreqFFPN与PMSFA_CSP模块,设计FreqFP_FPN模块并引入特征金字塔网络,降低类别不一致性,增强高频细节的缺陷信息;最后,构建SESN损失函数作为边界框回归损失函数,平衡不同尺度缺陷的检测,加速网络收敛,提高计算效率。实验结果表明:将改进的YOLOv10n在光伏电池缺陷数据集上进行实验,相较原算法mAP@0.5提高3.0%;计算量降低0.7 GFLOPs;参数量降低0.08 M;综合性能满足光伏电池缺陷检测要求。 展开更多
关键词 光伏电池 缺陷检测 YOLOv10n 损失函数 senetv2注意力机制 共享卷积层 部分卷积
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部