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3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SepViT模型的YOLOv8s刀具缺陷检测实验研究
1
作者 温彬彬 陈旭凤 刘建军 《机电工程》 北大核心 2026年第2期289-298,共10页
为了提升刀具表面缺陷识别的精度,提高机械加工效率,提出了一种融合可分离视觉转换器模型的YOLOv8s改进刀具瑕疵目标检测方法———YOLOv8s-SepViT。首先,在图像特征提取阶段,引入了可分离的视觉转换器(SepViT)模型,该(SepViT)模型通过... 为了提升刀具表面缺陷识别的精度,提高机械加工效率,提出了一种融合可分离视觉转换器模型的YOLOv8s改进刀具瑕疵目标检测方法———YOLOv8s-SepViT。首先,在图像特征提取阶段,引入了可分离的视觉转换器(SepViT)模型,该(SepViT)模型通过融合深度可分离卷积与视觉变换器,协同实现了图像全局信息提取、目标局部信息捕获以及全局-局部信息交互目的;然后,在特征融合阶段,提出了改进的坐标注意力机制(CA),在坐标注意力机制(CA)基础上整合深度可分离卷积,完成了更高效的特征建模;最后,在目标边框损失上,使用联合体上的结构交叉点(SIoU)损失函数替换了YOLOv8s中的联合体上的完全交叉点(CIoU)损失函数,通过引入角度损失和优化形状损失,有效提升了模型的收敛速度与定位精度。研究结果表明:利用该方法在4090显卡上进行了PyTorch模型训练并设置了各项参数,在通用数据集上的精确度、召回率、mAP@0.5和mAP@0.5:0.95指标相较于基准YOLOv8s模型分别提高了2.2%、1.7%、1.9%和0.9%;在自建数据集上的精确度、召回率、mAP@0.5和mAP@0.5:0.95指标上相较于基准YOLOv8s模型分别提高了3.4%、6.0%、4.1%和3.9%。由此可见,改进后的模型实现了对刀具表面瑕疵目标的高效、高精度检测目的,具有显著的工业应用潜力。 展开更多
关键词 刀具检测 sepvit模型 改进YOLOv8s模型 可分离的视觉转换器模型 改进的坐标注意力机制 结构交叉点损失函数 完全交叉点缺失函数
在线阅读 下载PDF
基于改进YOLOv5的复杂场景火灾检测方法研究
2
作者 李井辉 汤伟业 +1 位作者 刘一诺 王庆麒 《微型电脑应用》 2025年第3期10-14,共5页
针对当前目标检测算法在复杂场景下检测火焰烟雾在检测精度与速度上存在的不足,提出一种基于改进YOLOv5的复杂场景火灾检测的算法,以提高火灾检测速度与精度。以YOLOv5为基础网络,在主干网络添加Convolutional Block Attention Module(C... 针对当前目标检测算法在复杂场景下检测火焰烟雾在检测精度与速度上存在的不足,提出一种基于改进YOLOv5的复杂场景火灾检测的算法,以提高火灾检测速度与精度。以YOLOv5为基础网络,在主干网络添加Convolutional Block Attention Module(CBAM)注意力机制,在不增加额外参数的情况下关注火焰烟雾的特征信息的同时抑制背景中的冗余信息;使用Separable Vision Transformer(SepVit)模块替代主干网络最后一层Spatial Pyramid Pooling-Fas(SPPF),提高模型的火焰烟雾特征提取能力;借鉴Bidirectional Feature Pyramid Networks(BiFPN)结构改进Neck结构,增强模型的火焰烟雾特征融合能力以提高模型检测火焰烟雾的精度;调整定位损失函数为Scaled Intersection over Union(SIOU)以提高模型训练速度与回归精准度。基于公开数据集和互联网火灾图像数据自建10 080张多复杂应用场景下的火焰烟雾数据样本集,解决缺乏权威火灾样本集限制的同时提升模型训练的泛化能力。实验结果表明,在自建的火焰烟雾数据集上,改进之后算法对比原始算法的平均精度提高了7.1%,检测速度达到96.8帧/s,可以实时检测复杂场景下火灾中的火焰烟雾目标。 展开更多
关键词 YOLOv5 火灾检测 CBAM SIOU sepvit
在线阅读 下载PDF
基于改进轻量型YOLOv5的太阳能电池板缺陷检测 被引量：11
3
作者 李婷 孙渊 《组合机床与自动化加工技术》 北大核心 2023年第11期95-99,106,共6页
为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参... 为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参数量,提高模型检测速度;同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取;然后设计了融合SimAM注意力机制的ASFF自适应特征融合模块,在改进多尺度特征提取的同时减轻模型的重量;最后增加P2检测层,提高小目标的检测效率,给模型带来持续的性能提升。实验结果表明,改进算法与原YOLOv5模型对比,参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用;检测精度达到了96.2%,比最新的YOLOv7-tiny提高了5.3%,证明了其优势。 展开更多
关键词 太阳能电池板缺陷检测 YOLOv5 MobileOne sepvit SimAM ASFF
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