-
题名基于YOLO的石棉纤维检测
- 1
-
-
作者
齐凤
李伟
赵立信
孙万利
-
机构
大连工业大学
-
出处
《计算机技术与发展》
2026年第2期87-95,共9页
-
文摘
随着工业化进程的推进,石棉检测成为公共安全和环境健康的重要任务。为了提高石棉检测的精度,该文提出了一种基于YOLOv8n改进的检测算法——EAS-YOLO。在网络结构的颈部引入显式视觉中心(Explicit Visual Center,EVC),并提出一种跨分支注意力融合机制(Cross-Attention Fusion,CAF),通过将EVC和CAF有效融合,形成了EVC-CAF机制,该机制使模型能够更好地调整不同层次和尺度的特征,从而提升了整体的检测精度。在检测头处采用了一种提升特征尺度不变性的自适应特征融合方法,有效增强了检测的准确性。针对传统损失函数精度不足的问题,该文采用Shape_IoU损失函数,该函数能够更准确地聚焦于边界框和目标形状的重合度,从而进一步提升了检测的准确率。改进的EAS-YOLO网络在石棉纤维检测中平均精度值(mAP@0.5和mAP@0.5-0.95)分别提高2.24百分点和3.24百分点,同时召回率提高了2百分点。结果表明,该方法能有效提高石棉检测的性能,为石棉检测的实际应用提供可靠的技术支持。
-
关键词
YOLOv8n
石棉检测
自适应空间特征融合
shape_iou
显示视觉中心
注意力融合机制
-
Keywords
YOLOv8n
asbestos detection
adaptive spatial feature fusion
shape_iou
displaying visual centers
attentional fusion mechanisms
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于SSE-YOLO的红外小目标检测算法
被引量：1
- 2
-
-
作者
大妹
姜麟
陶友凤
胡淼
-
机构
昆明理工大学理学院
-
出处
《红外技术》
北大核心
2025年第4期475-483,共9页
-
基金
国家自然科学基金项目(11761042)。
-
文摘
针对红外成像面积小、分辨率低、易被遮挡导致漏检、检测精度低等问题,本文提出了一种基于SSE-YOLO的红外小目标检测算法。首先在YOLOv8s的基础上引入深度非跨步卷积模块,避免检测过程中细粒度信息的丢失并提高特征学习的效率;其次在特征提取阶段增加专门针对小目标的检测层,以提升模型对红外小目标的提取能力;此外设计了一种高效的双注意力机制(efficient dual-attention mechanism,EDAM),自适应地学习每个通道和空间位置的重要性,从而更好地捕捉图像中的关键信息;然后使用Shape_IoU损失函数来聚焦边框自身形状与自身尺度,进一步提高边框回归的精确度;最后在FLIR数据集和艾睿光电公司拍摄的数据集上进行了一系列实验。结果表明:本文所提方法在两种数据集上的平均精度分别达到了89.8%与92.1%,相比于原始的模型分别提高了3.3%与2.9%。
-
关键词
YOLOv8s
红外小目标检测
深度非跨步卷积
shape_iou损失函数
双注意力机制
-
Keywords
YOLOv8s
infrared small target detection
space-to-depth convolution
shape_iou Loss
dual-attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
