基于改进RT-DETR钢板缺陷检测技术研究

1

作者 廖大宇 赵刚 万开毅 《组合机床与自动化加工技术》 北大核心 2026年第2期156-162,共7页

针对钢板缺陷在尺寸、形状及颜色等方面跨度较大,缺陷特征模糊复杂,以及复杂环境干扰导致检测精度和效率较低的问题,提出一种改进RT-DETR的钢板缺陷检测目标检测技术。首先,设计了EfficientIC_Block(efficient inverted residual with m... 针对钢板缺陷在尺寸、形状及颜色等方面跨度较大,缺陷特征模糊复杂,以及复杂环境干扰导致检测精度和效率较低的问题,提出一种改进RT-DETR的钢板缺陷检测目标检测技术。首先,设计了EfficientIC_Block(efficient inverted residual with multi-branch cascaded group attention block)替代原主干网络中的BasicBlock模块。该模块优化模型在不同尺度上捕获信息,增强模型的表征能力;其次,引入CATM(convolutional additive token mixer)卷积加性标记混合器改进原模型中的AI-FI,减少模型对复杂插值策略的依赖,并解决了对不同钢板缺陷检测泛化能力差的问题;此外,构建以Slim-Neck设计范式的VoV-GSCSP特征融合模块,并结合GSConv替换原有的RepC3进行高效多尺度特征融合,降低颈部网络计算开销和网络结构的复杂性,提高对深层特征的计算效率和性能;最后,改进方法在数据集上的平均检测精度mAP@0.5相较于基线算法提升3.0%,优于其他测试模型,并且参数量和计算量分别减少26%和24%,内存占用量减少了24.1%。改进后的检测算法不仅在精度上得到了大量提升,同时实现了轻量化,更加契合钢板缺陷检测的部署需求。 展开更多

关键词 钢板缺陷检测 RT-DETR检测 slim-neck结构 轻量化

在线阅读 下载PDF 职称材料

基于改进YOLOv7的番茄成熟度高效检测方法

2

作者 李贺南 艾尔肯·亥木都拉 +1 位作者 侯艳林 郑威强 《农机化研究》 北大核心 2026年第5期120-127,共8页

为解决番茄智能化采摘过程中因自然环境因素导致识别率低的问题,提出了一种基于改进YOLOv7的番茄成熟度检测模型YOLOv7-FGI。首先,在YOLOv7骨干网络中添加FcaNet注意力机制来提高注意力的分配效率以保证模型检测精度;然后,在GSConv模块... 为解决番茄智能化采摘过程中因自然环境因素导致识别率低的问题,提出了一种基于改进YOLOv7的番茄成熟度检测模型YOLOv7-FGI。首先,在YOLOv7骨干网络中添加FcaNet注意力机制来提高注意力的分配效率以保证模型检测精度;然后,在GSConv模块的基础上构建了一个高效的Slim-Neck精简特征融合网络结构来增强特征信息的非线性表达能力,进而在降低模型复杂度的同时提升模型的检测精度和速度;最后,将损失函数替换为Inner-CIoU来提高模型收敛速度并提升模型泛化性。试验结果表明,改进后的YOLOv7-FGI模型在测试集下的精确率、召回率和平均识别精度均值分别为93.2%、94.0%、96.1%,检测速度为96.8 frames/s;相比Faster R-CNN、SSD、YOLOv3、YOLOv5和YOLOv7等经典模型,改进模型的平均识别精度均值分别提升7.7、6.7、6.2、3.9、2.6个百分点,且其检测速度也相对较快。YOLOv7-FGI网络模型能够高效精准地识别出多种自然环境条件下番茄果实的成熟度信息,可为农业智能化管理与采摘提供技术支持和数据支撑。 展开更多

关键词 番茄 成熟度检测 YOLOv7 FcaNet slim-neck Inner-CIoU

在线阅读 下载PDF 职称材料

DB-YOLOv8:一种轻量化条码快速定位模型

3

作者 胡禹涛 梁泉 +1 位作者 张李伟 朱乔乐 《工业控制计算机》 2026年第2期77-79,共3页

针对工业和物流等复杂环境中条码识别面临的光照、噪声、阴影干扰及高速移动问题,提出了一种轻量化条码定位模型DB-YOLOv8。该模型基于YOLOv8设计,首先在Backbone部分引入StarNet网络,以降低参数量和计算量,同时保持定位精度。其次,在N... 针对工业和物流等复杂环境中条码识别面临的光照、噪声、阴影干扰及高速移动问题,提出了一种轻量化条码定位模型DB-YOLOv8。该模型基于YOLOv8设计,首先在Backbone部分引入StarNet网络,以降低参数量和计算量,同时保持定位精度。其次,在Neck部分用GSConv替换原有卷积,并引入Slim-Neck新范式设计,确保充分捕获深层特征的语义信息和浅层特征的细节信息,同时提升检测速度并降低参数量。此外,加入EffectiveSE模块增强特征提取和多尺度信息融合能力。实验结果显示,改进算法实现了99.1%的检测精度,计算量和参数量分别降低了70.03%和28%,在边缘设备Orange Pi5上检测速度达到57 fps。 展开更多

关键词 YOLOv8 StarNet EffectiveSE GSConv slim-neck 轻量化

在线阅读 下载PDF 职称材料

基于YOLOv8改进的车机交互手势识别算法

4

作者 王大虎 侯伟华 +1 位作者 张艳伟 张新科 《印刷与数字媒体技术研究》 北大核心 2025年第4期210-220,共11页

为了提升车机手势交互场景中手势识别的精度,解决检测算法模型参数量大、检测速度慢的问题,本研究提出一种基于YOLOv8改进的轻量化车机交互手势识别模型。首先,使用Slim-neck模块改进YOLOv8模型的颈部网络,减少计算量的同时提高模型的... 为了提升车机手势交互场景中手势识别的精度,解决检测算法模型参数量大、检测速度慢的问题,本研究提出一种基于YOLOv8改进的轻量化车机交互手势识别模型。首先,使用Slim-neck模块改进YOLOv8模型的颈部网络,减少计算量的同时提高模型的特征表达能力。其次,引入共享卷积层的概念来改进检测头,实现检测头的轻量化设计,提高检测速度。同时,还增加CBAM(Convolutional Block Attention Module)注意力机制模块,提高模型对手势特征的感知能力和判别性;引入基于Inner-IoU的Inner-CIoU损失函数加速边界框回归,解决CIoU存在的泛化性弱和收敛速度慢的问题。最后,与常用的YOLO模型进行对比,以验证模型的优越性。实验结果表明,本研究提出的算法在自制数据集上优于其他模型,检测精确率为99.2%,推理速度达到了7ms,满足高精度和实时检测的设计需求。 展开更多

关键词 YOLOv8 轻量化 手势识别 slim-neck CBAM Inner-CIoU

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的叶菜病虫害检测算法研究

5

作者 贺洪江 刘毅祥 王双友 《江苏农业科学》 北大核心 2025年第5期244-250,共7页

叶菜病虫害的早期识别是提高叶菜产量和质量的重要保障,为提高常见叶菜病虫的检测精度,针对实际生产中的复杂环境,以YOLO v5s为基准模型,提出一种改进的FV-YOLO v5s模型。首先,在主干网络中融合CA注意力机制模块与C3特征提取模块,形成了... 叶菜病虫害的早期识别是提高叶菜产量和质量的重要保障,为提高常见叶菜病虫的检测精度,针对实际生产中的复杂环境,以YOLO v5s为基准模型,提出一种改进的FV-YOLO v5s模型。首先,在主干网络中融合CA注意力机制模块与C3特征提取模块,形成了C3CA模块以增强叶菜病虫害的特征提取能力。接着在颈部网络中使用Slim-neck范式设计,高效提取图像中小尺寸目标的特征,增强特征融合的效率。最后用WIoU损失对原损失函数CIoU进行替换,更快地达到收敛状态并提升模型检测性能。结果表明,新模型的精度、召回率和平均精度均值分别达到了92.2%、91.5%、94.8%。改进后的模型FV-YOLO v5s对比原YOLO v5s模型算法,精度、召回率、平均精度均值分别提高2.7、1.4、1.8百分点,优于现有的识别网络,包括YOLO v7、YOLO v8、Faster R-CNN等模型。FV-YOLO v5s模型适用于现代农业生产环境,有助于快速识别和检测叶菜病虫害,且该研究为智慧农业中的叶菜高品质和高产量提供了依据,从而最大限度地减少经济损失。 展开更多

关键词 叶菜病虫害 YOLO v5s CA注意力机制 slim-neck WIoU损失函数

在线阅读 下载PDF 职称材料

基于改进YOLO v8轻量化小麦病害检测方法研究 被引量：1

6

作者 尹利华 崔艳荣 曾龙军 《江苏农业科学》 北大核心 2025年第20期279-287,共9页

随着全球气候的不断变化和农业生产模式的持续调整,小麦病害的危害程度变得越来越复杂且多变。尽管深度学习技术在小麦病害检测领域已经展现出了良好的性能,但在面对复杂多变的实际种植环境时,其识别效果仍然存在一定的局限性。为了应... 随着全球气候的不断变化和农业生产模式的持续调整,小麦病害的危害程度变得越来越复杂且多变。尽管深度学习技术在小麦病害检测领域已经展现出了良好的性能,但在面对复杂多变的实际种植环境时,其识别效果仍然存在一定的局限性。为了应对这一挑战,提出一种基于改进YOLO v8n的轻量化小麦病害检测方法,旨在提高在真实环境中对小麦病害的检测能力。该方法通过在YOLO v8n主干网络中引入ODConv,增强模型对小麦病害特征的提取能力,以提高模型性能和精确度。此外,在颈部网络中引入BiFPN特征融合网络,减少复杂背景的影响,BiFPN采用加权的特征融合机制,在训练过程中自动调节权重,以优化特征融合的效果获取更有价值的信息。最后,在颈部网络引入带GSConv的Slim-Neck,以减少模型的参数量和计算量,使网络模型达到轻量化的效果,同时能保持模型的精度。结果表明,改进后的OBS-YOLO v8网络模型精确率为91.3%,召回率为71.3%,mAP@0.5为77.3%,相对于原模型分别提高5.2、1.3、2.2百分点;其中参数量仅为2.8 M,同比下降10%,计算量仅为6.6 G,同比下降26%,不仅为在可部署的移动设备上使用小麦病害检测系统奠定了坚实的基础,还为在实际农业生产环境中高效、准确地检测小麦病害提供了一种切实可行的解决方案。期待这一研究成果能够推动农业智能化、信息化的发展进程,为构建现代农业产业体系、实现乡村振兴贡献力量。 展开更多

关键词 小麦病害检测 YOLO v8n 深度学习 轻量化 ODConv BiFPN slim-neck

在线阅读 下载PDF 职称材料

基于YOLO-RSD模型的红花检测方法研究

7

作者 郭翔羽 南新元 蔡鑫 《山东农业科学》 北大核心 2025年第12期153-162,共10页

红花是一种花期短、价值高的药用作物,针对目前采摘机器人在复杂环境下对红花的识别存在漏检率高、准确率较低等问题,本研究提出一种基于改进YOLOv7-tiny的红花检测模型YOLO-RSD。首先,利用ReXNet网络构建模型骨干网络,以消除语义压缩... 红花是一种花期短、价值高的药用作物,针对目前采摘机器人在复杂环境下对红花的识别存在漏检率高、准确率较低等问题,本研究提出一种基于改进YOLOv7-tiny的红花检测模型YOLO-RSD。首先,利用ReXNet网络构建模型骨干网络,以消除语义压缩受阻问题,同时重新设计通道维度配置,提高了模型的特征提取能力;其次,在特征融合阶段搭建Slim-Neck结构,在减少冗余计算的同时提高了模型对不同尺度特征图的融合能力;最终,使用结合注意力机制的DyHead检测头,优化因样本数不均衡造成的难分类问题,提高了少样本数据检测精度。经实验验证,YOLO-RSD模型平均精度均值(mAP0.5)达到89.3%,准确率达到89.9%,相比YOLOv7-tiny模型分别提升2.8、5.5个百分点,同时,该模型优于SSD、YOLOv3、YOLOv5s、YOLOv4、YOLOR+CSP、X50-CSP等经典算法。表明该模型能够实现在复杂环境下对红花的有效、精准识别,可满足采摘机器人的实际需求。 展开更多

关键词 红花 采摘识别 YOLOv7-tiny ReXNet网络 slim-neck结构 DyHead检测头

在线阅读 下载PDF 职称材料

改进YOLOv8的课堂行为检测算法 被引量：1

8

作者 苏衍森 牟莉 《计算机与现代化》 2025年第8期76-81,共6页

针对监控下学生课堂行为检测精度低和模型难以部署等问题,提出一种改进的YOLOv8算法用于对学生课堂行为进行检测。首先,对YOLOv8主干网络进行改进,引入Swin Transformer网络作为主干特征提取网络,减少特征信息丢失以提高特征提取的效果... 针对监控下学生课堂行为检测精度低和模型难以部署等问题,提出一种改进的YOLOv8算法用于对学生课堂行为进行检测。首先,对YOLOv8主干网络进行改进,引入Swin Transformer网络作为主干特征提取网络,减少特征信息丢失以提高特征提取的效果;其次,为增强模型对远距离目标特征的关注,引入一种灵活的双通道注意力机制EMA,使模型更加关注远距离像素少的目标而提高检测精度;最后,在Neck部分使用包含GSConv的Slim-Neck设计范式对模型进行轻量化改进。在SCB-Dataset3数据集上的实验结果表明,改进后的模型参数量和计算量分别为3.3 M和11.1 GFLOPs,检测精度达到88.75%,与原模型相比参数量减少40.7%,计算量减少15.9%,检测精度提高7.7百分点,在实现模型轻量化的同时取得了较好的检测精度。 展开更多

关键词 课堂行为检测 YOLOv8 Swin Transformer 注意力机制 slim-neck

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的自然场景下苹果外观品质检测方法 被引量：4

9

作者 王会征 李新龙 +4 位作者 薄萍 刘海藤 刘家天 焦乐宁 兰玉彬 《农业工程学报》 北大核心 2025年第11期173-182,共10页

为快速精准检测自然场景下的苹果外观品质,该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先,使用融合了部分卷积(partial convolution,PConv)与高效多尺度注意力机制(efficient multiscale attention,EMA)的EP... 为快速精准检测自然场景下的苹果外观品质,该研究提出了一种基于改进YOLOv8n的苹果外观品质检测模型ZAL-YOLOv8n。首先,使用融合了部分卷积(partial convolution,PConv)与高效多尺度注意力机制(efficient multiscale attention,EMA)的EP-C2f模块替换骨干网络中的C2f模块,提升模型对复杂遮挡情况下苹果目标的特征提取能力。其次,为改善患病苹果表皮病斑区域定位不准的问题,引入基于最小点距离的损失函数(multiple path distance intersection over union,MPDIoU)作为边界回归损失函数来加速预测框与真实框之间的位置拟合,提高模型对病害识别能力。最后,使用Slim-neck架构重建YOLOv8n的特征融合网络,实现颈部网络轻量化,提高模型运行速度。结果表明,与原模型相比,改进后的YOLOv8n模型的准确率、召回率和平均精度均值分别提高了3.4、1.1、1.3个百分点,同时,浮点运算量、参数量和模型大小分别缩减了22.2%、17.7%、15.9%。该模型在提高检测精度的同时实现了一定程度的轻量化,可为苹果智能采摘机器人的研发提供技术支撑。 展开更多

关键词 苹果 YOLOv8n 目标检测 slim-neck 高效多尺度注意力机制 损失函数

在线阅读 下载PDF 职称材料

轻量级钢材表面缺陷检测的YOLOv8改进方法 被引量：2

10

作者 沈学利 赵青华 《兵器装备工程学报》 北大核心 2025年第4期302-309,共8页

针对目前钢材缺陷检测模型计算量大、模型复杂度高,导致在计算能力有限的设备部署缺陷检测算法困难的问题,提出一种轻量化检测模型YOLO-SSC。采用SPD-Conv模块替换Backbone中的CBS模块,减少小目标细粒度特征信息损失,提高缺陷检测精度;... 针对目前钢材缺陷检测模型计算量大、模型复杂度高,导致在计算能力有限的设备部署缺陷检测算法困难的问题,提出一种轻量化检测模型YOLO-SSC。采用SPD-Conv模块替换Backbone中的CBS模块,减少小目标细粒度特征信息损失,提高缺陷检测精度;采用GSConv构建Slim-neck颈部结构,减少模型计算量和参数量;设计C2f-Faster-GAM结构,进一步轻量化模型,提升模型对重要信息的关注度。在NEU-DET带钢缺陷数据集上实验,YOLO-SSC算法的参数量和计算量分别为2.27×10^(6)和5.8 GFLOPs,仅为基线的75.4%和71.6%。mAP和准确率较基线分别提高了2.2%和1.7%,实验表明提出的模型具有良好的检测性能。 展开更多

关键词 表面缺陷 缺陷检测 钢材 YOLOv8 轻量化模型 slim-neck

在线阅读 下载PDF 职称材料

改进YOLOv8n的电磁离合器端面缺陷检测 被引量：1

11

作者 魏书豪 徐红伟 +2 位作者 柯海森 李孝禄 丁建雄 《现代制造工程》 北大核心 2025年第5期126-134,共9页

电磁离合器是汽车生产过程中的重要部件,针对其端面缺陷尺寸微小、背景纹理复杂以及现有算法无法实现缺陷多样性检测等问题,提出了基于改进YOLOv8n的轻量级目标检测算法。在主干网络中融合EMA注意力和部分卷积,设计了轻量级的C2F-PE模... 电磁离合器是汽车生产过程中的重要部件,针对其端面缺陷尺寸微小、背景纹理复杂以及现有算法无法实现缺陷多样性检测等问题,提出了基于改进YOLOv8n的轻量级目标检测算法。在主干网络中融合EMA注意力和部分卷积,设计了轻量级的C2F-PE模块以改进C2F结构,增强网络的特征提取能力;为促进相同尺度间更丰富的特征融合,引入自注意力内尺度特征交互(AIFI)模块替换SPPF层,以捕获更细粒度的信息;在颈部网络中添加小目标检测层,有效地融合了浅层特征信息,提升了模型对小目标的感知力;引入Slim-neck模块改进颈部网络,轻量化模型的同时保持网络的检测精度。实验结果表明,改进后的算法相较于YOLOv8n算法,mAP@0.5达到94.6%,提升了4.5%,参数量减少13.3%,检测速度达到81 f/s。该算法更好地平衡了检测精度和速度,满足电磁离合器生产中实时检测的需求。 展开更多

关键词 YOLOv8n 电磁离合器 缺陷检测 轻量级网络 EMA注意力 内尺度特征交互 slim-neck模块

在线阅读 下载PDF 职称材料

改进YOLOv8的密集行人检测算法

12

作者 段警韦 陈亮 +2 位作者 李雪 刘蒙蒙 刘晋宇 《计算机与现代化》 2025年第10期24-31,共8页

为解决密集行人场景中由于背景复杂、人员密集、暗光环境和部分遮挡等原因造成密集行人检测中出现的漏检和错检问题,本文提出一种基于YOLOv8n优化的密集行人检测算法。该算法在主干网络中使用高效的GSConv卷积替换原有的卷积块,实现模... 为解决密集行人场景中由于背景复杂、人员密集、暗光环境和部分遮挡等原因造成密集行人检测中出现的漏检和错检问题,本文提出一种基于YOLOv8n优化的密集行人检测算法。该算法在主干网络中使用高效的GSConv卷积替换原有的卷积块,实现模型在保持识别精度的同时降低模型的计算量,并且使用GSConv卷积使得模型可以在普通的GPU上高效运行。将模型的特征融合网络替换为SlimNeck轻量级特征融合模块,通过减少特征通道的数量,提高模型的检测精度和检测速度。在特征提取网络中嵌入EMA注意力机制,增强模型对全局和局部信息的捕捉从而减少密集行人场景下出现的误检和漏检。采用Repulsion损失函数,以更好地处理密集行人检测中的重叠和近邻行人遮挡,减少目标之间的重叠和干扰,优化边界框回归。在CrowdHuman数据集上进行训练验证,实验结果表明改进后的YOLOv8模型相对于基线模型mAP值提升了4.5个百分点,在密集、遮挡、小目标、暗光环境下的可视化检测结果也优于基线模型。为密集行人检测提供了一种高效且鲁棒的解决方案。 展开更多

关键词 YOLOv8 复杂场景 密集行人识别 Repulsion损失函数 目标检测 slim-neck

在线阅读 下载PDF 职称材料

FSLW-YOLOv8n:基于改进YOLOv8n的轻量化汽车密封圈缺陷检测

13

作者 李文辰 曾映海 +2 位作者 葛健 叶子渊 秦琴 《计算机系统应用》 2025年第9期133-140,共8页

深度学习算法在汽车密封圈缺陷检测中展示出巨大潜力,但是依然面临着模型复杂、部署困难的问题,因此本文提出一种基于改进YOLOv8n的轻量化汽车密封圈缺陷检测算法FSLW-YOLOv8n.首先,优化C2f模块中的Bottleneck结构,引入Faster block提... 深度学习算法在汽车密封圈缺陷检测中展示出巨大潜力,但是依然面临着模型复杂、部署困难的问题,因此本文提出一种基于改进YOLOv8n的轻量化汽车密封圈缺陷检测算法FSLW-YOLOv8n.首先,优化C2f模块中的Bottleneck结构,引入Faster block提升内存访问效率并增强特征提取能力.同时,颈部网络采用GSConv与Slim-neck的设计理念,显著减少了参数量,实现模型轻量化.此外,使用轻量级的非对称解耦头LADH-Head,在提升检测精度的同时进一步精简模型结构.然后,引入Wise-IoU损失函数,通过精细化的小目标定位策略,提升整体检测性能.最后将改进的算法经过模型转换部署到海思平台,并进行模型的实际性能验证.实验结果表明,与基线模型相比,mAP提升了2.1%,计算量、参数量和模型大小分别下降了55.6%、42.7%和38.3%.在海思SD3403嵌入式平台上,检测速度达到了31.3 f/s. 展开更多

关键词 YOLOv8n 汽车密封圈 缺陷检测 轻量化 slim-neck 边缘部署

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的竹节检测方法

14

作者 李贵强 陈继飞 《农机使用与维修》 2025年第6期1-8,共8页

竹节的快速检测和准确识别是提高竹子初加工质量的重要前提。针对竹子加工避节难的问题,提出了一种YOLOv8n-CSM竹节检测模型。首先,采用ConvNeXt v2作为骨干特征提取网络,以增强网络的特征提取能力;其次,使用广义稀疏卷积(Generalized-S... 竹节的快速检测和准确识别是提高竹子初加工质量的重要前提。针对竹子加工避节难的问题,提出了一种YOLOv8n-CSM竹节检测模型。首先,采用ConvNeXt v2作为骨干特征提取网络,以增强网络的特征提取能力;其次,使用广义稀疏卷积(Generalized-Sparse Convolution, GSConv)和VoVGSCSP模块搭建Slim-Neck颈部网络结构,在减少模型参数量的同时保持模型的识别精度;最后,将多尺度卷积注意力机制(Multi-scale convolutional attention, MSCA)嵌入到模型的主干输出端,以增强模型对竹节的特征提取能力并削弱背景干扰。结果表明,优化的YOLOv8n-CSM模型,其在竹节测试集上的平均精度均值(Mean average precision, mAP)达94.4%。与目标检测模型YOLOv3-tiny、YOLOv5、YOLOv6和YOLOv8n相比,YOLOv8n-CSM模型的mAP0.5分别高出0.5,1.1,1.3,1.5个百分点,可为竹节快速准确检测提供技术支持。 展开更多

关键词 目标检测 竹节 YOLOv8n MSCA注意力机制 slim-neck ConvNeXt v2

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的变电站火灾目标检测方法

15

作者 唐心亮 曹旭朝 +1 位作者 王建超 韩明 《软件导刊》 2025年第10期173-180,共8页

变电站是能源传输和分配系统中至关重要的组成部分,因其庞大的数量和复杂的电器设备,导致变电站火灾时有发生。为了提升变电站火灾检测的识别精度与实时性,提出一种基于改进YOLOv8n的轻量化变电站火灾检测模型DSCM-YOLOv8n。首先,使用... 变电站是能源传输和分配系统中至关重要的组成部分,因其庞大的数量和复杂的电器设备,导致变电站火灾时有发生。为了提升变电站火灾检测的识别精度与实时性,提出一种基于改进YOLOv8n的轻量化变电站火灾检测模型DSCM-YOLOv8n。首先,使用轻量级上采样算子DySample替换YOLOv8n的上采样模块来增加感受野,融合数据特征;其次,采用Slim-neck结构重新构建颈部与头部网络,提升浅层信息和深层信息的融合能力,减少参数量;再次,引入基于先验卷机的注意力机制CPCA,强化特征中的语义信息、位置信息;最后,引入MPDIoU损失函数解决碎片化火焰、大范围火焰目标标注框频繁重叠造成的损失函数失真问题。实验表明,DSCM-YOLOv8n的精度、mAP相较于YOLOv8n提升了3.6%、2.1%,分别达到92.1%和94.5%,小幅度降低了模型参数量和计算量,提升了模型检测效果,可为变电站的火灾识别技术提供参考。 展开更多

关键词 YOLOv8n 变电站火灾检测 注意力机制 slim-neck设计范式 DySample MPDIoU

在线阅读 下载PDF 职称材料

改进YOLOv8n的水面漂浮物检测算法设计

16

作者 魏天艺 刘海晨 +4 位作者 刘烨 丁学文 刘文婧 冯银珂 陈静 《计算机与网络》 2025年第4期369-378,共10页

针对水面漂浮物检测中的复杂背景、多变光照及目标不对齐问题,提出了一种基于YOLOv8n的改进算法——FDDYOLO(Floating Debris Detection YOLO),以实现高效的水资源保护应用。采用GSConv(Grouped Spatial Convolution)技术构建Slim-neck... 针对水面漂浮物检测中的复杂背景、多变光照及目标不对齐问题,提出了一种基于YOLOv8n的改进算法——FDDYOLO(Floating Debris Detection YOLO),以实现高效的水资源保护应用。采用GSConv(Grouped Spatial Convolution)技术构建Slim-neck结构,降低模型参数量和计算负担,适配边缘设备;引入多维协同注意力(Multidimensional Collaborative Attention,MCA)机制,增强复杂环境下关键特征提取能力;使用最大预测距离交并比(Maximum Point Distance Based Intersection over Union,MPDIoU)损失函数替换完全交并比(Complete IoU,CIoU),优化目标定位精度。在FloW数据集上,FDDYOLO的mAP@50提升至82.2%,参数量降至2.88 M,浮点运算数(Giga Floating-point Operations Per Second,GFLOPS)减至7.4,FPS增至89.1;在2400数据集上,mAP@50达79.3%,mAP@50:95达50.0%,参数量减至2.75 M。实验表明,FDDYOLO在检测精度、泛化性和鲁棒性上表现优异,计算资源需求低、处理速度快,适用于边缘设备实时检测,为水资源保护和自动化清洁提供高效的解决方案。 展开更多

关键词 漂浮物检测 FDDYOLO slim-neck 多维协同注意力 最大预测距离交并比

在线阅读 下载PDF 职称材料

基于SCAS-YOLO的变压器电力设备渗漏油检测研究

17

作者 赵勇彪 张雨柔 +2 位作者 邵晓琪 琚贇 张之刚 《电力信息与通信技术》 2025年第8期41-52,共12页

变压器等电力设备渗漏油检测对电力系统安全稳定运行至关重要。针对变压器等电力设备渗漏油检测困难以及网络结构较复杂等问题,文章以YOLOv8为基础引入Swin-Transformer模块和坐标注意力(coordinate attention,CA)机制来增强感受野,提... 变压器等电力设备渗漏油检测对电力系统安全稳定运行至关重要。针对变压器等电力设备渗漏油检测困难以及网络结构较复杂等问题,文章以YOLOv8为基础引入Swin-Transformer模块和坐标注意力(coordinate attention,CA)机制来增强感受野,提高骨干网络的特征提取能力,并引入一种轻量型Slim-Neck层,降低模型复杂结构并提高特征融合和表达能力。实验结果表明,所提模型的参数量和计算量降低约11%和7%,检测精度提升2%。在考虑不同光照、不同设备类别等条件下,该模型具备更优秀的检测性能。 展开更多

关键词 Swin-Transformer模块 CA机制 slim-neck YOLO

在线阅读 下载PDF 职称材料

基于SGF-YOLO的钢板缺陷检测方法

18

作者 雷超 陈德基 +1 位作者 孙家栋 施珮 《电子测量技术》 北大核心 2025年第21期215-225,共11页

钢板产品的表面质量对其使用性能和市场竞争力具有重要影响。针对钢板表面缺陷检测精度不足导致的误检频发和漏检严重等问题,本文提出了一种基于YOLOv8n的改进模型SGF-YOLOv8n。首先,引入了Slim-neck结构,以有效减少模型的参数量和计算... 钢板产品的表面质量对其使用性能和市场竞争力具有重要影响。针对钢板表面缺陷检测精度不足导致的误检频发和漏检严重等问题,本文提出了一种基于YOLOv8n的改进模型SGF-YOLOv8n。首先,引入了Slim-neck结构,以有效减少模型的参数量和计算复杂度,从而提升计算效率。其次,集成GAM注意力机制以增强模型对全局特征的感知能力,从而提高了对细微缺陷的检测性能。最后,采用Focaler-IoU损失函数,进一步优化了模型在处理边界模糊及小尺寸缺陷区域时的定位精度。此外,针对数据集样本量有限问题,本文采用数据增强技术对NEU-DET数据集进行了样本扩充并展开实验。实验结果表明,SGF-YOLOv8n在NEU-DET数据集上的mAP50值达到81.6%,比基线模型提升3.8%。同时,在GC10-DET数据集上的泛化实验中,SGF-YOLOv8n的mAP50达到70.4%,较基线模型提升6.7%。结果表明,本文提出的改进算法具有良好的鲁棒性和有效性。 展开更多

关键词 钢板表面缺陷检测 YOLOv8n slim-neck GAM 损失函数

原文传递

CSM-YOLO:一种面向飞机表面缺陷检测的轻量化高精度网络

19

作者 介战铎 张争明 +2 位作者 黄浩然 郝明 赵俭邦 《空军工程大学学报》 北大核心 2025年第5期11-21,共11页

针对现有基于视觉的飞机机体表面缺陷检测方法普遍存在检测精度低、参数量和计算量大,且难以同时兼顾精度提高和模型轻量化,提出一种新的同时兼顾高精度和轻量化的飞机机体表面缺陷检测方法(CSM-YOLO)。首先,通过设计C2f-SCSA模块替换... 针对现有基于视觉的飞机机体表面缺陷检测方法普遍存在检测精度低、参数量和计算量大,且难以同时兼顾精度提高和模型轻量化,提出一种新的同时兼顾高精度和轻量化的飞机机体表面缺陷检测方法(CSM-YOLO)。首先,通过设计C2f-SCSA模块替换主干网络C2f模块以动态增强多尺度特征、提高模型对关键特征信息的捕获、提取、利用能力,解决因下采样引起的特征信息丢失问题。其次,使用跨层直连方式改进Slim-Neck特征融合网络应用于模型颈部,实现提高模型计算效率的同时减少信息丢失,提高检测精度。最后,使用最小点距离交并比损失(MPDIoU Loss)提高边界框回归精确性,有效提高小目标缺陷检测精度,减少误检和漏检情况。实验结果表明,CSM-YOLO模型兼顾高精度、轻量化,对机体表面缺陷取得最高检测精度88.34%,较基线模型YOLOv8n提高2.92%,较YOLOv3-tiny、YOLOv5n、YOLOv5s、YOLOv7-tiny、YOLOv9t、YOLOv12n算法提升明显。在模型参数量和计算量方面,CSM-YOLO的参数量和计算量分别为2.67×10^(6)/s和7.68×10^(9)/s,较基线模型YOLOv8n分别减少0.34×10^(6)/s和0.41×10^(9)/s,实现了同时兼顾精度提高和模型轻量化。CSM-YOLO在飞机机体表面缺陷检测数据集上取得了显著的性能提升,为机体表面缺陷的自动化检测提供了有效的解决方案。 展开更多

关键词 飞机表面缺陷检测 YOLOv8 模型轻量化 空间-通道协同注意力 MPDIoU损失 slim-neck

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的林草火灾检测算法

20

作者 赵佳硕 马晓春 刘舰泽 《森林工程》 北大核心 2025年第5期1013-1024,共12页

在林草火灾场景中,明火形态的多样性以及环境的复杂性可能导致误检或漏检的现象发生,为此,针对森林与草原火灾提出一种基于改进的YOLOv8n火灾检测算法(YOLOv8n-CSA),CSA(channel-spatial attention)为通道-空间注意力模块,引入分组混洗... 在林草火灾场景中,明火形态的多样性以及环境的复杂性可能导致误检或漏检的现象发生,为此,针对森林与草原火灾提出一种基于改进的YOLOv8n火灾检测算法(YOLOv8n-CSA),CSA(channel-spatial attention)为通道-空间注意力模块,引入分组混洗卷积模块(group shuffle convolution,GSConv)替换原YOLOv8n中第3层标准卷积模块(convolution,Conv),降低模型计算量,提高特征提取能力。并且在head中引入Slim-Neck结构进一步降低模型计算量。同时设计YOLOv8n-CSA融入Backbone部分,以增强输入特征图的表达能力。该模块结合通道注意力、通道洗牌和空间注意力机制,旨在捕捉特征图中的全局依赖关系。基于林草火灾数据集,在未导入预训练模型的情况下,提出的火灾检测网络模型在测试的数据集上相比原模型YOLOv8n,其精确率(Precision)提高了3.7%、召回率(Recall)提高了1.51%、平均精度均值(mAP50)提高了3.24%、计算复杂度(GFLOPs)下降5.62%。试验结果表明,该算法验证计算量减少的同时,能够提升火灾迹象目标的检测性能。 展开更多

关键词 火灾检测 YOLOv8 通道空间注意力 slim-neck结构 分组混洗卷积模块GSConv

在线阅读 下载PDF 职称材料