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1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：
基于YOLOv8n-FCW的金属波纹管内壁缺陷检测算法
1
作者 乔松 尉宇晖 赵章焰 《科学技术与工程》 北大核心 2026年第5期2068-2075,共8页
针对当前金属波纹管内壁缺陷检测中存在的缺陷检测精度低、实时性差的问题,提出了一种YOLOv8n的改进算法——YOLOv8n-FCW。首先,将YOLOv8n的主干网络替换为更快的轻量化网络(faster neural networks, FasterNet),保证了检测精度和计算... 针对当前金属波纹管内壁缺陷检测中存在的缺陷检测精度低、实时性差的问题,提出了一种YOLOv8n的改进算法——YOLOv8n-FCW。首先,将YOLOv8n的主干网络替换为更快的轻量化网络(faster neural networks, FasterNet),保证了检测精度和计算效率的平衡;其次,使用加入通道注意力机制SeLayerV2(squeeze-and-excitation layer V2),部分卷积(partial convolution, PConv)和逐点卷积(pointwise convolution, PWConv)的C2F_S模块,增强了网络的全局特征学习能力并进一步提升了特征表示的精细度和全局信息的整合效果;最后,采用结合权重与尺度缩放的损失函数WIoU_Scale(weighted IoU_Scale),加速了网络的收敛速度并提高锚框的精准度。实验结果表明,相较于YOLOv8n模型,YOLOv8n-FCW在mAP50、mAP50-95、F1-Score精度指标上分别提升了4.7%、3.8%和4.1%,模型参数量为7.3 M,计算量为11.2GFLOPs。相较于其他目标检测算法,YOLOv8n-FCW有更高的精度与参数效率,能够满足金属波纹管内壁缺陷检测需求。 展开更多
关键词 缺陷检测 YOLOv8n FasterNet SelayerV2 wiou_scale
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