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5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：
基于改进YOLO11n-seg的蟹塘水草清理路径规划
1
作者 胡庆松 杨尚青 +4 位作者 陈雷雷 李俊 马天利 张晓苓 李东波 《上海海洋大学学报》 北大核心 2026年第2期417-430,共14页
为了提升河蟹养殖池塘水草管理水平,本研究结合并优化图像处理与水草清理船工作路径规划方法,以形成高质量水草管控方案。实验采用无人机航拍采集蟹塘不同时期的图像,提出一种改进YOLO11nseg网络模型,融入动态上采样算子的轻量化高级筛... 为了提升河蟹养殖池塘水草管理水平,本研究结合并优化图像处理与水草清理船工作路径规划方法,以形成高质量水草管控方案。实验采用无人机航拍采集蟹塘不同时期的图像,提出一种改进YOLO11nseg网络模型,融入动态上采样算子的轻量化高级筛选路径聚合网络(High-level screening path aggregation network-dysample, HSPAN-D)模块对Neck层面进行改进,使用轻量化的特征提取模块C3k2_Faster_EMA替换原有的C3k2,并引入EfficientHead轻量化分割头。在模型识别与处理结果基础上构建蟹塘栅格地图,并设计水草目标清理区域筛选机制,通过路径优化策略改进A^(*)算法实现水草清理路径规划。结果显示,改进模型在参数量下降39.4%、计算量减少25.5%及模型体积缩减34.5%的条件下将水草识别精确率提高了1.6%,mAP提升了0.5%;改进A^(*)算法规划路径相对人工清理路径对水草面积占比控制更精准,相对原A^(*)算法总路径长度减少14.25 m,清理船转向减少10次,规划平均用时减少1.97 s。研究表明所提出的轻量化改进策略在显著降低模型计算负担的同时提升了识别精度,结合改进路径规划算法可有效实现蟹塘水草的高效精准清理。本研究可为水草清理船实际作业提供有效的路径规划参考。 展开更多
关键词 水草清理船 蟹塘 航拍图像 路径规划 yolo11n-seg A^(*)算法
原文传递
基于改进YOLO11n的刮板输送机大块煤跟踪检测方法
2
作者 汪卫兵 李瑞航 +3 位作者 赵栓峰 路正雄 马昊阳 母均毅 《工矿自动化》 北大核心 2026年第2期99-107,共9页
大块煤拥堵是导致综采工作面刮板输送机机头转载口堵塞的主要原因之一,及时精准地破除大块煤对保证综采工作面煤流顺畅至关重要。针对大块煤因短时遮挡及姿态变化导致检测精度低,进而造成破碎机器人无法对其准确破除的问题,提出一种基... 大块煤拥堵是导致综采工作面刮板输送机机头转载口堵塞的主要原因之一,及时精准地破除大块煤对保证综采工作面煤流顺畅至关重要。针对大块煤因短时遮挡及姿态变化导致检测精度低,进而造成破碎机器人无法对其准确破除的问题,提出一种基于改进YOLO11n的刮板输送机大块煤跟踪检测模型−DAMP−YOLO11n−BT。采用DCSNet模块替换YOLO11n原始模型的骨干网络,在保证模型检测精度的同时,降低模型的浮点运算量;采用AG−SPPF模块提升模型对刮板输送机煤流区域全局背景信息和块煤局部关键信息的关注和光照不均等环境抗干扰能力;引入Powerful−IoU(PIoU),通过自适应惩罚与梯度调节优化边界框回归,强化对中等质量锚框的聚焦,增强对块煤密集场景下的大块煤检测能力;融合DAMP−YOLO11n模型与ByteTrack算法,提出DAMP−YOLO11n−BT模型,实现大块煤的跟踪检测。利用现场采集的刮板输送机大块煤检测数据集进行实验验证,结果表明:①DAMP−YOLO11n模型的准确率、mAP@0.5:0.95与召回率分别为86.3%,77.6%,85.5%,较原始模型YOLO11n分别提升2.4%,2.4%,3.2%;其参数量为1.95×10^(6)个,浮点运算量为4.8×10^(9),模型大小为4.09 MiB,较原始模型YOLO11n分别下降24.4%,23.8%和23.6%;检测速度为351帧/s,满足检测实时性要求。②DAMP−YOLO11n−BT对大块煤跟踪识别的多目标跟踪准确率、多目标跟踪精度、ID调和均值分别为76.6%,74.5%和75.2%,均优于YOLO11n−BT,解决了被遮挡大块煤的漏检和ID跳变问题,满足破碎机器人精准作业的跟踪需求。 展开更多
关键词 刮板输送机 大块煤跟踪检测 破碎机器人 轻量化 yolo11n ByteTrack算法
在线阅读 下载PDF
基于改进YOLO11n的消防机器人火焰检测方法
3
作者 王浩宇 鞠全勇 《计算机技术与发展》 2026年第3期109-117,共9页
为提高消防机器人在复杂环境下的火焰检测精确率,该文提出一种基于改进YOLO11n的火焰检测算法。通过融合FasterNet主干网络、局部窗口级联分组注意力模块及双向全局-局部特征金字塔三项核心改进,显著提升了模型的特征提取与多尺度融合... 为提高消防机器人在复杂环境下的火焰检测精确率,该文提出一种基于改进YOLO11n的火焰检测算法。通过融合FasterNet主干网络、局部窗口级联分组注意力模块及双向全局-局部特征金字塔三项核心改进,显著提升了模型的特征提取与多尺度融合能力。实验采用Roboflow公开火焰数据集,在RTX4060硬件平台验证表明:改进后模型的平均精确率均值mAP达94.3%,相较于原模型提升了2.5百分点,精确率与召回率分别提高3.6和1.8百分点,F_(1)分数达到了89.7%,表明改进后的模型在保持高精确率的同时召回能力也得到增强,整体性能更加均衡,在复杂环境下仍保持高可靠性。并通过目标检测错误识别工具箱TIDE进行深入分析,模型的定位、背景、漏检及重复检测错误率分别降低1.13、0.13、0.18和0.11百分点,从错误类型层面验证了模型性能的全面提升。该算法在保持良好实时性的同时,有效解决了浓烟遮挡、小目标漏检等复杂场景问题,为消防机器人在复杂环境下的智能化作业提供了可靠的技术支持。 展开更多
关键词 消防机器人 火焰检测 yolo11n算法 多尺度特征 复杂环境
在线阅读 下载PDF
列车轮对踏面缺陷的轻量级检测算法优化设计
4
作者 侯涛 任祎坤 牛宏侠 《西安交通大学学报》 北大核心 2026年第3期220-232,共13页
针对列车轮对踏面缺陷检测算法计算量、参数量较大,且高精度与低计算复杂度难以匹配等问题,提出一种基于YOLO11n算法的列车轮对踏面缺陷的轻量级检测算法。构建轻量化的高效幽灵开端(Ghost-Inceptiona)特征提取模块替代YOLO11n骨干网络... 针对列车轮对踏面缺陷检测算法计算量、参数量较大,且高精度与低计算复杂度难以匹配等问题,提出一种基于YOLO11n算法的列车轮对踏面缺陷的轻量级检测算法。构建轻量化的高效幽灵开端(Ghost-Inceptiona)特征提取模块替代YOLO11n骨干网络中的特征提取模块,降低模型的参数量与计算量,提高轮对踏面缺陷检测的精度和效率;在颈部网络中采用改进的带小卷积核的跨阶段部分连接瓶颈模块(C3k2_Faster-EMA)作为特征提取模块,提升算法对不同尺度下目标区域的特征提取融合能力,进而提高轮对踏面缺陷的检测精度;优化设计轻量化检测头,通过加入深度可分离卷积实现算法参数量、计算量的大幅降低;设计基于交并比(IoU)的改进损失函数(Focaler-PIoU),加强算法对不同尺度缺陷的适应性,提高踏面缺陷检测能力。实验结果表明:在自制列车轮对踏面缺陷的数据集上,所提改进算法的参数量减少了18.2%,计算量下降了28.6%,平均精度均值提升了2.3%。改进算法在提升踏面缺陷检测精度的前提下实现算法的轻量化改进,在轮对踏面缺陷检测中具有广泛的应用前景。 展开更多
关键词 列车轮对踏面 缺陷检测 yolo11n算法 轻量化改进
在线阅读 下载PDF
基于YOLO11钢材表面缺陷检测算法研究
5
作者 黄昆 李天明 +2 位作者 尹建华 曹奔 曹钊 《制造业自动化》 2026年第2期126-136,共11页
为解决工业生产环境下钢材表面缺陷检测技术存在的效果不理想、漏检误检率高的问题,提出了一种改进的YOLO11n算法GCI-YOLO11。首先,在特征提取部分基于GCNet注意力机制设计了GC-C3k2模块,提升了算法对图像上下文特征信息的提取能力;其次... 为解决工业生产环境下钢材表面缺陷检测技术存在的效果不理想、漏检误检率高的问题,提出了一种改进的YOLO11n算法GCI-YOLO11。首先,在特征提取部分基于GCNet注意力机制设计了GC-C3k2模块,提升了算法对图像上下文特征信息的提取能力;其次,在颈部引入CARAFE上采样算子,使算法能在大感受野内聚合上下文信息,减少上采样过程中特征信息的缺失;最后,采用Inner-CIoU替换CIoU对损失函数进行优化,引入辅助回归框来提高检测的准确性和泛化能力。实验结果表明,GCI-YOLO11在NEUDET数据集上mAP50和mAP50-95分别提升了2.9%和2.3%,在GC10-DET数据集上mAP50和mAP50-95分别提升了1.6%和0.3%,具有更好的检测性能。 展开更多
关键词 钢材表面缺陷检测 yolo11n GCNet CARAFE上采样算子 Inner-CIoU
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