-
题名基于改进YOLO11n的消防机器人火焰检测方法
- 1
-
-
作者
王浩宇
鞠全勇
-
机构
金陵科技学院机电工程学院
-
出处
《计算机技术与发展》
2026年第3期109-117,共9页
-
文摘
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。
-
关键词
消防机器人
火焰检测
yolo11n算法
多尺度特征
复杂环境
-
Keywords
firefighting robots
fire detection
yolo11n algorithm
multi-scale features
complex environments
-
分类号
TP242.6
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名列车轮对踏面缺陷的轻量级检测算法优化设计
- 2
-
-
作者
侯涛
任祎坤
牛宏侠
-
机构
兰州交通大学自动化与电气工程学院
-
出处
《西安交通大学学报》
北大核心
2026年第3期220-232,共13页
-
基金
甘肃省重点研发计划资助项目(23YFGA0049)。
-
文摘
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。
-
关键词
列车轮对踏面
缺陷检测
yolo11n算法
轻量化改进
-
Keywords
train wheelset tread
defect detection
yolo11n algorithm
lightweight improvements
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于YOLO11钢材表面缺陷检测算法研究
- 3
-
-
作者
黄昆
李天明
尹建华
曹奔
曹钊
-
机构
湖北三江航天江北机械工程有限公司
-
出处
《制造业自动化》
2026年第2期126-136,共11页
-
文摘
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。
-
关键词
钢材表面缺陷检测
yolo11n
GCNet
CARAFE上采样算子
Inner-CIoU
-
Keywords
steel surface defect detection
yolo11n
GCNet
CARAFE upsampling algorithm
Inner-CIoU
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
