针对复杂电磁环境下短波信号智能检测识别准确率低、速度慢的问题,应用空时高分辨时频图生成方法,实现强干扰下弱信号的精细化感知。在分割预处理基础上,提出了一种基于YOLOv8s(You Only Look Once)网络模型压缩的短波信号快速检测识别...针对复杂电磁环境下短波信号智能检测识别准确率低、速度慢的问题,应用空时高分辨时频图生成方法,实现强干扰下弱信号的精细化感知。在分割预处理基础上,提出了一种基于YOLOv8s(You Only Look Once)网络模型压缩的短波信号快速检测识别方法。通过量化建模时频图信息熵,证明了网络模型轻量化的可行性。挖掘时频图特征金字塔内在规律,删除小尺度特征层,将三层颈部网络(Neck Network)压缩为两层,并利用分组卷积与混洗处理模块替代常规卷积计算,实现特征快速提取融合,网络模型参数量(Params)降低了约一倍。仿真结果表明,所提方法在保证平均识别准确率94.5%的基础上,网络模型浮点运算次数(FLOPs)由2.86×10^(10)降为1.65×10^(10),推断时间由0.132 s降为0.072 s,识别效率提高45.5%。展开更多
金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional ...金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional Block Attention Module,CBAM),增强复杂背景下的特征鉴别能力;设计基于部分卷积的跨阶段部分金字塔连接(Cross Stage Partial with Pyramid Concatenation,CSPPC)模块替代带聚焦机制的第二代跨阶段局部网络(Cross Stage Partial Network 2 with Focus,C2f)模块,减少了3.11%的参数量,计算量浮点数降低了6.64%;采用聚焦高效交并比(Focal and Efficient Intersection over Union,Focal-EIoU)损失函数,优化边界框的回归过程,并有效缓解了正样本和负样本之间的不平衡状况。结果表明,该YOLOv8-CCF(YOLOv8-CBAM-CSPPC-Focal-EIoU)算法改进模型在自制数据集上,在95%交并比阈值下的平均精度均值(mean Average Precision at 95%Intersection over Union,mAP@95%)达到0.96902,较原模型提升了5.003%,参数量减少至21.3万,检测速度达500 f/s,显著改善了小目标漏检问题。该模型为金属表面锈蚀的实时检测与激光自动化除锈提供了有效解决方案。展开更多
番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采...番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。展开更多
针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络...针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。展开更多
Pulmonary nodules represent an early manifestation of lung cancer.However,pulmonary nodules only constitute a small portion of the overall image,posing challenges for physicians in image interpretation and potentially...Pulmonary nodules represent an early manifestation of lung cancer.However,pulmonary nodules only constitute a small portion of the overall image,posing challenges for physicians in image interpretation and potentially leading to false positives or missed detections.To solve these problems,the YOLOv8 network is enhanced by adding deformable convolution and atrous spatial pyramid pooling(ASPP),along with the integration of a coordinate attention(CA)mechanism.This allows the network to focus on small targets while expanding the receptive field without losing resolution.At the same time,context information on the target is gathered and feature expression is enhanced by attention modules in different directions.It effectively improves the positioning accuracy and achieves good results on the LUNA16 dataset.Compared with other detection algorithms,it improves the accuracy of pulmonary nodule detection to a certain extent.展开更多
文摘金属表面锈蚀的检测是激光智能清洗系统实现实时质量评估的关键技术,但传统视觉检测方法对小尺度锈蚀颗粒的识别能力不足。基于YOLO(You Only Look Once)算法,提出一种改进模型。该模型在骨干网络中嵌入卷积块注意力模块(Convolutional Block Attention Module,CBAM),增强复杂背景下的特征鉴别能力;设计基于部分卷积的跨阶段部分金字塔连接(Cross Stage Partial with Pyramid Concatenation,CSPPC)模块替代带聚焦机制的第二代跨阶段局部网络(Cross Stage Partial Network 2 with Focus,C2f)模块,减少了3.11%的参数量,计算量浮点数降低了6.64%;采用聚焦高效交并比(Focal and Efficient Intersection over Union,Focal-EIoU)损失函数,优化边界框的回归过程,并有效缓解了正样本和负样本之间的不平衡状况。结果表明,该YOLOv8-CCF(YOLOv8-CBAM-CSPPC-Focal-EIoU)算法改进模型在自制数据集上,在95%交并比阈值下的平均精度均值(mean Average Precision at 95%Intersection over Union,mAP@95%)达到0.96902,较原模型提升了5.003%,参数量减少至21.3万,检测速度达500 f/s,显著改善了小目标漏检问题。该模型为金属表面锈蚀的实时检测与激光自动化除锈提供了有效解决方案。
文摘番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。
文摘针对车辆漆面缺陷检测精度低、检测算法参数量大、难易样本不均匀等问题,提出一种基于改进YOLOv8的车辆漆面检测算法。首先,为了提升划痕状缺陷检测能力并降低模型规模,将DAT(Deformable Attention Transformer)注意力机制引入主干网络来增强长距离特征依赖关系,同时使用幻影卷积(GhostConv)替换网络中的卷积(Conv)模块。然后,为了提升特征提取能力并进一步降低模型规模,结合FasterBlock模块与高效多尺度注意力(EMA)机制提出C2f-E(C2f Based on EMA)模块。接着,为了提高小目标检测性能,基于双向特征金字塔网络(BiFPN)进行设计,并增加小目标检测头与多尺度特征融合支路,提出BiFPN-D(BiFPN with Small Object Detection Head)颈部金字塔结构。最后,为了解决难易样本的平衡问题并提高针对小目标缺陷的检测性能,使用WIoUv3(Wise-Intersection over Union version 3)作为训练网络的损失函数。在自建的车辆漆面缺陷数据集上进行训练并开展对比实验。实验结果表明,相较于YOLOv8n,改进模型的均值平均精度(mAP@0.5)提高了5.5百分点、规模减小了1.4×106。
文摘Pulmonary nodules represent an early manifestation of lung cancer.However,pulmonary nodules only constitute a small portion of the overall image,posing challenges for physicians in image interpretation and potentially leading to false positives or missed detections.To solve these problems,the YOLOv8 network is enhanced by adding deformable convolution and atrous spatial pyramid pooling(ASPP),along with the integration of a coordinate attention(CA)mechanism.This allows the network to focus on small targets while expanding the receptive field without losing resolution.At the same time,context information on the target is gathered and feature expression is enhanced by attention modules in different directions.It effectively improves the positioning accuracy and achieves good results on the LUNA16 dataset.Compared with other detection algorithms,it improves the accuracy of pulmonary nodule detection to a certain extent.
