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2,182篇文章
< 1 2 … 110 >
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：
一种改进的PCAC-YOLO目标算法在无人机参与城市作战目标检测中的应用 被引量：2
1
作者 彭富伦 裴昊晨 +2 位作者 刘超 李双全 赵妍 《国外电子测量技术》 2025年第1期103-109,共7页
无人机在城市作战的复杂环境中,目标对象不仅种类繁多且密集分布,极易遭遇相互遮挡的情况;此外,由于无人机视角下的目标尺寸显著缩小,因此,检测过程中会出现漏检和误检的问题出现。针对以上问题提出了一种无人机目标检测算法PCAC-YOLO... 无人机在城市作战的复杂环境中,目标对象不仅种类繁多且密集分布,极易遭遇相互遮挡的情况;此外,由于无人机视角下的目标尺寸显著缩小,因此,检测过程中会出现漏检和误检的问题出现。针对以上问题提出了一种无人机目标检测算法PCAC-YOLO。为了增强遮挡目标边缘信息的表征能力,通过裁剪CBS层和添加基于相似度的激活模块(Similarity-Aware Activation Module,SimAM)注意力机制,设计了新的空间池化连接自注意力机制(Spatial Pooling Connect Self-Attention Mechanisms,SPCSM)模块。同时引入卷积特征提取模块Conv2Former,提高了模型对小目标特征的关注能力。实验结果表明,在AU-AIR数据集中,相较于原始的YOLOv7算法,Precision值增加至52.8%,提升了14.1%;mAP@0.5值增加至41.4%,提升了6.1%;mAP@0.5:0.95|small值为16.2%,提升了1.7%。该目标算法有效提升了在城市作战环境无人机视角下的目标检测准确率,证明了设计算法的有效性。 展开更多
关键词 城市作战 目标检测 yolov7 PCAC-yolo 无人机视角
原文传递
基于KSGM-YOLO的轻量级小目标实蝇检测模型
2
作者 邓泓 王祖明 +5 位作者 尹乘乐 李越千 黄伟继 桂露 周帅 彭莹琼 《江苏农业科学》 北大核心 2025年第5期213-223,共11页
实蝇害虫会对果蔬作物造成减产,进而影响农民的果蔬经济效益。由于实蝇类间相似性高且采集的样本多为小目标,导致传统的害虫识别模型不准确。为此,提出一种基于YOLO v7-tiny的轻量级小目标检测模型KSGM-YOLO。该模型首先设计了针对实蝇... 实蝇害虫会对果蔬作物造成减产,进而影响农民的果蔬经济效益。由于实蝇类间相似性高且采集的样本多为小目标,导致传统的害虫识别模型不准确。为此,提出一种基于YOLO v7-tiny的轻量级小目标检测模型KSGM-YOLO。该模型首先设计了针对实蝇数据集的锚框聚类算法,生成了更有效的锚框;其次在Backbone中引入SimAM注意力机制,以增强模型对实蝇语义信息的特征提取能力;同时在原模型的Neck层中设计了GSCBL与GSELAN,以降低模型的参数量与计算量;最后采用MPDIoU损失函数计算定位损失,优化模型对小目标实蝇标注框的计算。此外本研究创建了实蝇数据集Drosophila-Four并在此数据集上进行了多项试验。试验结果显示,KSGM-YOLO相较于原模型,在精度方面提高了2.3百分点且参数量和计算量分别下降了6.3%和8.3%。这表明本研究提出的模型实现了更为准确的小目标实蝇检测需求,同时也取得了一定的轻量级优化效果。综上所述,本研究结果为果蔬作物提供了一种更准确的针对小目标害虫的轻量级检测方法,并为在边缘设备部署提供了可行性,能帮助农业工作者及时发现实蝇害虫,提高果蔬作物的产量和质量。 展开更多
关键词 实蝇 yolo v7-tiny KSGM-yolo 小目标检测 轻量级
在线阅读 下载PDF
面向复杂场景的改进YOLOv8军事目标识别算法
3
作者 程国建 沈守婷 白俊卿 《火力与指挥控制》 北大核心 2025年第8期47-55,共9页
为解决复杂战场环境下军事目标识别漏检、误检率高,精度低等问题,提出一种改进YOLOv8的LBI-YOLO军事目标识别算法。该算法引入大核选择性注意力机制以增强主干网络的特征提取能力,使模型能更好地关注重要区域;再采用BiFPN进行多尺度特... 为解决复杂战场环境下军事目标识别漏检、误检率高,精度低等问题,提出一种改进YOLOv8的LBI-YOLO军事目标识别算法。该算法引入大核选择性注意力机制以增强主干网络的特征提取能力,使模型能更好地关注重要区域;再采用BiFPN进行多尺度特征融合及用Inner-IoU损失替代传统IoU,加速模型收敛并提高识别精度。实验结果表明,改进后的算法在自建军事目标数据集下识别的mAP值提升了5.3%,FPS提升7.4%。 展开更多
关键词 yolov8 大核选择性注意力机制 BiFPN LBI-yolo Inner-IoU
在线阅读 下载PDF
基于改进YOLO v8n网络的番茄成熟度实时检测算法 被引量：6
4
作者 任晶秋 万恩晗 +2 位作者 单蜜 张光华 卢为党 《农业机械学报》 北大核心 2025年第3期374-382,450,共10页
为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO... 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。 展开更多
关键词 番茄成熟度 目标检测 yolo v8n 注意力模块 轻量化 Jetson Nano
在线阅读 下载PDF
基于UMS-YOLO v7的面向样本不均衡的水下生物多尺度目标检测方法 被引量：3
5
作者 张明华 黄基萍 +2 位作者 宋巍 肖启华 赵丹枫 《农业机械学报》 北大核心 2025年第1期388-396,409,共10页
针对水下目标检测面临着生物尺度变化大以及样本不均衡的问题,本文提出一种水下生物多尺度目标检测方法(Underwater multi-scale-YOLO v7,UMS-YOLO v7)。首先,设计一种由可切换空洞卷积组成的特征提取模块,该模块可在不同大小的感受野... 针对水下目标检测面临着生物尺度变化大以及样本不均衡的问题,本文提出一种水下生物多尺度目标检测方法(Underwater multi-scale-YOLO v7,UMS-YOLO v7)。首先,设计一种由可切换空洞卷积组成的特征提取模块,该模块可在不同大小的感受野上捕获多尺度目标特征,使得提取的特征信息更加全面;其次,使用轻量级的上采样算子融合上下文信息,提高模型对目标的特征学习能力;最后,通过结合Wise-IoU和归一化Wasserstein距离两种相似性度量,提高了不同尺度目标的定位精度,同时降低了多尺度样本分布不均衡对模型的影响。实验结果表明,该模型相较于当前其他模型在检测精度方面表现出明显的提升,在RUOD和DUO数据集上平均精度均值分别达到64.5%和68.9%。与YOLO v7模型相比,UMS-YOLO v7提高了多种尺度目标检测精度,在DUO数据集上,针对大、中、小3种尺度目标平均精度均值分别提升8.3、4.8、12.5个百分点,其中小目标提升效果最为显著。与现有的其他模型相比,改进的模型具有更高的检测精度,更适用于水下生物多尺度目标检测任务,并且针对不同数据分布的样本具有泛化性和鲁棒性。 展开更多
关键词 水下生物 多尺度目标检测 yolo v7 空洞卷积 上采样算子 相似性度量
在线阅读 下载PDF
基于轻量化YOLO v5s-MCA的番茄成熟度检测方法 被引量：5
6
作者 奚小波 丁杰源 +5 位作者 翁小祥 王昱 韩连杰 邹赟涵 唐子昊 张瑞宏 《农业机械学报》 北大核心 2025年第3期383-391,436,共10页
针对自然环境下番茄识别易受复杂背景干扰、相邻果实成熟度相似难以检测等问题,本文提出了一种轻量化YOLO v5s-MCA番茄成熟度识别模型,划分成熟期、转熟期、转色期和未熟期4个成熟度等级。该模型在YOLO v5s基础上使用MobileNetV3网络,... 针对自然环境下番茄识别易受复杂背景干扰、相邻果实成熟度相似难以检测等问题,本文提出了一种轻量化YOLO v5s-MCA番茄成熟度识别模型,划分成熟期、转熟期、转色期和未熟期4个成熟度等级。该模型在YOLO v5s基础上使用MobileNetV3网络,减少了模型参数量;在主干网络和颈部网络引入坐标注意力机制(Coordinate attention,CA),提高了模型对番茄特征表达能力;将颈部网络替换为加权双向特征金字塔网络BiFPN,强化了模型特征融合性能并提高了模型识别准确率;将颈部网络中的标准卷积模块改进为GSConv卷积,减轻了模型复杂度并提高了对目标信息的获取能力。试验结果表明,YOLO v5s-MCA模型参数量仅为2.33×10^(6),计算量仅为4.1×10^(9),模型内存占用量仅为4.83 MB,其精准度和平均精度均值分别达到92.8%和95.1%,相对YOLO v5s基础模型分别提升3.4、4.4个百分点。对比YOLO v3s、YOLO v5s、YOLO v5n、YOLO v7、YOLO v8n及YOLO v10n等6种模型,YOLO v5s-MCA模型轻量化效果与检测性能最优。 展开更多
关键词 番茄 成熟度检测 图像识别 yolo v5s 轻量化
在线阅读 下载PDF
基于YOLO-CD的路面裂缝检测 被引量：1
7
作者 原洪帅 李琦 王月明 《科学技术与工程》 北大核心 2025年第9期3888-3895,共8页
为解决现有路面裂缝检测算法精度低、漏检率高等问题,提出了一种基于YOLOv8n改进的路面裂缝检测算法YOLO-CD(YOLO-crack detection)。YOLO-CD算法采用ASF-YOLO架构中的尺度序列特征融合(scale sequence feature fusion,SSFF)模块和三重... 为解决现有路面裂缝检测算法精度低、漏检率高等问题,提出了一种基于YOLOv8n改进的路面裂缝检测算法YOLO-CD(YOLO-crack detection)。YOLO-CD算法采用ASF-YOLO架构中的尺度序列特征融合(scale sequence feature fusion,SSFF)模块和三重特征编码器(triple feature encoder,TFE)模块,提高了对多尺度裂缝的检测性能和对目标特征的感知能力。同时,在骨干网络末端和颈部网络中引入CA注意力机制(coordinate attention),将位置信息嵌入通道注意力中,强化了对裂缝特征的提取能力。此外,在YOLOv8n原有3个输出层的基础上新增了一个P2小目标检测层,增加了网络的多尺度感受野,可以同时捕获全局和局部上下文信息,提升了算法在复杂场景中对小目标裂缝的检测能力。通过将原始YOLOv8n的检测头替换为DyHead检测头,使尺度、空间和任务3种注意力机制结合统一,进一步提升了网络对裂缝的检测性能。实验结果表明,在自建数据集PD-Dataset中,改进后的算法YOLO-CD比原算法YOLOv8n的mAP50提高了4.1%。在公共数据集RDD2020中,改进后的算法YOLO-CD比原算法YOLOv8n的mAP50提高了1.5%。且算法检测速度达到了89.9帧/s,满足了路面裂缝检测实时性的要求。 展开更多
关键词 路面裂缝检测 yolov8n ASF-yolo 注意力机制 小目标检测层 DyHead检测头
在线阅读 下载PDF
基于改进YOLO 11模型的棉田地表残膜识别方法研究 被引量：1
8
作者 孟庆建 翟志强 +3 位作者 张连朴 吕继东 王虎挺 张若宇 《农业机械学报》 北大核心 2025年第5期17-25,48,共10页
为实现残膜回收机在自然环境中快速、准确地识别棉田地表残膜目标,本文提出了一种基于DCA-YOLO 11轻量化模型的棉田地表残膜识别方法。以4JMLE-210型残膜回收机工作后棉田地表残膜为研究对象,在不同时间段采集地表残膜图像900幅,通过透... 为实现残膜回收机在自然环境中快速、准确地识别棉田地表残膜目标,本文提出了一种基于DCA-YOLO 11轻量化模型的棉田地表残膜识别方法。以4JMLE-210型残膜回收机工作后棉田地表残膜为研究对象,在不同时间段采集地表残膜图像900幅,通过透视变换、图像裁剪、数据清洗、数据增强等预处理,最终得到5215幅残膜样本图像,按照4∶1划分为训练集和测试集,实现了对棉田地表残膜的数据集构建。通过在YOLO 11模型主干网络中增加深度可分离卷积(DWConv)模块代替通用卷积(Conv)模块,用于减少计算复杂度和参数量;通过在输出检测端末尾加入CBAM卷积块注意力机制模块来提高模型的感知能力,减少边缘与背景干扰;通过用ADown模块替换主干网络中的Conv模块,实现残膜特征图不同层之间的下采样,减少特征图空间维度,保留关键信息来提高残膜目标检测准确性。试验结果表明,在复杂自然环境下,DCA-YOLO 11模型精确率P为81.9%,召回率R为80.9%,平均精度均值mAP(重叠率0.5)为86.7%,参数量为2.20×10^(6),处理速度为80 f/s。通过对不同模型进行对比试验,DCA-YOLO 11模型检测精确率比YOLO v10、YOLO v9、YOLO v8分别高2.9、2.3、3.8个百分点,召回率比YOLO v10、YOLO v9、YOLO v8分别高2.0、1.0、1.8个百分点,处理速度比YOLO v9、YOLO v8分别提升12.7%、14.2%,略低于YOLO v10。DCA-YOLO 11模型在保证精度的同时,模型最小,参数量最少,证明其轻量化与优越性。模型通过泛化性试验,其在验证数据集上的检测结果,R^(2)为0.72,平均绝对误差和均方根误差分别为4.92个和2.72个,提出的DCA-YOLO 11轻量化模型泛化性较好。该研究可为残膜回收机械在复杂环境下精准、高效捡拾残膜以及残膜回收机回收率车载视觉估测提供理论依据与数据基础。 展开更多
关键词 残膜识别 yolo 11模型 目标检测 模型轻量化
在线阅读 下载PDF
基于改进YOLO 11n模型的棉花田间复杂环境障碍物检测方法 被引量：3
9
作者 韩科立 王振坤 +3 位作者 余永峰 刘淑平 韩树杰 郝付平 《农业机械学报》 北大核心 2025年第5期111-120,共10页
针对棉花田间复杂环境障碍物被遮挡致准确检测难、边缘设备算力有限的问题,本文提出一种基于改进YOLO 11n模型的田间障碍物检测方法。首先,采用轻量级网络StarNet作为主要特征提取网络,并引入DBA模块(Dynamic position bias attention b... 针对棉花田间复杂环境障碍物被遮挡致准确检测难、边缘设备算力有限的问题,本文提出一种基于改进YOLO 11n模型的田间障碍物检测方法。首先,采用轻量级网络StarNet作为主要特征提取网络,并引入DBA模块(Dynamic position bias attention block)重构C2PSA(Convolutional block with parallel spatial attention),以增强多尺度特征之间的交互能力;其次,使用KAGNConv(Kolmogorov-Arnold generalized network convolution)替换基线模型C3k2(Cross stage partial with kernel size 2)模块中的瓶颈结构,实现对精细特征提取的同时,给予模型更高灵活性和可解释性;最后,集成分离与增强注意力模块(Separated and enhancement attention module,SEAM)至检测头,增强模型在遮挡场景中的检测能力。试验结果表明,改进模型YOLO 11n-SKS与基线模型相比精确率、召回率、mAP_(50)、mAP_(50-95)分别提升2.3、2.1、1.3、1.4个百分点,达到91.7%、88.3%、91.9%、62.3%,模型浮点数运算量仅为4.4×10^(9)FLOPs,模型参数量减少17.1%。本研究模型在性能和计算复杂度之间实现了较好的平衡,满足棉田收获作业场景中实时检测需求,降低了部署边缘设备算力要求,为采棉机自主安全作业提供技术支撑。 展开更多
关键词 采棉机 障碍物检测 深度相机 yolo 11n模型 目标识别
在线阅读 下载PDF
DPRT-YOLO:智能网联汽车复杂驾驶环境实时目标检测器 被引量：1
10
作者 董一兵 曾辉 +2 位作者 李建科 侯少杰 石磊 《计算机工程与应用》 北大核心 2025年第14期148-162,共15页
目标检测是智能网联汽车视觉感知系统的一项基本任务,可为先进驾驶辅助系统提供基础数据和决策依据。然而,在低光照和恶劣天气等复杂环境中,车载目标检测算法面临小目标检测性能不佳、漏检率和误检率偏高的挑战。针对这一挑战,发展了一... 目标检测是智能网联汽车视觉感知系统的一项基本任务,可为先进驾驶辅助系统提供基础数据和决策依据。然而,在低光照和恶劣天气等复杂环境中,车载目标检测算法面临小目标检测性能不佳、漏检率和误检率偏高的挑战。针对这一挑战,发展了一种面向智能网联汽车的实时目标检测器(DPRT-YOLO),通过对流行的YOLOv10模型进行改造,使其更加适用于复杂驾驶环境中的目标检测任务,并通过在NVIDIA边缘计算平台上开展消融和对比实验,验证了算法的有效性。设计了增强加权多分支特征融合网络(EWMFFN),引入浅层加权融合和多分支加权融合模块,消除特征融合过程中的层间干扰,设计星形拓扑特征交互结构,提升模型对小尺度目标的检测能力,同时保持了网络结构的轻量化设计。融合卷积门控线性单元(convolutional gated linear units,CGLU)与卷积加法自注意力(convolutional additive token mixer,CATM),通过局部-全局双通路机制建立小目标尺度信息的长期上下文关系并保持模型的轻量化。为了评估模型在真实算力场景中的检测性能,将其部署在NVIDIA Jetson Xavier Nx平台上,采用NVIDIA TensorRT FP16量化加速,在BDD100K和TT100K测试集上开展推理实验,并与基准模型进行对比,结果显示:(1)检测精度方面,与YOLOv10n和YOLO11n相比,改进模型的mAP@0.5指标分别提升了6.1和7.4个百分点,mAP@0.5:0.95指标分别提升了3.6和4.2个百分点,同时,参数量分别降低了26.1%和34.9%。(2)检测速度方面,改进模型Small和Nano两种版本的推理速度分别达到了29 FPS和35 FPS。实验结果表明:与参考模型相比,改进算法在复杂驾驶环境中的表现更加优异,在检测精度与检测速度之间达到了更好的平衡,适于部署在智能网联汽车的环境感知系统中。 展开更多
关键词 实时目标检测 复杂驾驶环境 DPRT-yolo 多尺度特征融合 TRANSFORMER
在线阅读 下载PDF
YOLO11-LG:结合边界增强方法的玻璃器皿检测
11
作者 张泽鸣 孟祥印 +2 位作者 王孜洲 周志伟 刘桓龙 《计算机工程与应用》 北大核心 2025年第17期136-146,共11页
玻璃器皿的精确检测是实现实验室无人化的基础和关键,但由于玻璃器皿的特殊光学属性和内部纹理微弱,使得识别工作面临较大挑战。现有的检测网络缺乏对玻璃器皿的针对性,难以兼顾准确与效率。为了应对这些挑战,研究设计了一种基于YOLO11... 玻璃器皿的精确检测是实现实验室无人化的基础和关键,但由于玻璃器皿的特殊光学属性和内部纹理微弱,使得识别工作面临较大挑战。现有的检测网络缺乏对玻璃器皿的针对性,难以兼顾准确与效率。为了应对这些挑战,研究设计了一种基于YOLO11的高效玻璃器皿检测网络——YOLO11-LG。为了增强对玻璃器皿边界特征的提取,提出边界加强模块,内置了独创性的通道-空间联合注意力机制,通过多维协同处理方式,从通道特征响应与空间结构分布两个层面,显著增强对特征图中高频细节信息的解析能力,精准定位玻璃器皿的边缘拓扑特征,深度强化目标与背景的语义对比度,提升算法在复杂场景中的目标检测精度与泛化能力。此外,还提出了高效融合模块,对原有颈部结构进行了优化,以增强特征融合能力,有效减少了存在遮挡的目标和远处小目标的漏检。实验结果表明,YOLO11-LG网络在检测玻璃器皿时具有出色的性能和实时性,与基准模型相比,所有指标均实现了提升,其准确率、mAP_(50)和mAP_(50−95)分别提高了0.030、0.021和0.034,检测速度为145 FPS,具有良好的实时性。 展开更多
关键词 玻璃器皿检测 yolo yolo11-LG 边界增强
在线阅读 下载PDF
基于CBLP-YOLO 11n的无人机稻穗轻量化检测方法
12
作者 王雪 高雅 +4 位作者 陶桂香 马铁民 张楠 许善祥 于庆 《农业机械学报》 北大核心 2025年第11期461-470,共10页
稻穗准确计数对估算水稻产量至关重要。然而在实际生产场景中,由于稻田环境复杂、水稻品种繁多、穗部形态多异等原因,现有检测方法存在精度不足、模型参数量大的问题。为此本研究提出一种轻量级稻穗检测模型CBLP-YOLO 11n。首先,在Backb... 稻穗准确计数对估算水稻产量至关重要。然而在实际生产场景中,由于稻田环境复杂、水稻品种繁多、穗部形态多异等原因,现有检测方法存在精度不足、模型参数量大的问题。为此本研究提出一种轻量级稻穗检测模型CBLP-YOLO 11n。首先,在Backbone中,选择C3k2-CFCGLU替换原C3k2模块,增强模型对稻穗的特征提取和表达能力;其次,使用加权双向特征金字塔BiFPN实现多尺度特征信息融合,通过跳跃连接和删除冗余节点的方式,在提高稻穗识别精度的同时,有效降低模型浮点运算量;然后,设计轻量细节增强共享检测头(Lightweight detail-enhanced shared detection head, LDSDH),通过共享卷积降低检测头复杂度;最后采用Powerful-IoUv2损失函数替换原有的CIoU损失函数,加快模型收敛速度,并优化模型对稻穗的定位准确性。实验结果表明:CBLP-YOLO 11n模型的检测精确率为88.2%,召回率为87.9%,平均精度均值为93.9%。与YOLO 11n相比,CBLP-YOLO 11n的精确率提高1.9个百分点,召回率提高1.1个百分点,平均精度均值提高1.3个百分点,参数量下降23.7%,浮点运算量下降40.6%。相比于其它主流模型,CBLP-YOLO 11n模型的平均精度均值最高,内存占用量最小,仅为3.78 MB。所提模型实现了对稻穗的精确识别,可部署在无人机等资源受限设备中,为复杂田间背景下稻穗识别计数提供技术支撑。 展开更多
关键词 稻穗计数 无人机图像 yolo 11n 轻量化模型 多尺度特征融合
在线阅读 下载PDF
基于改进YOLOv10的血细胞检测算法
13
作者 李晨露 牛嘉琦 +1 位作者 王莉 牛群峰 《现代电子技术》 北大核心 2025年第19期122-128,共7页
为解决因血细胞粘连和重叠而导致的识别准确率低、漏检较为严重的问题,提出一种基于YOLOv10的改进算法BSTM-YOLO。通过在主干网络引入Swin Transformer,加强网络对弱目标的发现与表征能力,提升血小板检测精度;颈部网络采用BiFPN,通过跨... 为解决因血细胞粘连和重叠而导致的识别准确率低、漏检较为严重的问题,提出一种基于YOLOv10的改进算法BSTM-YOLO。通过在主干网络引入Swin Transformer,加强网络对弱目标的发现与表征能力,提升血小板检测精度;颈部网络采用BiFPN,通过跨层级的融合机制增强特征表示能力,提取更为丰富的红细胞特征以提高目标检测性能;最后将C2f_MSBlock模块嵌入主干网格,使用分层特征融合策略和异构卷积核选择协议,在减少特征冗余的同时提高识别准确率。实验结果表明,改进后的BSTM-YOLO的平均精度均值(mAP)为93.1%,比原YOLOv10提高2.7%,参数量降低7%,GFLOPs降低3.7%,节省了计算资源,同时提高了识别准确率,满足了实际场景对血细胞检测的要求。 展开更多
关键词 血细胞检测 yolov10 BSTM-yolo Swin Transformer BiFPN MSBlock
在线阅读 下载PDF
基于改进YOLO v7的番茄黄化曲叶病毒病分级检测方法
14
作者 杨玮 伏冬朔 +3 位作者 吴龙起 李民赞 张焕春 夏秀波 《农业机械学报》 北大核心 2025年第6期527-534,共8页
为解决自然环境下人肉眼鉴定发病番茄植株效率低、主观性强的问题,提出一种基于改进YOLO v7的番茄黄化曲叶病毒病分级检测模型,分别对轻度、中度、重度发病植株进行检测。模型在主干网络中引入了DCN模块,以加强对复杂病变区域的感知能力... 为解决自然环境下人肉眼鉴定发病番茄植株效率低、主观性强的问题,提出一种基于改进YOLO v7的番茄黄化曲叶病毒病分级检测模型,分别对轻度、中度、重度发病植株进行检测。模型在主干网络中引入了DCN模块,以加强对复杂病变区域的感知能力;同时,Pconv模块替换主干网络中部分普通卷积,以更高效地提取空间特征,降低冗余计算和内存访问;在检测头中引入SimSPPF模块,极大地减少浮点运算量,提高感受野,增强特征提取能力。经测试,改进YOLO v7模型对轻度发病、中度发病、重度发病番茄植株检测的平均精度分别为97.5%、92.1%和93.6%。改进模型平均精度均值为95.0%,较原模型提升0.8个百分点,参数量减少8.2×10~5,浮点运算量减少2.7×1010,模型内存占用量减少15.7 MB,在保证检测精度的同时减小模型体量。与Faster R-CNN、YOLOX、YOLO v5l、YOLO v8m模型相比,平均精度均值分别提高11.2、5.7、1.4、8.7个百分点。试验结果表明,该模型能够实现对番茄黄化曲叶病毒病的分级检测识别,为实现番茄种植智能化提供支持。 展开更多
关键词 深度学习 番茄黄化曲叶病毒病 目标检测 yolo v7 病害检测
在线阅读 下载PDF
基于轻量化YOLO v8和BoT-SORT的石斑鱼跟踪方法
15
作者 段青玲 乔雅琪 +3 位作者 刘怡然 冯晓晓 冉逊 刘春红 《农业机械学报》 北大核心 2025年第9期667-676,共10页
水产养殖中,鱼类跟踪是实现鱼类行为监测、水质异常报警、鱼类生长状况评估的基础,但现有方法存在计算耗时长、模型占用空间大、在边缘端设备部署困难等问题。针对上述问题,本文以石斑鱼为研究对象,提出一种基于轻量化YOLO v8与BoT-SOR... 水产养殖中,鱼类跟踪是实现鱼类行为监测、水质异常报警、鱼类生长状况评估的基础,但现有方法存在计算耗时长、模型占用空间大、在边缘端设备部署困难等问题。针对上述问题,本文以石斑鱼为研究对象,提出一种基于轻量化YOLO v8与BoT-SORT的石斑鱼跟踪方法,该方法包括目标检测和目标跟踪两个阶段。在目标检测中,采用YOLO v8m作为基线网络,引入卷积模块FasterConv以减少参数量;加入EMA(Excitation and modulation attention)机制以保持模型精度;使用多尺度特征融合模块Fusion并调整Neck网络结构以提高模型的特征融合能力。在目标跟踪部分,BoT-SORT算法简化了鱼体的运动状态变量,加入相机运动补偿(Camera motion compensation,CMC)以应对鱼体外观剧烈变化,最后利用ResNeST50网络提取较高置信度检测框内鱼体的外观特征,实现了鱼体跟踪。在自建的石斑鱼数据集上进行了训练和验证,目标检测模型mAP@0.5为95.80%;其模型内存占用量为23.7 MB,相较原始YOLO v8m模型降低54.42%;将本文的轻量化目标检测模型应用到BoT-SORT算法,MOTA为78.774%,FPS达到28.20 f/s,在对比实验中综合性能大幅超过SORT、DeepMoT等算法。本方法可以实现石斑鱼的检测与跟踪,为石斑鱼的养殖提供技术支撑。 展开更多
关键词 石斑鱼 目标检测 目标跟踪 yolo v8 BoT-SORT 轻量化
在线阅读 下载PDF
基于YOLO v7和改进U-Net模型的鸡冠肉垂提取与面积计算方法
16
作者 杨断利 沈洪硕 +1 位作者 陈辉 高媛 《农业机械学报》 北大核心 2025年第4期415-426,共12页
传统人工测量方法在蛋鸡鸡冠肉垂面积测算中存在接触性应激风险、人畜共患病隐患及测量误差较大等问题。为此,本研究提出基于YOLO v7与改进U-Net的鸡冠肉垂自动分割与面积计算方法。构建两阶段检测框架:利用YOLO v7完成鸡头姿态筛选与RO... 传统人工测量方法在蛋鸡鸡冠肉垂面积测算中存在接触性应激风险、人畜共患病隐患及测量误差较大等问题。为此,本研究提出基于YOLO v7与改进U-Net的鸡冠肉垂自动分割与面积计算方法。构建两阶段检测框架:利用YOLO v7完成鸡头姿态筛选与ROI提取,有效消除非正视角图像干扰;提出融合Contextual Transformer的CoT-UNet模型:通过将CoT块融入U-Net编码器实现动态和静态上下文特征融合,结合本文构建的DyC-UP上采样模块(采用动态可调卷积核强化不规则边缘特征提取),显著提升不同鸡冠特征分割能力;建立像素-面积转换算法:基于标定系数实现从图像空间到物理空间的精准映射。实验结果表明,改进CoT-UNet相较基线模型,在鸡冠和肉垂分割任务中,IoU提升4.77、8.75个百分点,精确率提升5.31、5.06个百分点,分割质量改善显著。在面积计算精度方面,鸡冠面积绝对误差(0.62~3.50 cm^(2))和肉垂面积绝对误差(0.10~2.93 cm^(2))较传统手工测量(3.58~7.27 cm^(2))具有明显优势。多场景验证显示,在不同姿态(3类)、拍摄角度(2种)和距离(2种)条件下,鸡冠面积相对误差为2.41%~13.62%,肉垂面积相对误差为1.00%~29.21%。本研究实现了非接触式禽类生物特征精准测量,为智慧化种鸡选育提供了可靠的技术支持。 展开更多
关键词 鸡冠肉垂 深度学习 语义分割 育种 yolo v7 CoT-UNet
在线阅读 下载PDF
基于FPBW-YOLO v8的复杂场景下番茄果实识别方法
17
作者 顾文娟 刘浩状 +3 位作者 魏金 高文奇 阴艳超 刘孝保 《农业机械学报》 北大核心 2025年第8期467-478,共12页
番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型... 番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型的特征提取能力;通过在颈部网络中融合P2小目标检测分支和双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)结构,降低复杂背景的干扰以提高模型的检测精度;使用WIoU(Wise intersection over union)损失函数提高模型在遮挡、重叠情况下的果实定位精度,同时加快模型收敛;基于NCNN框架将模型部署到移动端进行测试。试验结果表明,FPBW-YOLO v8模型精确率、召回率、平均精度均值(mAP@0.5和mAP@0.5:0.95)分别达到97.9%、95.1%、98.3%和74.3%,相较于Faster R-CNN、SSD、YOLO v8n、YOLO v7、YOLO v5n和Rt-Detr均有明显优势,且模型内存占用量仅8.7 MB。在移动端上的测试结果表明,本文模型能够在计算资源有限的硬件设备上获得较高的检测精度,可以有效解决复杂场景下番茄果实的识别问题,为番茄采摘机器人的研发提供技术支持。 展开更多
关键词 番茄果实 目标检测 改进yolo v8n FasterNet BiFPN WIoU
在线阅读 下载PDF
基于改进YOLOv8的路面病害检测模型
18
作者 侯勇严 梁扩旺 +3 位作者 郭文强 郝磊 郭志高 董白杨 《陕西科技大学学报》 北大核心 2025年第3期166-173,共8页
针对现有路面病害检测模型存在特征提取能力弱、特征融合能力不足、未能有效平衡检测精度与轻量化等问题,提出了一种利用通道先验卷积注意力(CPCA)机制和双向特征金字塔网络(BiFPN)改进YOLOv8的路面病害检测模型--YOLOv8n-CB.在YOLOv8n... 针对现有路面病害检测模型存在特征提取能力弱、特征融合能力不足、未能有效平衡检测精度与轻量化等问题,提出了一种利用通道先验卷积注意力(CPCA)机制和双向特征金字塔网络(BiFPN)改进YOLOv8的路面病害检测模型--YOLOv8n-CB.在YOLOv8n的主干网络引入CPCA机制,动态调整通道和空间维度上的注意力权重,增强对小目标的特征提取能力,提高模型的检测精度;其次,将颈部网络替换为加权BiFPN,通过新增加权跳跃连接机制,在实现模型轻量化的同时,提高对小目标的特征融合能力.在China_Mix路面病害数据集上的实验结果表明,改进后的模型mAP@0.5、mAP@[0.5-0.9]与原始模型相比可分别提升1%与2.90%,F1-score提升2%,并且参数量降低29.33%,浮点数运算次数也降低了9.88%.通过与其他YOLO模型的实验对比,本模型的有效性和优越性得到了进一步的验证,为公路综合运输安全风险防控智能化提供了技术支持. 展开更多
关键词 路面病害 yolo 注意力机制 双向特征金字塔
在线阅读 下载PDF
基于改进YOLO 11-seg的田间水稻分蘖数原位检测方法
19
作者 孙燕 汪苗 +5 位作者 苏宇辰 何坤 曹成茂 侯文慧 王玉伟 刘路 《农业机械学报》 北大核心 2025年第9期596-606,656,共12页
水稻分蘖动态数据是影响产量的关键指标,对其关键生长期进行有效监测可为田间管理措施的优化提供重要依据。针对复杂田间环境下水稻有效分蘖检测存在的遮挡、光照变化干扰及表型特征缺失等问题,本研究提出一种基于改进YOLO 11-seg的实... 水稻分蘖动态数据是影响产量的关键指标,对其关键生长期进行有效监测可为田间管理措施的优化提供重要依据。针对复杂田间环境下水稻有效分蘖检测存在的遮挡、光照变化干扰及表型特征缺失等问题,本研究提出一种基于改进YOLO 11-seg的实例分割模型。通过使用融合大型选择性内核网络(Large selective kernel network,LSKNet)构建的CP_LSK模块,替换主干网络中原有的C3k2模块,增强模型对多尺度特征的适应性;在主干末端引入注意力机制CBAM(Convolutional block attention module)优化特征权重分配,显著提升模型在复杂场景下的鲁棒性。试验结果表明:改进模型在检测任务中Box分支的精确度、召回率、F1分数、mAP50和mAP50-95分别达到90.3%、85.3%、87.7%、92.7%、61.4%,较原模型提升2.2、3.5、2.9、0.8、2.1个百分点;Mask分支的对应指标分别提升2.5、5.1、3.9、2.3、1.5个百分点。测试集分蘖计数结果显示,全局平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)分别为0.24、0.70个,决定系数R^(2)为0.950,其中98.1%的样本计数误差在3个分蘖以内,其中检测准确率较原模型提高28.9个百分点。研究提出的算法实现了田间复杂场景下水稻分蘖的原位检测和计数,其误差控制能力可为基于分蘖计数的有效穗数估算提供技术支撑,对于水稻植株生长监测与产量预测具有重要应用价值。 展开更多
关键词 水稻分蘖数 实例分割 原位检测 产量预估 yolo 11-seg
在线阅读 下载PDF
基于YOLO 11n-EWL的甘蔗芽检测方法
20
作者 李尚平 刘建举 +2 位作者 王恒 王宝银 李凯华 《农业机械学报》 北大核心 2025年第11期471-479,共9页
为解决甘蔗备种过程中人工筛选蔗芽效率低、劳动强度大等问题,围绕模型检测精度与动态识别率2个关键点,提出基于改进YOLO 11n的轻量级模型(YOLO 11n-EWL),以提升图像中蔗芽检测精度;并通过系统性实验优化动态识别效果。采用Sobel算子对C... 为解决甘蔗备种过程中人工筛选蔗芽效率低、劳动强度大等问题,围绕模型检测精度与动态识别率2个关键点,提出基于改进YOLO 11n的轻量级模型(YOLO 11n-EWL),以提升图像中蔗芽检测精度;并通过系统性实验优化动态识别效果。采用Sobel算子对C3k2模块进行改进,通过结合提取边缘信息的Sobel Conv分支提高对蔗芽检测精度;引入小波池化(Wavelet pooling)优化基线模型(YOLO 11n)中的池化方法,在提升检测精度的同时降低了模型复杂度;基于轻量化共享卷积检测头(Lightweight shared convolutional detection, LSCD),使用细节增强卷积(detail-enhanced convolution, DEC)进行改进,设计一种更轻量化的LSCDECD(Lightweight shared convolutional detection detail-enhanced convolution)检测头,进一步减少检测模型浮点运算量和参数量,使之更适合边缘系统部署。结果表明,改进后模型(YOLO 11n-EWL)mAP@0.5、精确率、召回率分别为99.4%、99.2%、98.3%,相较基线模型(YOLO 11n)分别提高4.7、3.7、12.6个百分点,浮点运算量和参数量分别减少25.8%和31.7%,帧率提高14 f/s。当输送带速度、光照强度和曝光时间分别为18.84 cm/s、16 520 lx和1 000μs时,蔗芽动态检测识别率达到99.0%,蔗段平均识别速度4 522段/h。 展开更多
关键词 甘蔗蔗芽识别 yolo 11n 轻量化 动态检测
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 2 … 110 下一页 到第 页
使用帮助 返回顶部