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4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ICBAM模型的船舶涂装缺陷检测性能优化研究
1
作者 王健 《中国水运》 2025年第23期51-54,共4页
针对船舶涂装缺陷检测中存在的特征提取不充分和检测精度不高等问题,提出一种改进的交叉双重注意力机制ICBAM模型。通过设计跨尺度特征交互模块和混合注意力机制,增强对涂装缺陷的特征表达能力。在舰船制造厂涂装生产线采集12000张样本... 针对船舶涂装缺陷检测中存在的特征提取不充分和检测精度不高等问题,提出一种改进的交叉双重注意力机制ICBAM模型。通过设计跨尺度特征交互模块和混合注意力机制,增强对涂装缺陷的特征表达能力。在舰船制造厂涂装生产线采集12000张样本构建数据集,实验结果表明:改进模型mAP@0.5达到92.3%,检测准确率提升3.8%;在不同光照条件下性能波动控制在3%以内;模型参数量从15.6M减少至12.8M。改进方案实现了检测性能和计算效率的统一,为船舶涂装缺陷智能检测提供了可靠的解决方案。 展开更多
关键词 船舶涂装缺陷 icbam模型 混合注意力机制 特征交互 性能优化
在线阅读 下载PDF
基于改进YOLOv8n的水面残留饲料检测算法 被引量：1
2
作者 郑海锋 江林源 +3 位作者 文露婷 周秀珊 介百飞 文家燕 《渔业现代化》 北大核心 2025年第1期80-88,共9页
在水产养殖中,水面残留饲料的实时检测可以有效减少饲料浪费和水污染,在经济效益和生态效益方面是双赢的局面。由于水面残留饲料的特殊性,如尺寸小、密集程度高等,使得水面残留饲料检测表现不佳。该研究提出了一种基于改进YOLOv8n的水... 在水产养殖中,水面残留饲料的实时检测可以有效减少饲料浪费和水污染,在经济效益和生态效益方面是双赢的局面。由于水面残留饲料的特殊性,如尺寸小、密集程度高等,使得水面残留饲料检测表现不佳。该研究提出了一种基于改进YOLOv8n的水面残留饲料检测算法,通过增添小目标检测层,融合多尺度特征以增强对小目标检测的精度;引入C2f_Faster_EMA模块,以降低模型的参数量,提高模型检测速度;构建ICBAM模块融入颈部网络,加强网络对小目标的特征信息融合,提升检测精度。结果显示:该算法相较于YOLOv8n的mAP@0.5提升10.3%;精确率P提升7.6%;召回率R提升10.2%;检测速度达到了125FPS。研究表明,该算法能有效实现对水面残留饲料快速、准确地检测。为实现水产养殖的智能化管理提供了技术支持,有望降低饲料浪费,改善水环境质量,提高养殖效益。 展开更多
关键词 水面残留饲料 改进YOLOv8n 小目标检测层 C2f_Faster_EMA icbam
在线阅读 下载PDF
基于改进YOLOv10n的太阳能电池板表面缺陷检测算法 被引量：1
3
作者 刘德飞 朱文忠 王文 《佳木斯大学学报(自然科学版)》 2025年第7期17-19,24,共4页
针对太阳能电池板表面多尺度特征缺陷检测的准确率不高等问题,提出一种基于改进YOLOv10n的太阳能电池板表面缺陷检测算法。首先,设计iCBAM倒置残差注意力机制,通过关注输入特征并结合了逆残差结构,实现了更高效的特征提取与表示;其次,引... 针对太阳能电池板表面多尺度特征缺陷检测的准确率不高等问题,提出一种基于改进YOLOv10n的太阳能电池板表面缺陷检测算法。首先,设计iCBAM倒置残差注意力机制,通过关注输入特征并结合了逆残差结构,实现了更高效的特征提取与表示;其次,引入MSDA多尺度空洞注意力,整合来自不同尺度的特征;最后,提出Focaler-SIoU损失函数,提高目标检测模型处理难以检测的目标能力。实验结果表明,改进之后的模型计算复杂度略低于YOLOv10n基础模型,mAP@0.5,Recall,Precision三项指标分别提升2.4%,2.5%,1.2%。 展开更多
关键词 YOLOv10n 太阳能电池板 icbam Focaler-SIoU
在线阅读 下载PDF
基于集成改进卷积注意力块的SAR图像目标分类算法 被引量：2
4
作者 孙靖森 李宗豫 +3 位作者 杨森 钟芝怡 艾加秋 史骏 《海军航空大学学报》 2024年第4期445-452,共8页
在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问... 在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的SAR图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习SAR图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同SAR目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉SAR图像中目标的中心分布特征,有效抑制杂波对SAR目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现SAR图像目标分类。ICBAM_CNN深度融合了SAR图像目标的多层级特征,提升了SAR目标特征的可分离性,可实现SAR图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。 展开更多
关键词 SAR图像目标分类 改进卷积注意力块 集成icbam的CNN网络 中心坐标注意力机制 多层级特征融合
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