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MSG-SSD的复合绝缘子憎水性等级智能识别方法 被引量：2
1
作者 陈伟华 马士博 +1 位作者 闫孝姮 李健华 《电子测量与仪器学报》 北大核心 2025年第1期234-243,共10页
复合绝缘子憎水性等级的检测是电力系统巡检中的重要环节,针对现有方法存在检测效率低、实时性差及模型结构复杂的问题,提出一种基于MSG-SSD的复合绝缘子憎水性等级智能识别方法。首先,检测模型以SSD算法为基准,采用轻量级MobileNetV2... 复合绝缘子憎水性等级的检测是电力系统巡检中的重要环节,针对现有方法存在检测效率低、实时性差及模型结构复杂的问题,提出一种基于MSG-SSD的复合绝缘子憎水性等级智能识别方法。首先,检测模型以SSD算法为基准,采用轻量级MobileNetV2作为主干网络,在提升模型检测速度的同时实现网络的轻量化;其次,为增强对水迹特征的提取能力,构建高分辨率特征融合模块Sim-HRFPN,在特征融合的同时保留高分辨率的特征,以弥补因轻量化造成的精度损失;最后,为进一步提高模型的计算效率,将GhostConv替换额外预测特征层的传统卷积,在保持模型高性能的同时,减轻了计算负担。实验结果表明,相较于SSD,MSG-SSD的检测速度和检测精度分别提高48.17%和4.89%,计算量和参数量分别减少97.63%和82.99%。由此可知,改进模型不仅能精准识别和快速定位复合绝缘子的憎水性等级,而且满足边缘巡检设备轻量化部署的需求,为电力系统中复合绝缘子运行状态的智能检测提供了一种行之有效的方法。 展开更多
关键词 复合绝缘子 憎水性检测 智能识别 ssd算法 轻量化 特征融合
原文传递
基于改进SSD的车内宠物遗落检测方法
2
作者 潘溢洲 吴恩启 +1 位作者 段函作 寇嘉铭 《传感器与微系统》 北大核心 2025年第5期115-119,共5页
针对车内宠物遗落问题,在单发多盒探测器(SSD)算法的基础上,提出了一种改进的SSD目标检测算法实时检测车内是否存在遗落宠物,通过引入MobileNetV2算法来替代SSD的主干网络,并改进MobileNetV2的网络结构来进一步减少原有网络的参数量,融... 针对车内宠物遗落问题,在单发多盒探测器(SSD)算法的基础上,提出了一种改进的SSD目标检测算法实时检测车内是否存在遗落宠物,通过引入MobileNetV2算法来替代SSD的主干网络,并改进MobileNetV2的网络结构来进一步减少原有网络的参数量,融合卷积块注意力模块(CBAM)来提高目标定位能力,采用迁移训练策略来更好地训练网络。实验结果表明,改进后算法的模型大小相对于SSD-Mo-bileNetV2减少了65.5%,平均精度均值(mAP)提高了0.9%,帧率(FPS)也有所提升,模型大小更是减少到了原始SSD算法的5%。改进后算法实际检测的效果更好,同时更加适合嵌入移动设备来检测遗落宠物。 展开更多
关键词 目标检测 MobileNetV2网络 单发多盒探测器算法 深度学习 轻量化网络
在线阅读 下载PDF
基于MobileNet-SSD的安全帽佩戴检测算法 被引量：30
3
作者 徐先峰 赵万福 +2 位作者 邹浩泉 张丽 潘卓毅 《计算机工程》 CAS CSCD 北大核心 2021年第10期298-305,313,共9页
针对真实场景下安全帽佩戴检测面临的背景复杂、干扰性强、待检测目标较小等问题,在SSD算法的基础上,提出改进的MobileNet-SSD算法。通过引入轻量型网络MobileNet并构建MobileNet-SSD算法提高检测速度,采用迁移学习策略克服模型训练困... 针对真实场景下安全帽佩戴检测面临的背景复杂、干扰性强、待检测目标较小等问题,在SSD算法的基础上,提出改进的MobileNet-SSD算法。通过引入轻量型网络MobileNet并构建MobileNet-SSD算法提高检测速度,采用迁移学习策略克服模型训练困难问题。从施工相关视频中获取真实环境下的安全帽样本构建样本集,以解决当前安全帽数据集规模较小、网络难以充分拟合特征的问题。实验结果表明,MobileNet-SSD算法在损失很小精度的情况下,相较于SSD算法,检测速度提高了10.2倍。 展开更多
关键词 安全帽佩戴检测 轻量型ssd算法 深度学习 检测精度 检测速度
在线阅读 下载PDF
基于改进SSD的零件目标检测研究与应用 被引量：1
4
作者 汪小龙 蒋永胜 《兰州工业学院学报》 2021年第2期49-54,共6页
针对传统的目标检测算法需要人为进行特征提取、算法检测精度低、识别速度慢的问题,结合深度学习方法,提出了一种基于SSD模型的目标检测算法,首先将SSD模型的前置网络VGG替换为MobileNet V2,减少模型训练参数,降低运算量,从而提高模型... 针对传统的目标检测算法需要人为进行特征提取、算法检测精度低、识别速度慢的问题,结合深度学习方法,提出了一种基于SSD模型的目标检测算法,首先将SSD模型的前置网络VGG替换为MobileNet V2,减少模型训练参数,降低运算量,从而提高模型的检测速度;其次,引入Focal loss作为分类损失函数,优化模型中正负样本的不平衡问题,同时自制机械零件数据集,通过数据增强丰富数据集,以提高模型的鲁棒性.结果表明:改进SSD算法在检测速度和检测精度上均具有一定的优越性. 展开更多
关键词 深度学习 机械零件目标检测 ssd算法 轻量级网络 Focal loss
在线阅读 下载PDF
基于轻量级神经网络的小尾寒羊面部识别 被引量：1
5
作者 孙权 宣传忠 +4 位作者 张梦宇 张曦文 赵明辉 宋硕 郝敏 《山东农业大学学报（自然科学版）》 北大核心 2024年第2期254-261,共8页
为实现羊只面部身份快速识别,本文以自建数据集为研究对象,提出了一种基于SSD的轻量化检测算法。首先该算法将SSD的主干网络VGG16替换成轻量级神经网络MobileNetv2,构建了一种轻量化混合神经网络模型。其次在特征提取网络参数量为1122&#... 为实现羊只面部身份快速识别,本文以自建数据集为研究对象,提出了一种基于SSD的轻量化检测算法。首先该算法将SSD的主干网络VGG16替换成轻量级神经网络MobileNetv2,构建了一种轻量化混合神经网络模型。其次在特征提取网络参数量为1122×32的bottleneck层前端和72×160的bottleneck层后端分别引入CA、SE、CBAM和ECA注意力机制,实验结果表明72×160的bottleneck层后端引入ECA注意力机制是最优的。最后将smoothL1损失函数替换成BalancedL1损失函数。最优模型(SSD-v2-ECA2-B)模型大小从SSD的132MB减小到56.4MB,平均精度均值为81.16%,平均帧率为64.21帧/s,相较于基础的SSD模型平均精度均值提升了0.94个百分点,模型体积减小了75.6MB,检测速度提高了5.23帧/s。利用相同数据集在不同目标检测模型上进行对比试验,与SSD模型、Faster R-CNN模型、Retinanet模型相比,平均精度均值分别提升了0.36、2.40和0.07个百分点,与改进前的模型相比具有更好的综合性能。改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,为畜牧养殖数字化和智能化提供方法参考,具有较高的应用价值。 展开更多
关键词 羊脸识别 ssd目标检测算法 MobileNetv2轻量级神经网络
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