咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于RFCARep-YOLOv8n的光伏电池缺陷检测算法 收藏

基于RFCARep-YOLOv8n的光伏电池缺陷检测算法

Defect Detection of Photovoltaic Cells Based on RFCARep-YOLOv8n

作     者:张冀 王文彬 余洋 ZHANG Ji;WANG Wenbin;YU Yang

作者机构:华北电力大学计算机系河北保定071003 复杂能源系统智能计算教育部工程研究中心河北保定071003 河北省能源电力知识计算重点实验室河北保定071003 河北省分布式储能与微网重点实验室(华北电力大学(保定))河北保定071003 

出 版 物:《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期:2025年第61卷第3期

页      面:131-143页

核心收录:

学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程(可授工学、理学学位)] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

主  题:光伏缺陷 YOLOv8n 感受野注意力 特征融合 重参数 

摘      要:针对光伏电池缺陷图像存在目标遮掩、复杂背景以及人眼难以分辨的小目标缺陷等问题,提出一种基于感受野坐标注意力和重参数的YOLOv8n光伏电池缺陷检测算法,简记为RFCARep-YOLOv8n。提出一种基于感受野坐标注意力的重参数模块代替瓶颈模块进行特征提取,扩大对全局信息的关注度提高语义表达能力,抑制遮掩物和复杂背景的干扰;在快速空间金字塔池化后添加可分离大核聚集模块,通过提高长距离特征依赖增强全局特征信息融合;在特征融合部分使用多尺度序列特征融合颈部网络,结合多尺度辅助检测头,减少细节特征丢失,提高小目标缺陷检测能力。实验结果表明,该模型在PASCAL VOC数据集中较基准模型mAP@0.5和mAP@0.5:0.95分别提升2.3和2.1个百分点,同时在光伏缺陷数据集中mAP@0.5达到87.6%,较基准模型提升3.5个百分点,参数量为3.23×10^(6),保持了基准模型的轻量参数同时提高检测性能。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分