检索结果-内蒙古大学图书馆

铁道学报 2024年第5期46卷 48-57页

作者：屈志坚张博语杨行李迪华东交通大学轨道交通基础设施性能监测与保障国家重点实验室江西南昌330013 华东交通大学电气与自动化工程学院江西南昌330013

针对接触网应用环境复杂,定位线夹体积小、安装方向特殊、不易识别,传统的目标检测算法效果较差等问题,基于多尺度特征融合密集连接网络模型,提出了一种接触网定位线夹缺陷检测新方法。首先结合DenseNet与Inception模块对SSD模型的特征... 详细信息

针对接触网应用环境复杂,定位线夹体积小、安装方向特殊、不易识别,传统的目标检测算法效果较差等问题,基于多尺度特征融合密集连接网络模型,提出了一种接触网定位线夹缺陷检测新方法。首先结合DenseNet与Inception模块对SSD模型的特征提取网络进行改进,在特定的特征层间共享上下文信息,提升特征提取能力。然后从网络深层到浅层,逐级采用FPN融合SSD检测的多尺度特征图,设计多特征融合的密集连接网络模型,最后将f GIoU作为边框损失函数,在训练中优化真实框和预测框的重合度。对采集的某段接触网定位线夹图像数据集进行检测识别。结果表明:该定位线夹缺陷检测方法可在复杂接触网背景下,对定位线夹脱落和松动进行检测,且在不同角度、亮度的图像中均具有较强的鲁棒性。

关键词：接触网缺陷识别定位线夹特征金字塔边界框损失函数

来源：评论

学校读者我要写书评

暂无评论

基于坐标注意力和软化非极大值抑制的密集安全帽检测

引用

现代电子技术 2025年第2期48卷 153-161页

作者：尹向雷苏妮解永芳屈少鹏陕西理工大学电气工程学院陕西汉中723000

为解决现有的安全帽检测算法对密集小目标的检测精度低的问题,提出一种基于坐标注意力和软化非极大值抑制的安全帽检测算法。引入坐标注意力机制,聚焦训练安全帽相关目标特征以提高准确率。采用软化非极大值抑制算法对候选框的置信度进... 详细信息

为解决现有的安全帽检测算法对密集小目标的检测精度低的问题,提出一种基于坐标注意力和软化非极大值抑制的安全帽检测算法。引入坐标注意力机制,聚焦训练安全帽相关目标特征以提高准确率。采用软化非极大值抑制算法对候选框的置信度进行优化,提升模型对密集小目标的检测精度。通过WIoU优化边界框损失函数,使得模型聚焦于困难样例而减少简单示例对损失值的贡献,提升模型的泛化性能。实验结果表明:与基准模型YOLOv5s相比,所提算法的mAP@0.5达到88.4%,提升了3.0%;mAP@0.5:0.95达到65.6%,提升了6.8%;在召回率和准确率上分别提升了2.4%和0.5%。所提算法为密集小目标的检测提供了一定参考。

关键词：安全帽检测坐标注意力机制软化非极大值抑制 YOLOv5s WIoU 边界框损失函数

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv8的输电线路绝缘子表面缺陷识别算法

引用

电子测量技术 2024年

作者：熊伟路鑫邱维进王平强华北电力大学计算机系河北省能源电力知识计算重点实验室

针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题，提出一种基于改进YOLOv8的输电线路绝缘子表面缺陷识别算法。首先，在主干网络引入CAF（Convolution and Attention Fusion）模块，增强全局和局部特征的... 详细信息

针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题，提出一种基于改进YOLOv8的输电线路绝缘子表面缺陷识别算法。首先，在主干网络引入CAF（Convolution and Attention Fusion）模块，增强全局和局部特征的提取能力；其次，在模型的颈部网络增加GD（Gather-and-Distribute）机制，提升小目标检测能力；最后，采用ATFL（Adaptive Threshold Focal Loss）分类损失函数，削弱复杂背景对小目标检测的干扰，引入PIOU（Powerful Intersection over Union）边界框损失函数，提高识别精度。实验结果表明，该算法的mAP50达到94.1%，相较于基线模型提高了3.1%，且性能优于最近的YOLOv9s、YOLOv10s、YOLOv10m等算法。

关键词：目标检测绝缘子表面缺陷识别小目标卷积和注意力融合边界框损失函数分类损失函数

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv5的消防机器人火焰检测研究

引用

机械 2024年第4期51卷 67-73页

作者：陈春霞王玲李洋洋王贤钧四川大学机械工程学院四川成都610065

消防机器人是辅助消防人员获得火灾现场信息、及时做出决策的有力帮手。针对消防机器人在火灾现场消防作业时面临的检测精确度有待进一步提高、模型运算量大的问题,提出一种改进YOLOv5的消防机器人火焰检测算法。该方法在YOLOv5原始模... 详细信息

消防机器人是辅助消防人员获得火灾现场信息、及时做出决策的有力帮手。针对消防机器人在火灾现场消防作业时面临的检测精确度有待进一步提高、模型运算量大的问题,提出一种改进YOLOv5的消防机器人火焰检测算法。该方法在YOLOv5原始模型的特征提取部分加入Involution算子,扩大感受野的同时使网络更轻量化,并且在特征提取和特征融合部分加入CBAM注意力机制,增强网络中对特征的提取,并保证底层特征图的特征信息,还在损失函数计算中引入新的边界框损失函数α-CIoU,以提升模型的收敛速度和对数据集的鲁棒性。实验结果表明,改进后的模型平均检测精度达93.6%,模型计算量下降58%,该方法有效提升了火焰检测的精度,降低了模型的计算量。

关键词：火焰检测注意力机制边界框损失函数

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5的交通标志检测算法研究

基于改进YOLOv5的交通标志检测算法研究

引用

作者：胡征剑桂林理工大学

学位级别：硕士

交通标志检测技术是无人驾驶的关键技术之一。性能优秀的交通标志检测算法不仅能够缓解道路交通拥堵现象,还能够减少交通事故发生率,最大程度上保证驾驶员的生命安全。然而在真实道路场景中,由于各种因素的干扰,如目标被遮挡、检测目标... 详细信息

交通标志检测技术是无人驾驶的关键技术之一。性能优秀的交通标志检测算法不仅能够缓解道路交通拥堵现象,还能够减少交通事故发生率,最大程度上保证驾驶员的生命安全。然而在真实道路场景中,由于各种因素的干扰,如目标被遮挡、检测目标太小、光线太强等,对交通标志检测算法的实时性、准确性造成巨大的影响。为了进一步提高交通标志检测性能,本文基于YOLOv5算法对交通标志检测技术进行如下研究:为了提高交通标志的检测精度,本文对YOLOv5s模型进行了改进,利用Swin Transformer模型关注全局信息的特性,将Swin Transformer blocks嵌入YOLOv5s的主干网络中,并将Neck层的路径聚合网络替换成特征提取能力更强的Bi FPN结构,最后使用带有角度特征的SIo U损失函数作为其边界框损失函数,得到本文提出的S-YOLO网络模型。在TT100k数据集上,本文对S-YOLO以及原YOLOv5s模型进行了对比验证,实验表明,S-YOLO模型的检测精度比YOLOv5s模型高了4.4%,而检测速度只比YOLOv5s稍慢,充分表明S-YOLO对于交通标志的检测综合性能要强于YOLOv5s。为了减少模型计算量,提高交通标志检测速度,设计了GS-YOLO轻量化模型,并实现基于Py Qt5的交通标志检测平台。通过对深度可分离卷积的理论分析引入GSConv及Vo VGSCSP模块,并对主干网络和Neck层网络结构进行重新设计,在损失函数的设计上仍使用SIo U作为边界框损失函数,最后在网络输出的前一层使用Shuffle Attention保留特征图关键信息,从而平衡模型的检测精度和检测速度。通过实验计算出GS-YOLO模型的平均检测时间为0.012s,检测速度比YOLOv5s模型快了14.9%。为了直观展示GS-YOLO模型的检测效果,设计了基于Py Qt5的交通标志检测平台,并在Windows环境下进行部署,验证GS-YOLO模型的有效性和实时性。

关键词：交通标志检测 YOLOv5s模型边界框损失函数轻量化设计 GSConv模块

来源：评论

学校读者我要写书评

暂无评论

基于无人机航拍与改进YOLOv5s的油茶果实检测

引用

中国农机化学报 2024年第12期45卷 238-244页

作者：沈德宇陈锋军朱学岩张新伟陈闯北京林业大学工学院北京市100083 林木资源高效生产全国重点实验室北京市100083

针对无人机航拍图像中油茶果实小且互相遮挡的问题,提出改进YOLOv5s模型。首先,使用SPD-Conv代替YOLOv5s模型中池化操作,使模型在执行下采样操作时能够保留更多细粒度信息。然后,在YOLOv5s模型的颈部网络末端引入坐标注意力机制CA,提高... 详细信息

针对无人机航拍图像中油茶果实小且互相遮挡的问题,提出改进YOLOv5s模型。首先,使用SPD-Conv代替YOLOv5s模型中池化操作,使模型在执行下采样操作时能够保留更多细粒度信息。然后,在YOLOv5s模型的颈部网络末端引入坐标注意力机制CA,提高模型对遮挡目标的鲁棒性。另外,改进YOLOv5s模型使用NWD边界框损失函数替换YOLOv5s中的CIOU边界框损失函数,以提升模型对无人机航拍图像中小油茶果实的检测能力。改进YOLOv5s模型的精确率、召回率、F1分数和平均精度均值分别达到93.1%、90.5%、91.78%和91.2%,与YOLOv5s模型相比,平均精度均值提升3.6个百分点。试验表明,改进YOLOv5s对航拍图像中较小的油茶果实和遮挡果实有更强的检测能力。可为利用无人机进行油茶果实的产量估计研究提供参考。

关键词：油茶果实无人机航拍 YOLOv5s 坐标注意力机制边界框损失函数

来源：评论

学校读者我要写书评

暂无评论

针对小目标的YOLOv5安全帽检测算法

引用

现代信息科技 2023年第9期7卷 9-13页

作者：李达刘辉湖南师范大学物理电子科学学院湖南长沙410081

针对当前YOLOv5难以检测小目标、目标识别效果差等问题,提出了一种基于YOLOv5的改进模型。针对开源数据集小目标样本数量不足的问题,重新构建安全帽数据集,扩充小目标数量。引入轻量化的通道注意力ECA模块,提高模型对安全帽的识别能力... 详细信息

针对当前YOLOv5难以检测小目标、目标识别效果差等问题,提出了一种基于YOLOv5的改进模型。针对开源数据集小目标样本数量不足的问题,重新构建安全帽数据集,扩充小目标数量。引入轻量化的通道注意力ECA模块,提高模型对安全帽的识别能力。将边界框损失函数替换为SIoU加速模型收敛。最后改进Neck部分的特征融合方式,并增加一个小目标检测层。改进算法在自建安全帽数据集上mAP@0.5、mAP@0.5:0.95相较于YOLOv5s分别提高2.6%、1.7%。

关键词：安全帽佩戴检测 YOLOv5 ECA注意力边界框损失函数小目标检测

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv5的公路路面病害检测方法研究与应用

基于YOLOv5的公路路面病害检测方法研究与应用

引用

作者：李宁北方民族大学

学位级别：硕士

存在病害的路面极易引发交通事故,其安全性直接影响着人们的生命和财产安全。若不及时进行修理,小的病害通常会发展为大的路面破损,严重的甚至导致路面重新修建,造成大量不必要的经济损失。由于修理不同类型路面病害所需材料有所差异,... 详细信息

存在病害的路面极易引发交通事故,其安全性直接影响着人们的生命和财产安全。若不及时进行修理,小的病害通常会发展为大的路面破损,严重的甚至导致路面重新修建,造成大量不必要的经济损失。由于修理不同类型路面病害所需材料有所差异,因此准确识别路面病害的位置及类型对路面的养护工作尤为关键。本文通过分析公路路面病害检测任务的需求,结合路面病害检测技术的发展现状,基于深度学习的目标检测技术来实现路面病害的检测。本文的主要研究工作总结如下:首先,对目标检测中的边界框损失函数进行总结归纳,分析它们所存在的优缺点。为了弥补以往损失函数所存在的局限性,提出了基于Io U的边界框损失函数RDDIo U Loss。通过模拟实验对比了RDDIo U Loss与先前边界框损失函数的性能,并在COCO数据集上进行实验,验证了边界框损失函数RDDIo U Loss的有效性。其次,综合考虑并选择YOLOv5作为基准网络进行深入研究。结合路面病害所独有的特征,对数据增强、主干网络、Neck网络、损失函数和TTA等模块进行改进,得到了适用于路面病害检测的网络YOLO-RDD。接着介绍了本文制作的路面病害检测数据集的详细信息。又通过实验比较了YOLO-RDD和几种典型目标检测算法在路面病害检测任务中的性能,实验结果表明本文提出的模型取得了m AP 93.9%和F1-Score88.5%的成绩,优于其它典型目标检测模型。最后,通过分析用户需求,结合路面病害检测任务的最终目的,设计了路面病害检测系统,并对其功能模块以及系统流程进行了讨论。为了满足不同用户群体的需求,分别将YOLO-RDD模型部署在Web服务器和Windows平台,实现了多平台的检测,也验证了本文改进算法的有效性和实用性。

关键词：深度学习目标检测路面病害检测 YOLOv5 边界框损失函数

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv7—tiny的茶叶嫩芽识别方法

引用

中国农机化学报 2025年第6期46卷 150-155页

作者：王启航顾寄南蒋兴宇范天浩潘知瑶江苏大学机械工程学院

为提高茶叶采摘机器人的采摘效率和采摘精度，使模型能更方便地部署在低算力的移动端设备上，提出一种基于改进YOLOv7—tiny的茶叶嫩芽识别方法。首先，用HardSwish激活函数减少量化模式下数值的精度损失，使模型精度提升；其次，利用... 详细信息

为提高茶叶采摘机器人的采摘效率和采摘精度，使模型能更方便地部署在低算力的移动端设备上，提出一种基于改进YOLOv7—tiny的茶叶嫩芽识别方法。首先，用HardSwish激活函数减少量化模式下数值的精度损失，使模型精度提升；其次，利用深度可分离卷积改进原网络中的ELAN模块减少该模块中的参数冗余，降低模型的参数量和计算量使模型轻量化；最后，为消除模型轻量化造成的精度损失，进一步提高模型精度，使用对小目标更敏感的EIoU边界框损失函数。试验结果显示，改进后的模型精确率、召回率与平均精度均值分别为79.6%、79.1%和81.4%，相比原始模型提升5.4%、2.3%和2.7%；并且改进后的模型参数量为4.8 M，相比原始模型降低20.0%；计算量为10.8 GFLOPs，相比原始模型降低16.9%。

关键词：茶叶嫩芽识别轻量化深度可分离卷积边界框损失函数

来源：评论

学校读者我要写书评

暂无评论

基于YOLOv8的输电线路绝缘子表面缺陷识别算法

引用

电子测量技术 2025年第2期48卷 178-188页

作者：熊伟路鑫邱维进王平强华北电力大学计算机系保定071000 河北省能源电力知识计算重点实验室保定071000

针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题,提出一种基于YOLOv8的输电线路绝缘子表面缺陷识别算法。首先,在主干网络引入CAF模块,增强模型对复杂图像场景的解析,增强全局和局部特征的提取能力;其次,... 详细信息

针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题,提出一种基于YOLOv8的输电线路绝缘子表面缺陷识别算法。首先,在主干网络引入CAF模块,增强模型对复杂图像场景的解析,增强全局和局部特征的提取能力;其次,在模型的颈部网络增加GD机制,减少特征融合过程中信息的丢失,提升小目标检测能力;最后,采用ATFL分类损失函数,削弱复杂背景对小目标检测的干扰,引入PIOU边界框损失函数,提高识别精度,加快模型收敛速度。实验结果表明,该算法的mAP50达到94.1%,精确率达到92.5%,召回率达到91.3%,相较于基线模型分别提高了3.1%、0.7%、3.9%,且综合性能优于最近的YOLOv9s、YOLOv10s等代表性算法。

关键词：目标检测绝缘子表面缺陷识别小目标卷积和注意力融合边界框损失函数分类损失函数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：