检索结果-内蒙古大学图书馆

火力与指挥控制 2024年第9期49卷 90-96,103页

作者：王军黄博文蔡景贵沈阳化工大学计算机科学与技术学院沈阳110142 辽宁省化工过程工业智能化技术重点实验室沈阳110142

为了减少YOLOv5模型在复杂环境下的误检率和漏检率,提出一种基于CA(Coordinate Attention)和eiou(Efficient Intersection over Union)的目标检测模型YOLOv5-CCE。首先向Neck网络中的部分C3_2模块中嵌入坐标注意力机制CA,增强模型对特... 详细信息

为了减少YOLOv5模型在复杂环境下的误检率和漏检率,提出一种基于CA(Coordinate Attention)和eiou(Efficient Intersection over Union)的目标检测模型YOLOv5-CCE。首先向Neck网络中的部分C3_2模块中嵌入坐标注意力机制CA,增强模型对特征的提取能力;其次为提高回归精度,提出一种基于Focal eiou Loss改进的Focal Ceiou Loss。实验结果表明,在PASCAL VOC 2007+2012数据集上,YOLOv5-CCE模型在参数量和计算量基本保持不变的情况下,相较于原模型mAP@0.5、mAP@0.5:0.95和准确率分别提升了1.4%、1.3%和3.7%,因此,YOLOv5-CCE模型可以更好地适应复杂环境下的目标检测任务。

关键词： YOLOv5算法 eiou Focal Loss CA注意力机制目标检测

来源：评论

学校读者我要写书评

暂无评论

Persistent calyx of Rosa roxburghii recognition based on SimAM-YOLO-v5s

引用

JOURNAL OF FOOD MEASUREMENT AND CHARACTERIZATION 2025年 1-12页

作者： Xue, Yiheng Wang, Junhao Hu, Shetan Zhang, Zongpeng Zhou, Chao Wang, Siqian Xie, Zhiping Wang, Sipeng Guizhou Normal Univ Sch Mech & Elect Engn Guiyang Peoples R China Guizhou Univ Minist Educ Key Lab Adv Mfg Technol Guiyang 550025 Guizhou Peoples R China

Aiming at the current problem of Rosa roxburghii processing, which relies on manual work to remove the persistent calyx, with low efficiency and insufficient precision, this study proposes an automated positioning method of the persistent calyx of Rosa roxburghii based on an improved target detection model, to improve the detection precision and realize the automated processing of Rosa roxburghii products. By constructing a dataset containing 1120 images of Rosa roxburghii and combining data enhancement strategies such as flipping and rotating, the persistent calyx location is divided into six types of regions. Based on the YOLO-v5s model, the system compares the performance of four attention mechanisms with four loss functions. The experimental results show that the introduction of SimAM attention mechanism features of attention while Efficient-IoU can effectively optimize the bounding box regression accuracy. The optimized model achieves a mean average accuracy of 83.1% for the calyx detection mean value when the intersection and concurrency ratio threshold is 0.5, and the batch size is 5, which is a 4.8% improvement over the base model, and a 2.5% improvement in the overall mean average accuracy. In addition, the model training time is reduced to 0.528 h, which can balance efficiency and accuracy. The study shows that the improved model can accurately locate the persistent calyx with high confidence and no leakage detection, which provides reliable technical support for the design of automated processing equipment for Rosa roxburghii.

关键词： Persistent calyx of Rosa roxburghii Small target detection YOLO-v5 SimAM eiou

来源：评论

学校读者我要写书评

暂无评论

MILLET EAR DETECTION METHOD IN UAV IMAGES BASED ON IMPROVED YOLOX

引用

INMATEH-AGRICULTURAL ENGINEERING 2025年第1期75卷 680-690页

作者： Ma, Fuming Li, Shaonian Li, Juxia Li, Yanwen Duan, Lei Li, Linwei Tan, Jing Wang, Yifan Lanzhou Univ Technol Coll Energy & Power Engn Lanzhou Gansu Peoples R China Shanxi Agr Univ Coll Informat Sci & Engn Jinzhong Shanxi Peoples R China

Rapid and accurate detection of millet ears is essential for yield estimation and phenotypic studies. However, traditional detection methods primarily rely on manual observation, which are both subjective and laborintensive. To address this issue, this study employed Unmanned Aerial Vehicle (UAV) for image data collection of millet ears and proposed the YOLOX-CBAM-eiou model to facilitate real-time detection, focusing on challenges such as small millet ears size, dense distribution, and severe occlusion in the dataset. Firstly, the Mosaic data augmentation technique was employed to enhance the diversity of the dataset. Subsequently, the CBAM attention mechanism was incorporated between the Neck and Prediction layers of YOLOX, enabling the reallocation of channel weights to enhance the extraction of fine-grained features and deeper semantic information. Additionally, eiou Loss was utilized as the loss function for bounding box regression to mitigate missed detections in dense scenes. The improved model achieved an average precision (AP) of 90.30%, a 6.44 percentage point increase over the original YOLOX model, significantly enhancing detection performance for densely distributed millet ears. The improved model also demonstrated a Precision of 91.01%, Recall of 89.45%, and F1-score of 90.22, highlighting strong robustness and generalization capabilities. These findings substantiate the efficacy of the YOLOX-CBAM-eiou model in improving detection performance under dense distribution and occlusion conditions, providing valuable technical reference for further UAV-based analyses of millet ears phenotypes and yield predictions.

关键词： YOLOX CBAM eiou millet ear detection UAV deep learning

来源：评论

学校读者我要写书评

暂无评论

可变形卷积与注意力的SAR舰船检测轻量化模型

引用

中国图象图形学报 2025年第3期30卷 724-736页

作者：余光浩陈润霖徐金燕徐前祥王大寒陈峰厦门理工学院计算机与信息工程学院厦门361024 福建省模式识别与图像理解重点实验室厦门361024 自然资源部海岛研究中心平潭350400 深圳市智慧城市科技发展集团有限公司深圳518036 数字福建自然灾害监测大数据研究所厦门361024

目的针对合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中因背景复杂、目标尺寸各异等因素导致的漏检、误检结果,提出一种基于YOLOv8(you only look once v8)的改进算法。方法首先,轻量化处理YOLOv8的原有网络结构,大幅降低... 详细信息

目的针对合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中因背景复杂、目标尺寸各异等因素导致的漏检、误检结果,提出一种基于YOLOv8(you only look once v8)的改进算法。方法首先,轻量化处理YOLOv8的原有网络结构,大幅降低网络的冗余度,使轻量化的网络更适合SAR图像舰船检测任务。其次,在主干网络中融入可变形卷积,增强模型对目标的感知能力,能更好地适应目标形变和复杂背景;同时,在颈部网络融入卷积注意力模块,减弱背景信息的干扰,使网络更专注舰船目标的特征。最后,采用eiou(efficient intersection over union)损失函数,最小化预测框与真实框间的差值(包括宽度和高度),实现更快的收敛速度。结果分别在SSDD(SAR ship detection dataset)和HRSID(high-resolution SAR images dataset)上进行测试,结果表明,改进算法的检测性能优于当前几种流行的目标检测算法。其中,与YOLOv8相比,在两个公开数据集上,改进算法的精度评估指标mAP(mean average precision)@0.5分别提升0.68%和1.29%,mAP@0.75分别提升3.32%和3.10%,其处理速度FPS(frames per second)分别提升22帧/s和18帧/s。结论本文在轻量化处理YOLOv8基础上融合可变形卷积与注意力机制构建的改进算法,能实现SAR舰船检测精度和速度的双重提升。

关键词：合成孔径雷达(SAR) 目标检测 YOLOv8 卷积注意力模块(CBAM) 可变形卷积 eiou

来源：评论

学校读者我要写书评

暂无评论

基于叶绿素荧光成像及YOLO v7-DLM的绿豆叶片患病等级检测方法

引用

江苏农业科学 2025年第5期53卷 184-195页

作者：李洁高尚兵余骥远张浩淼陈新李士丛蒋东山袁星星刘金洋梁文香淮阴工学院江苏淮安223001 江苏省农业科学院经济作物研究所江苏南京210014

叶绿素能够准确反映作物疾病进程和等级,通过监测叶绿素能够帮助人们快速评估作物病情;构建精准高效的绿豆叶斑病检测模型对于准确筛选抗病品种和定位抗病基因具有重要意义。针对不同患病等级叶片的病斑大小不一、特征不明显的病斑容易... 详细信息

叶绿素能够准确反映作物疾病进程和等级,通过监测叶绿素能够帮助人们快速评估作物病情;构建精准高效的绿豆叶斑病检测模型对于准确筛选抗病品种和定位抗病基因具有重要意义。针对不同患病等级叶片的病斑大小不一、特征不明显的病斑容易被忽略等问题,本研究提出一种基于叶绿素荧光成像及YOLO v7-DLM的绿豆叶斑病检测方法。首先设计了阶梯式空间金字塔池化模块,通过多层次特征提取和融合提高了网络学习能力,可以解决特征不明显的病斑易被忽略的问题;其次引入了坐标注意力机制模块,通过分析全局特征图来识别病变区域的关键特征,并据此调整局部特征响应的权重,实现对病变区域的聚焦和对关键特征的选择性增强;最后引入边界框定位损失函数Focal-eiou Loss,更有效地指导模型学习更准确的边界框位置,提高检测精度。试验数据集由绿豆叶斑病的叶绿素荧光图像构成,其中包含5种抗性类型的绿豆叶斑病图像。本研究提出的YOLO v7-DLM模型在自建数据集上的识别精度和全类平均正确率分别达到65.3%、73.2%,比原YOLO v7模型分别提高了4.5、6.0百分点。该方法可以有效地检测和识别叶片的患病等级,提高检测的鲁棒性,提升模型对特征不明显病斑的提取能力,具有良好的应用前景,对进一步开展绿豆抗病育种工作具有重要意义。

关键词：绿豆叶斑病检测阶梯式空间金字塔池化坐标注意力机制 eiou 叶绿素荧光图像

来源：评论

学校读者我要写书评

暂无评论

面向航拍图像的轻量化目标检测算法

引用

电光与控制 2025年第3期32卷 56-61,81页

作者：何戚天李为相程明孙圆陈闯南京工业大学电气工程与控制科学学院南京211000

针对无人机航拍图像背景复杂、目标物较小且模型部署困难的问题,提出了面向航拍图像的轻量化目标检测算法。在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块,压缩模型参数量,提升模型的推理速度;在特征融合网络,采用改进的CBA... 详细信息

针对无人机航拍图像背景复杂、目标物较小且模型部署困难的问题,提出了面向航拍图像的轻量化目标检测算法。在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块,压缩模型参数量,提升模型的推理速度;在特征融合网络,采用改进的CBAM_L机制,专注于捕捉航拍图像中的小目标信息的同时提高了模型的目标识别精度;将检测网络中检测头替换成解耦头,解决航拍图像输出变量时分类和回归的冲突问题,并把网络中损失函数替换成eiou,有效提升了模型回归精度。在公开数据集VisDrone上验证结果表明,改进后模型的平均精度均值(mAP@0.5)提高了0.014,参数量缩减到原模型的34.3%,计算量缩减到原模型的32.4%,检测速率达到77帧/s,表明该算法在检测准确性和速度上都取得出色的性能。

关键词： YOLOv5m FasterNet 轻量化注意力机制解耦头 eiou

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLO算法的风机叶片表面损伤检测

引用

机器人技术与应用 2025年第1期 45-52页

作者：李帅李龙大连交通大学软件学院辽宁大连116028 中国兵器工业集团北方华锦化学工业股份有限公司销售总公司辽宁盘锦124000

针对风机叶片维护成本高的问题,本文将目标检测技术用于检测风机叶片损伤,为精确定位损伤位置提供可行性方案,降低因停机检修带来的经济损失,保障风机的可靠运行。本文基于改进YOLOv8算法提出一种新颖的风机叶片损伤检测模型YOLOv8-BE... 详细信息

针对风机叶片维护成本高的问题,本文将目标检测技术用于检测风机叶片损伤,为精确定位损伤位置提供可行性方案,降低因停机检修带来的经济损失,保障风机的可靠运行。本文基于改进YOLOv8算法提出一种新颖的风机叶片损伤检测模型YOLOv8-BE。在骨干网络中结合双重路由注意力机制,在训练过程中提升特征图之间的关联度,提升检测的精度。采用eiou损失函数代替CIoU损失函数,提高模型的定位能力。在风机叶片损伤数据集上,对比YOLOv8s网络,YOLOv8-BE的mAP值提升2.1%,精确率提升3.7%,召回率提升0.7%。与YOLOv3、YOLOv4和YOLOv5s等模型相比,本文提出的模型检测精度最高,mAP为90.7%,精确率为94%,召回率为84.6%。通过实例分析和比较,验证了本文方法的有效性和优越性。这些研究成果可应用于风机叶片损伤的检测,减少风机叶片维护成本,具有一定的研究价值。

关键词：目标检测 YOLOv8 深度学习风机叶片表面损伤检测双层路由注意力 eiou

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5s的煤矿车辆车牌检测方法

引用

矿冶 2025年第1期34卷 177-184页

作者：沈斌罗晓倩王超黑龙江科技大学安全工程学院哈尔滨150022 黑龙江科技大学煤矿瓦斯分离与综合利用技术创新中心哈尔滨150022

为提升煤矿车辆车牌检测的准确性,提出了一种基于YOLOv5s改进的检测模型。在特征融合阶段,采用加权双向特征金字塔网络(BiFPN)为每个输入特征添加可学习的权重,从而学习不同输入特征的重要性,在不同层次上加强特征融合;使用eiou损失代替... 详细信息

为提升煤矿车辆车牌检测的准确性,提出了一种基于YOLOv5s改进的检测模型。在特征融合阶段,采用加权双向特征金字塔网络(BiFPN)为每个输入特征添加可学习的权重,从而学习不同输入特征的重要性,在不同层次上加强特征融合;使用eiou损失代替YOLOv5s网络模型CIOU损失作为边界框损失函数,将预测框和真实框的纵横比影响因子拆开,分别计算预测框和真实框的长和宽,加快网络的收敛速度;在特征提取网络中融入CBAM注意力机制,提取目标的更多相关特征信息。实验结果表明,与之前的YOLOv5s模型相比,改进后的网络模型在平均精确度(mAP)上提升了1.05%,收敛速度更快,改进后的模型能有效提高车辆车牌检测的准确率。

关键词：车辆车牌检测 YOLOv5s BiFPN eiou CBAM

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的路面裂缝检测算法研究

引用

中国新技术新产品 2025年第8期 43-45页

作者：高升山东盛功建设工程有限公司山东枣庄277000

在路面维护管理中,公路路面裂缝问题频发,因此对其进行检测对保证道路质量至关重要。鉴于此,本文提出了两种目标识别算法:基于YOLOv5s框架的改良算法,采用eiou作为模型的损失函数改善精度问题,专门用于路面裂缝图像的精准检测与分类;引... 详细信息

在路面维护管理中,公路路面裂缝问题频发,因此对其进行检测对保证道路质量至关重要。鉴于此,本文提出了两种目标识别算法:基于YOLOv5s框架的改良算法,采用eiou作为模型的损失函数改善精度问题,专门用于路面裂缝图像的精准检测与分类;引入通道注意力机制的Res2Unet-CBAM网络模型,对路面裂缝图像进行精确分割。优化后的YOLOv5s算法能有效应对复杂多变的检测场景,并能准确定位并识别裂缝目标,完成高效分类,准确率达到74%以上。同时与传统图像分割模型进行试验对比,展示了Res2Unet-CBAM模型在图像分割任务上的卓越性能。

关键词：深度学习裂缝检测图像分割 eiou 注意力机制

来源：评论

学校读者我要写书评

暂无评论

Optimization of steel plate quality inspection driven by PscSE and SPPFELAN

引用

MICROWAVE AND OPTICAL TECHNOLOGY LETTERS 2024年第10期66卷

作者： Sun, Shan Song, Wenguang Yangtze Univ Coll Comp Sci Jingzhou 434000 Hubei Peoples R China Guangdong Ocean Univ Sch Comp Sci & Engn Zhanjiang Guangdong Peoples R China

Based on the improved YOLOv8n, a steel plate defect detection and recognition method is proposed to address the high labor costs and workload of traditional tasks. SPPFELAN processes inputs in parallel to enhance computational efficiency by executing multiple pooling operations simultaneously. The parallel feature fusion module PscSE, using a mixed-dimension SE attention mechanism (scSE), captures global and channel-related information better, improving characterization capability. The eiou loss function addresses the ambiguous aspect ratio definition of CIOU loss, enhancing detection accuracy and accelerating convergence. Results show the YOLOv8n-PscSE-SPPFELAN model achieves 76.9% mAP@0.5 on the Northeastern University steel plate dataset, a 4.6% improvement over the original YOLOv8n, with a computation amount of 7.7 GFLOPs, reducing resource usage and greatly improving detection speed.

关键词： eiou object detection PscSE SPPFELAN steel plate defects

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：