-
题名基于YOLOv8改进的服装疵点检测算法
- 1
-
-
作者
鲍禹辰
徐增波
田丙强
-
机构
上海工程技术大学纺织服装学院
-
出处
《东华大学学报（自然科学版）》
CAS
北大核心
2024年第4期49-56,共8页
-
文摘
针对服装疵点检测方法,提出了基于YOLOv8改进的算法YOLOv8-MBRGA,用于完成服装疵点的检测任务。引入BiFPN金字塔替换head层中的concat连接,将语义信息传递到不同的特征尺度上,从而增强特征融合。为加速模型的收敛速度和推理速度,在检测头上增加RepVGG网络,有助于更好地训练深层次的网络模型。采用分离卷积替换Conv卷积降低网络的复杂度并融入注意力机制EffectiveSE增强模型的特征提取和多尺度信息融合的能力。试验结果表明,YOLOv8-MBRGA算法在服装疵点检测上获得了显著的效果,平均精度均值提高了5.50%,精确度提高11.06%,在推理速度基本保持不变的情况下,模型的计算量下降30.48%。
-
关键词
服装疵点
BiFPN金字塔
repvgg网络
YOLOv8
-
Keywords
garment defect
BiFPN pyramid
repvgg network
YOLOv8
-
分类号
TS941.26
[轻工技术与工程—服装设计与工程]
-
-
题名基于融合注意力机制的小样本遥感场景分类方法
被引量：2
- 2
-
-
作者
李子茂
于舒
郑禄
帖军
秦锦添
-
机构
中南民族大学计算机科学学院
湖北省制造企业智能管理工程技术研究中心
农业区块链与智能管理湖北省工程研究中心
-
出处
《国外电子测量技术》
北大核心
2023年第7期59-67,共9页
-
基金
国家民委中青年英才培养计划(MZR20007)
湖北省科技重大专项(2020AEA011)
+1 种基金
新疆维吾尔自治区区域协同创新专项(科技援疆计划)(2022E02035)
武汉市科技计划应用基础前沿项目(2020020601012267)资助。
-
文摘
针对遥感场景图像样本获取困难,数据量受限以及遥感图像目标对象和背景高度混杂的问题,提出一种基于融合注意力机制的小样本遥感场景分类方法。该方法采用RepVGG作为基准模型,并利用ECANet网络的ECA通道注意力机制改进RepVGG网络的RepVGGBlock模块,使得网络有效过滤无用信息并聚焦于关键场景区域,从而增强模型的特征判别能力,并确保在不增加模型参数的情况下提高分类准确率;同时通过随机数据增强方法在线增强训练数据,在不占用额外内存的情况下增加模型训练数据量,使得训练数据更多样化,提高模型的泛化能力。在UC Merced LandUse数据集上分类平均准确率为94.52%,相较于ResNet50、RepVGG-B1-SE网络,准确率分别提高4.52%和2.93%。实验结果表明,该方法能有效聚焦关键场景区域并提升小样本遥感场景分类的准确率,对实现遥感影像快速分类具有一定的参考意义。
-
关键词
遥感场景分类
注意力机制
repvgg网络
小样本
ECANet
-
Keywords
remote sensing scene classification
attentional mechanisms
repvgg network
small sample size
ECANet
-
分类号
TP751.1
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名一种融合注意力机制的无人机目标分割算法
- 3
-
-
作者
王传云
姜福宏
王田
高骞
王静静
-
机构
沈阳航空航天大学
北京航空航天大学
中国电子科技集团公司电子科学研究院
-
出处
《空间控制技术与应用》
CSCD
北大核心
2023年第6期17-27,共11页
-
基金
国家自然科学基金资助项目(61703287和61972016)
辽宁省教育厅科学研究项目(LJKZ0218和LJKMZ20220556)
+1 种基金
沈阳市中青年科技创新人才项目(RC210401)
沈阳航空航天大学引进人才科研启动基金项目(22YB03)。
-
文摘
由于低空空域无人机具有尺寸小、飞行灵活等特点,给视觉检测非法入侵无人机带来困难,提出一种融合注意力机制的低空无人机目标分割算法,命名为Rep-YOLACT(re-parameterization-you only look at coefficients network),首先采用RepVGG(rep visual geometry group)网络改进YOLACT网络中ResNet(residual network)主干,增强网络的特征提取能力,同时在主干特征提取网络输出的3个特征层后添加CBAM(convolutional block attention module)注意力模块,从而进一步高效利用特征层的信息.分别在FL-drones(flying drones dataset)数据集和MUD(multiscale unmanned aerial vehicle dataset)数据集上进行实验,结果表明,在FL-drones数据集上,所提出的Rep-YOLACT算法相比于YOLACT算法在掩膜AP(average precision)和掩膜AR(average recall)上分别提升了0.3%和11.7%,在MUD数据集上,所提出的Rep-YOLACT算法相比于YOLACT算法掩膜AP和预测框AR上提升了2.3%和5%,能够很好地完成无人机分割任务,其分割精度也高于其它主流分割算法.
-
关键词
无人机
目标分割
注意力机制
repvgg网络
深度学习
-
Keywords
drone
object segmentation
attention mechanism
repvgg network
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名改进型SSD网络的织物瑕疵检测算法
被引量：2
- 4
-
-
作者
龙玥
韩军
孙园
黄慧玲
郭前进
-
机构
厦门理工学院电气工程与自动化学院
中国科学院海西研究院泉州装备制造研究中心
-
出处
《厦门理工学院学报》
2022年第5期64-73,共10页
-
基金
福建省中科院STS计划配套院省合作项目(2021T3032)
泉州市科技计划项目(2019STS04)
泉州市人才创新共享联盟联合攻关项目(2021C063L)。
-
文摘
针对传统纺织生产中瑕疵检测精度低、速度慢和模型太大影响部署等问题,提出一种基于改进型SSD(single shot multiBox detector)网络的织物瑕疵检测算法。将RepVGG网络融合SE(squeeze-and-excitation)模块,提出SE-RepVGG网络作为SSD的主干网络;在增强网络特征提取能力的同时,采用结构重参数化方法大幅减少网络的参数量和计算量,以改善实时检测性能;利用深度可分离卷积代替传统卷积,设计DCS(deconvoution-and-squeeze)模块构建SSD的辅助网络,以进一步降低网络计算量;利用K-means聚类算法调整先验框比例,以提升检测精度。实验结果表明,相比原始SSD网络,算法在检测精度上mAP提高34.47%,达到96.96%,网络参数量减少13.01 MB,检测速度为47 F·s^(-1),满足工业实时检测需求。
-
关键词
织物
瑕疵检测
SSD算法
repvgg网络
SE模块
深度可分离卷积
K-MEANS聚类算法
-
Keywords
fabric
defect detection
SSD algorithm
repvgg network
SE module
depth-separable convolution
K-means clustering algorithm
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于孪生网络的协作机器人目标追踪
被引量：1
- 5
-
-
作者
韩江雪
郭小明
汤永恒
王丽鑫
潘斌
-
机构
辽宁石油化工大学计算机与通信工程学院
辽宁石油化工大学理学院
-
出处
《辽宁石油化工大学学报》
CAS
2022年第6期90-96,共7页
-
基金
国家自然科学基金项目(61602228、61572290)
辽宁省“兴辽英才计划”青年拔尖人才项目(XLYC1807266)
辽宁省自然科学基金项目(2015020041)。
-
文摘
利用自身高速高精度的特点,协作机器人通过模仿人的创造性复杂动作来提高生产效率。当前协作机器人对人动作的模仿主要来自部署人员的长期调试,缺少通用的解决方案,无法快速部署。基于此,提出了一种无锚的基于RepVGG网络的孪生网络协作机器人目标跟踪算法。该算法由孪生网络模块、分类回归模块和机器人执行模块组成。孪生网络模块使用改进的RepVGG网络代替主流的ResNet作为骨干网络用于图片特征的提取,在不损失精度的前提下提高整个网络的运行速度,降低算法对硬件的要求,对专用深度学习芯片更加友好;分类回归模块通过引入中心度分支来提高跟踪框的中心点预测精度;机器人执行模块采用尺度惩罚和宽高比惩罚以平滑跟踪框,保证协作机器人的动作流畅。实验结果表明,平均速率相比替代ResNet骨干网络前提高了14 FPS,实现了实时跟踪的效果。
-
关键词
目标跟踪
孪生网络
repvgg网络
深度学习
协作机器人
-
Keywords
Object tracking
Siamese network
repvgg network
Deep learning
Cooperative robot
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名带钢表面缺陷的RepVGG网络改进及其识别
被引量：1
- 6
-
-
作者
沈希忠
谢旭
-
机构
上海应用技术大学电气与电子工程学院
-
出处
《现代制造工程》
CSCD
北大核心
2023年第5期121-126,共6页
-
文摘
对带钢表面缺陷准确快速识别是带钢外观质量评价的一项重要内容,应用深度学习进行带钢表面缺陷识别是一个持续的热点。提出了一种基于改进RepVGG网络的带钢表面缺陷识别方法。首先为提高RepVGG网络在带钢表面缺陷识别中的稳定性和准确率,该方法引入了高效通道注意力(Efficient Channel Attention,ECA)网络,然后为了防止神经网络训练中神经元坏死,使得神经元参数得不到更新,应用了高斯误差线性激活函数。在测试集上,改进RepVGG网络对带钢表面缺陷的识别率达到了99.94%,而其运行速度并没有降低,单张图片的平均检测时间为5.4 ms。
-
关键词
缺陷检测
repvgg网络:高效通道注意力网络
高斯误差线性单元
可视化
-
Keywords
defect detection
repvgg networks
ECA network
Gaussian Error Linear Units(GELU)
visualization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
