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6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：
基于改进的YOLO算法的交通标志识别 被引量：1
1
作者 李文举 张干 +1 位作者 崔柳 沙利业 《计算机仿真》 北大核心 2023年第1期149-155,共7页
为了解决交通标志识别易受光照、遮挡和小目标影响的问题,对YOLOv5-P6算法进行改进,提出了一种新的交通标志识别算法。算法采用加权双向特征金字塔网络,提高特征提取能力,增加了跨层连接并对传递的特征进行权重调整,更好地融合道路交通... 为了解决交通标志识别易受光照、遮挡和小目标影响的问题,对YOLOv5-P6算法进行改进,提出了一种新的交通标志识别算法。算法采用加权双向特征金字塔网络,提高特征提取能力,增加了跨层连接并对传递的特征进行权重调整,更好地融合道路交通标志的通道特征;使用空洞空间池化金字塔模块提取多尺度上下文信息,进一步增大感受野从而改善语义分割的效果;引入改进的跨阶段局部网络,使模块更加简洁;在训练过程中加入随机裁剪技术,并采用图像缩放、图像切变以及代数运算对检测效果不理想的类别进行实例扩充,缓解模型的过拟合问题。在TT100K数据集上应用本算法,识别精度达到90.02%,与传统的YOLOv5模型相比提高了4.72%,帧处理速率达到36.07FPS。 展开更多
关键词 交通标志识别 加权双向特征金字塔 空洞空间池化金字塔 数据增强
下载PDF
煤矿带式输送机异物检测 被引量：23
2
作者 杜京义 陈瑞 +1 位作者 郝乐 史志芒 《工矿自动化》 北大核心 2021年第8期77-83,共7页
针对现有基于深度学习的带式输送机异物检测方法存在检测速度慢的问题,提出了一种改进YOLOv3模型,并将其应用于煤矿带式输送机异物检测。该模型以轻量化网络DarkNet22-DS作为主干特征提取网络,DarkNet22-DS利用深度可分离卷积替换标准卷... 针对现有基于深度学习的带式输送机异物检测方法存在检测速度慢的问题,提出了一种改进YOLOv3模型,并将其应用于煤矿带式输送机异物检测。该模型以轻量化网络DarkNet22-DS作为主干特征提取网络,DarkNet22-DS利用深度可分离卷积替换标准卷积,大幅减少了网络参数,并通过复合残差块提高了特征利用效率;通过引入加权双向特征金字塔网络及双尺度输出来改进特征融合网络,提升了模型对大块异物的检测效率;采用完全交并比损失函数作为目标框回归损失函数,充分利用目标框信息间的相关性,提高了模型的收敛速度和检测精度。将改进YOLOv3模型部署在嵌入式平台Jetson Xavier NX上进行煤矿带式输送机异物检测实验,结果表明,相较于YOLOv3模型,改进YOLOv3模型权重文件大小降低了91.4%,大幅减少了模型参数,检测速度提高了16倍,达30.7帧/s,满足煤矿带式输送机异物实时检测需求。 展开更多
关键词 带式输送机 异物检测 YOLOv3 轻量化网络 深度可分离卷积 加权双向特征金字塔网络 损失函数
下载PDF
基于改进YOLOv4的轻量化目标检测算法 被引量：20
3
作者 钟志峰 夏一帆 +1 位作者 周冬平 晏阳天 《计算机应用》 CSCD 北大核心 2022年第7期2201-2209,共9页
针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数(FPS)低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3... 针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数(FPS)低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络(Bi-FPN)结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值(mAP)达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。 展开更多
关键词 目标检测 轻量化网络 YOLOv4 MobileNetv3 加权双向特征金字塔网络
下载PDF
一种基于YOLOv4⁃TIA的林业害虫实时检测方法 被引量：18
4
作者 候瑞环 杨喜旺 +1 位作者 王智超 高佳鑫 《计算机工程》 CAS CSCD 北大核心 2022年第4期255-261,共7页
针对现有基于深度学习的林业昆虫图像检测方法存在检测精度低和检测速度慢的问题,提出一种结合改进PANet结构与三分支注意力机制的目标检测方法YOLOv4-TIA。通过对样本数量较少的昆虫类别进行数据增强,实现样本均衡分布。利用三分支注... 针对现有基于深度学习的林业昆虫图像检测方法存在检测精度低和检测速度慢的问题,提出一种结合改进PANet结构与三分支注意力机制的目标检测方法YOLOv4-TIA。通过对样本数量较少的昆虫类别进行数据增强,实现样本均衡分布。利用三分支注意力机制改进YOLOv4中的CSPDarkNet53骨干网络,同时通过旋转操作和残差变换建立维度间的依存关系,以提高有效的特征通道权重,在PANet结构上增加将跳跃连接与跨尺度连接相结合的特征融合方式,从而获取更丰富的语义信息和位置信息。在此基础上,采用Focal loss函数优化分类损失,解决正负样本不均衡的问题。实验结果表明,该方法的精确率和召回率分别达到85.9%和91.2%,相比SSD、Faster R-CNN、YOLOv4方法,其在保证检测速度的同时,能够有效提高检测精度,且实现对林业害虫的实时精确监测。 展开更多
关键词 林业害虫检测 YOLOv4模型 深度学习 三分支注意力 Focal loss函数 加权双向特征金字塔网络
下载PDF
基于改进YOLOv5的火龙果成熟度识别方法 被引量：5
5
作者 马瑞峻 何浣冬 +3 位作者 陈瑜 赖宇豪 焦锐 唐昊 《沈阳农业大学学报》 CAS CSCD 北大核心 2023年第2期196-206,共11页
为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别,提出了一种基于对YOLOv5的网络模型改进的一种检测模型(PITAYA-YOLOv5)。首先,使用k-means++算法重新生成火龙果数据集的锚框,提高了网络的特征提取能力;其... 为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别,提出了一种基于对YOLOv5的网络模型改进的一种检测模型(PITAYA-YOLOv5)。首先,使用k-means++算法重新生成火龙果数据集的锚框,提高了网络的特征提取能力;其次,将CSPDarkNet替换成PPLCNet作为骨干网络,并加入SE注意力模块(Squeeze-and-Excitation block),在降低网络参数量的同时保持检测精度;同时加入加权双向特征金字塔网络(Bi-FPN)替换YOLOv5的特征融合网络,提高网络对不同尺度特征图的融合效率;引入αDIoU损失函数,提高了模型的收敛效果。试验结果表明:PITAYA-YOLOv5目标检测模型的平均精度均值为94.90%,较原模型提高1.33个百分点,F1值为91.37%,较原模型提高1.12个百分点,平均检测速度达到20.2 ms,占用内存仅有8.1 M。针对枝条遮挡和果间遮挡下的火龙果检测能力明显增强。对比Faster R-CNN、CenterNet、YOLOv3、YOLOv5以及轻量化骨干网络ShuffleNetv2,该模型具有良好的检测精度和实时性。该模型能够有效地在自然环境下识别并检测火龙果的成熟度,为果园智能管理与早期产量预估等提供了参考。 展开更多
关键词 火龙果 成熟度 深度学习 YOLOv5 轻量化网络 注意力机制 加权双向特征金字塔网络
下载PDF
基于改进YOLOv7模型的血细胞检测分类
6
作者 刘涛 李明 马金刚 《中国医疗设备》 2024年第9期6-13,共8页
目的探讨改进YOLOv7算法在血细胞图像不同类型细胞自动检测分类中的应用,以提高血细胞识别分类的准确度。方法将滑动窗口变换器模块引入YOLOv7,同时采用加权双向特征金字塔网络结构,使网络能够获取并传递更加丰富的特征信息,使用斯库拉... 目的探讨改进YOLOv7算法在血细胞图像不同类型细胞自动检测分类中的应用,以提高血细胞识别分类的准确度。方法将滑动窗口变换器模块引入YOLOv7,同时采用加权双向特征金字塔网络结构,使网络能够获取并传递更加丰富的特征信息,使用斯库拉交并比损失代替完全交并比损失,实现更加精准的目标框定位。结果通过不同算法在BCCD血细胞数据集上展开实验可得,改进的YOLOv7模型对红细胞、白细胞和血小板的识别准确度分别达到89.3%、98.5%和91.5%,平均准确度达93.1%,相比于原YOLOv7模型提升了2.6%。通过与已发表的血细胞人工智能检测算法进行对比可知,本文算法具有更高的准确度。结论改进的YOLOv7模型可以有效应用于血细胞识别分类任务,为血细胞的检测提供重要的参考价值。 展开更多
关键词 血细胞检测 YOLOv7 神经网络 加权双向特征金字塔网络 斯库拉交并比损失函数
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