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3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：
YOLO-VDCW:一种新的轻量化带钢表面缺陷检测算法
1
作者 刘凤春 张靖 +3 位作者 薛涛 张猛 张春英 王立亚 《中国冶金》 CAS CSCD 北大核心 2024年第6期125-135,共11页
带钢表面的缺陷检测技术对确保带钢产品质量达到标准至关重要。针对目前带钢表面缺陷检测模型存在结构复杂、计算资源利用不足以及检测精度不高等问题,提出一种新的轻量化带钢表面缺陷检测算法YOLO-VDCW。首先,引入VanillaNet模块到YOL... 带钢表面的缺陷检测技术对确保带钢产品质量达到标准至关重要。针对目前带钢表面缺陷检测模型存在结构复杂、计算资源利用不足以及检测精度不高等问题,提出一种新的轻量化带钢表面缺陷检测算法YOLO-VDCW。首先,引入VanillaNet模块到YOLOv8中来提高计算资源利用效率,实现模型在主干网络的轻量化;其次,采用C2fDSConv替换C2f模块,以精准传递梯度信息,进一步提升计算资源利用率和性能;此外,在C2fDSConv之后嵌入坐标注意力模块,引入坐标信息以增强目标定位准确率和感知能力;最后,将CIoU损失函数替换为Wise-IoU损失函数,以准确地衡量目标框之间的相似性,提高模型的缺陷检测性能。在NEU-DET数据集上,YOLO-VDCW实现平均检测精度(mAP)达到79.8%,相比YOLOv8n,其平均检测精度提高3.8个百分点,计算量和参数量分别减少34.1%和36.8%,检测速度提升37.9%,模型体积仅有4.9 MB。试验结果表明,YOLO-VDCW相对其他算法,在保证轻量化的同时,可有效提高带钢表面缺陷检测精度和速度。 展开更多
关键词 带钢表面缺陷检测 YOLOv8 轻量化 坐标注意力 wise-IoU
原文传递
基于改进YOLOv5的变压器漏油检测
2
作者 王铖浩 骆忠强 漆梓渊 《国外电子测量技术》 北大核心 2023年第9期169-176,共8页
为了能够及时检测变压器的漏油问题,保障电力系统的正常运转,提出了一种基于改进YOLOv5的变压器漏油检测方法。通过在特征金字塔网络(FPN)结构基础上加入4倍采样层,使特征信息跨层融合,提高模型的检测准确率;引入具有动态非单调聚焦机制... 为了能够及时检测变压器的漏油问题,保障电力系统的正常运转,提出了一种基于改进YOLOv5的变压器漏油检测方法。通过在特征金字塔网络(FPN)结构基础上加入4倍采样层,使特征信息跨层融合,提高模型的检测准确率;引入具有动态非单调聚焦机制的Wise-IoU边界框损失函数来加快网络的训练与推理,通过权衡低质量样本和高质量样本的学习进一步提高模型的整体性能;最后,受Transformer模型的启发,使用EfficientViT模型作为主干网络,大幅减少了模型的参数量,虽然牺牲了小部分检测性能,但仍保持了优于原模型的性能。使用自建的户外变压器漏油数据集进行训练与测试,结果表明,与原模型相比,改进后的网络准确率提高了8.6%,召回率提高了8.5%,mAP@0.5提高了7.8%,参数量下降了42.3%,有利于工程部署。 展开更多
关键词 变压器漏油检测 YOLOv5 特征融合 wise-IoU EfficientViT
下载PDF
基于改进YOLOv7算法的隧道衬砌裂缝智能识别
3
作者 贺泳超 陈秋南 程家杰 《湖南科技大学学报（自然科学版）》 CAS 北大核心 2024年第2期35-43,共9页
为了克服传统人工目测法的缺陷,提出针对隧道衬砌裂缝特征的改进YOLOv7算法模型TLC-YOLO (Tunnel Lining Crack-YOLO).对比4类骨干网络对隧道衬砌裂缝的检测效果,认为复杂环境下的裂缝检测存在强背景干扰、训练样本质量不平衡等问题,使... 为了克服传统人工目测法的缺陷,提出针对隧道衬砌裂缝特征的改进YOLOv7算法模型TLC-YOLO (Tunnel Lining Crack-YOLO).对比4类骨干网络对隧道衬砌裂缝的检测效果,认为复杂环境下的裂缝检测存在强背景干扰、训练样本质量不平衡等问题,使用轻量级卷积GSConv和Slim-neck架构,嵌入动态稀疏注意力模块BiFormer加强通道信息传输,提高TLC-YOLO模型的实时反应速度和检测精度,实现更灵活的计算分配和内容感知.为较好地训练样本分配梯度和抑制较差的训练实例,采用Wise-IoU v3作为坐标回归损失函数来提高模型的泛化能力.结果表明:通过自建隧道衬砌裂缝数据集训练之后,与YOLOv7相比,在多组试验中TLC-YOLO模型能同时提高隧道裂缝检测结果的准确率、召回率、F1值和mAP@0.5值,证明TLC-YOLO模型在隧道衬砌裂缝智能识别中具有更好的检测和分类能力. 展开更多
关键词 隧道衬砌裂缝 深度学习 目标检测 GSConv BiFormer wise-IoU v3损失
原文传递
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