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：
基于改进YOLOv7算法的接触网吊弦线夹螺母状态识别方法
1
作者 曹文翔 顾桂梅 《兰州交通大学学报》 CAS 2024年第2期68-75,共8页
针对传统的深度学习算法在处理铁路接触网吊弦线夹螺母时效果不佳,而人工巡检吊弦线夹螺母速度慢、难度大问题,提出一种改进的YOLOv7算法对接触网吊弦线夹螺母状态进行识别。首先,该算法在YOLOv7原有模型特征提取网络的末端融合卷积和... 针对传统的深度学习算法在处理铁路接触网吊弦线夹螺母时效果不佳,而人工巡检吊弦线夹螺母速度慢、难度大问题,提出一种改进的YOLOv7算法对接触网吊弦线夹螺母状态进行识别。首先,该算法在YOLOv7原有模型特征提取网络的末端融合卷积和自我注意力机制,使算法既拥有注意力和卷积的优势,又与单一的卷积或注意力相比具有较小的计算量,以提升缺陷检测的速度;然后,在特征提取网络的输出端引入空间到深度卷积模块,以空间层到深度层取代池化层,以非跨行卷积层取代跨行卷积层,强化算法对螺母缺陷状态的识别能力;最后,在输出层加入新的移动网络轻量级坐标注意力机制,以得到方向感知和位置敏感的注意图,互补地应用于输出特征图,以更有利于接触网吊弦线夹螺母的识别。仿真实验结果表明:在未经裁剪的接触网吊弦数据集上,该算法对吊弦线夹螺母状态识别的正确率达到90%以上,平均检测准确率为98.5%,证明改进后YOLOv7算法在兼具检测速度的同时能更加准确地识别接触网吊弦线夹螺母状态。 展开更多
关键词 接触网吊弦 吊弦线夹螺母状态识别 YOLOv7 自注意力与卷积融合 空间到深度卷积模块
下载PDF
低能见度下GYOLOv5-SPD算法的车牌检测
2
作者 李泽 李小龙 +1 位作者 杨忠祥 谭永滨 《北京测绘》 2024年第5期655-660,共6页
车牌自动检测技术是构建智慧城市、加强交通管理等方面的重要内容。目前车牌检测技术正在逐步完善,但对于光照条件过低、雨天、雪天等能见度极低的气候环境下所拍摄的车牌照片,车牌检测技术还处于一个相对落后的水平。本文在中国城市停... 车牌自动检测技术是构建智慧城市、加强交通管理等方面的重要内容。目前车牌检测技术正在逐步完善,但对于光照条件过低、雨天、雪天等能见度极低的气候环境下所拍摄的车牌照片,车牌检测技术还处于一个相对落后的水平。本文在中国城市停车数据集(CCPD)中能见度极低的车牌图像的基础上利用添加了伽玛(Gamma)变换的你只需看一次(YOLO)v5s模型与空间到深度层及无步长卷积层(SPD-Conv)进行融合用于车牌检测,将低能见度条件下的车牌视为小物体进行检测,目的是最大限度地识别其特征以提高精度。实验结果表明,本文用到的方法在车牌定位检测阶段达到了99.68%的召回率,在低能见度条件下对车牌的定位检测相较其他算法确实有一定的优势。 展开更多
关键词 车牌检测 spd-Conv Gamma变换 GYOLOv5-spd 低能见度
下载PDF
基于SPD-Conv结构和NAM注意力机制的鱼群小目标检测
3
作者 谌雨章 王诗琦 +1 位作者 周雯 周婉婷 《计算机科学》 CSCD 北大核心 2024年第S01期426-432,共7页
为解决因水下成像环境退化导致图像分辨率较低,以及因鱼群目标较小等因素导致的检测精度不高的问题,提出了一种结合SPD-Conv结构和NAM注意力机制的改进YOLOv7检测算法。首先,采用Space-to-Depth(SPD)结构改进头部网络,取代了网络中原有... 为解决因水下成像环境退化导致图像分辨率较低,以及因鱼群目标较小等因素导致的检测精度不高的问题,提出了一种结合SPD-Conv结构和NAM注意力机制的改进YOLOv7检测算法。首先,采用Space-to-Depth(SPD)结构改进头部网络,取代了网络中原有的跨步卷积结构,保留了更多的细粒度信息,提升了特征学习的效率,提高了网络对低分辨率图像的检测效果。然后在网络中引入Normalization-based Attention Module(NAM)注意力机制,采用CBAM的模块集成方式,使用BN缩放因子来计算注意力权重,抑制了不显著的特征,提升了小目标检测的准确率。最后针对水下成像退化,对检测图片做反卷积预处理,减小了水下成像退化因素对检测造成的影响。实验结果显示,在WildFish数据集上模型的整体精度达到97.2%,与YOLOv7算法相比提升了7.6%,准确率提升了8.5%,召回率提升了9.8%,与Efficientdet,SSD,YOLOv5及YOLOv8算法相比,所提模型精度分别提升了12.6%,17.8%,4%及2.9%,在Aquarium数据集上模型的整体精度达到80.5%,相比Efficientdet,SSD,YOLOv5,YOLOv7及YOLOv8分别提升了18.4%,11.6%,6.9%,2.0%及2.7%,可以满足水下鱼群识别的需求。 展开更多
关键词 spd-Conv结构 NAM注意力机制 YOLOv7算法 鱼群检测 目标检测
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