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：
载人航天器交会对接灯故障目标检测模型
1
作者 黄连兵 薛霞 +3 位作者 李立凌 尹桂松 齐天哲 芮康 《航天器工程》 CSCD 北大核心 2024年第4期130-136,共7页
为了实现载人航天器综合测试期间交会对接灯故障的快速准确识别,提出了一种应用改进YOLO v8模型+注意力机制的交会对接灯故障目标检测模型。该模型在改进YOLO v8模型的基础上,在加强特征提取网络上引入注意力机制模块,对故障目标给予更... 为了实现载人航天器综合测试期间交会对接灯故障的快速准确识别,提出了一种应用改进YOLO v8模型+注意力机制的交会对接灯故障目标检测模型。该模型在改进YOLO v8模型的基础上,在加强特征提取网络上引入注意力机制模块,对故障目标给予更多关注,提高了密集小目标识别精度。同时,在自制灯数据集上进行仿真试验。试验结果表明:文章提出的模型平均准确率提高为0.91,可以对灯的部分点失效故障目标进行快速、有效识别,为载人航天器综合测试期间交会对接灯智能巡检提供了一种新思路。 展开更多
关键词 载人航天器 交会对接灯 故障目标检测 YOLO v8模型 注意力机制
下载PDF
基于农业大数据和深度学习的稻田杂草识别
2
作者 高发瑞 古华宁 +5 位作者 张巧玲 王秋云 黄信诚 李烜堃 管宪鲁 高国良 《江苏农业科学》 北大核心 2024年第18期215-221,共7页
为在稻田中准确高效识别杂草,从而支持选择性喷药或机器人除草,基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型,即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的... 为在稻田中准确高效识别杂草,从而支持选择性喷药或机器人除草,基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型,即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的提取能力,同时使用EIOU(expected intersection over union)+DFL(distribution focal loss)提高YOLO v8检测框的回归效率,并通过模型对比试验验证了改进YOLO v8模型的有效性。结果表明,改进YOLO v8模型在测试集上的均值平均精度(mean average precision,mAP)达到98.2%,相比YOLO v8提高了4.4百分点,且在参数量和计算量方面仅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7,其mAP分别提高24.8、21.9、14.8、21.3、8百分点。在模拟不同光照条件的测试中,改进YOLO v8模型表现出较强的泛化能力,精度(precision,P)、召回率(recall,R)和mAP保持在88.1%以上。此外,在测试环境复杂的条件下,改进YOLO v8模型对6种杂草的识别显示出卓越的鲁棒性和泛化能力,P达到94.2%以上,R达到95.7%以上,AP均达到95.2%以上。综上,本研究提出的改进YOLO v8具有更少的参数和计算量,同时克服了现有稻田中杂草识别方法的局限性,可为稻田中的杂草控制工作提供技术支持。 展开更多
关键词 稻田 杂草识别 农业大数据 深度学习 YOLO v8模型 鲁棒性 泛化能力
下载PDF
基于改进YOLO v8模型的烟草食叶性害虫识别
3
作者 张伟伟 陈赛越扬 +5 位作者 崔英 沈广才 苏展 张卫正 李永亮 李萌 《江苏农业科学》 北大核心 2024年第17期209-217,共9页
烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾是烟草上重要的食叶性害虫,它们的准确识别是虫情预报和防治的基础。提出了基于改进的YOLO v8模型的烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾的识别方法,首先在YOLO v8的C2f模块中加入了EMA注意力机制,... 烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾是烟草上重要的食叶性害虫,它们的准确识别是虫情预报和防治的基础。提出了基于改进的YOLO v8模型的烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾的识别方法,首先在YOLO v8的C2f模块中加入了EMA注意力机制,提高了YOLO v8模型对于烟草害虫的关注度;其次使用SIoU Loss改进YOLO v8的边界框损失函数,提高模型定位的准确性并加速模型收敛;最后利用AFPN渐近特征金字塔网络改进了YOLO v8对非相邻特征的融合效果,提高了模型对烟草害虫特征提取的效率和准确率。与Faster R-CNN、SSD、Retinanet、YOLO v3-tiny、YOLO v4-tiny、YOLO v5s和YOLO v8等目标检测模型在本研究所构建的4种常见烟草害虫的数据集上进行对比,试验结果表明,本研究所提出的方法在精确率、召回率和平均精度均值(mAP)上比原有的YOLO v8模型及上述其他目标检测模型平均提高了6.24、6.53、7.22百分点,为烟草害虫的精准识别提供了技术支持。 展开更多
关键词 烟草 害虫 识别技术 YOLO v8改进模型 损失函数 目标识别
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