检索结果-南通市图书馆

同方期刊数据库

基于YOLOv3-Tiny改进的船舶目标检测研究

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2024年第6期41卷 169-174,229页

作者：朱伟段先华程婧怡江苏科技大学计算机学院江苏镇江212100

针对船舶实时性检测中出现的检测精度低、漏检问题,改进一种基于YOLOv3-Tiny的船舶目标检测算法。通过引入深度可分离卷积作为主干网络,提高通道数量,减少模型的参数量和运算量;采用H-Swish和Leaky ReLU激活函数改进卷积结构,提取更多... 详细信息

针对船舶实时性检测中出现的检测精度低、漏检问题,改进一种基于YOLOv3-Tiny的船舶目标检测算法。通过引入深度可分离卷积作为主干网络,提高通道数量,减少模型的参数量和运算量;采用H-Swish和Leaky ReLU激活函数改进卷积结构,提取更多特征信息;利用GIOU(Generalized Intersection Over Union)损失优化边界框,突显目标区域重合度,提高精度。在混合船舶数据集上检测结果表明,改进后YOLOv3-Tiny的检测精度为83.40%,较原算法提高5.33百分点,召回率和检测速度也均优于原算法,适用于船舶实时性检测。

关键词：船舶检测 YOLOv3-Tiny 深度可分离卷积 H-Swish GIOU

同方期刊数据库

U-Net通道变换网络在腺体图像分割中的应用

在线全文

学校读者我要写书评

暂无评论

中国图象图形学报 2024年第3期29卷 713-724页

作者：曹伟杰段先华许振伟盛帅江苏科技大学计算机学院镇江212100

目的腺体医学图像分割是将医学图像中的腺体区域与周围组织分离出来的过程,对分割精度有极高要求。传统模型在对腺体医学图像分割时,因腺体形态多样性和小目标众多的特点,容易出现分割不精细或误分割等问题,对此根据腺体医学图像的特点... 详细信息

目的腺体医学图像分割是将医学图像中的腺体区域与周围组织分离出来的过程,对分割精度有极高要求。传统模型在对腺体医学图像分割时,因腺体形态多样性和小目标众多的特点,容易出现分割不精细或误分割等问题,对此根据腺体医学图像的特点对U-Net型通道变换网络分割模型进行改进,实现对腺体图像更高精度分割。方法首先在U-Net型通道变换网络的编码器前端加入ASPP_SE(spatial pyramid pooling_squeeze-and-excitation networks)模块与ConvBatchNorm模块的组合,在增强编码器提取小目标特征信息能力的同时,防止模型训练出现过拟合现象。其次在编码器与跳跃连接中嵌入简化后的密集连接,增强编码器相邻模块特征信息融合。最后在通道融合变换器(channel cross fusion with Transformer,CCT)中加入细化器,将自注意力图投射到更高维度,提高自注意机制能力,增强编码器全局模块特征信息融合。简化后的密集连接与CCT结合使用,模型可以达到更好效果。结果改进算法在公开腺体数据集MoNuSeg(multi-organ nuclei segmentation challenge)和Glas(gland segmentation)上进行实验。以Dice系数和IoU(intersectionoverunion)系数为主要指标,在MoNuSeg的结果为80.55%和67.32%,在Glas数据集的结果为92.23%和86.39%,比原U-Net型通道变换网络分别提升了0.88%、1.06%和1.53%、2.43%。结论本文提出的改进算法在腺体医学分割上优于其他现有分割算法,能满足临床医学腺体图像分割要求。

关键词：医学图像分割 U-Net型通道变换网络(UCTransNet) 密集连接注意力机制细化器

KThin-YOLOV7:轻量级的焊接件表面缺陷检测

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2024年第7期47卷 9-18页

作者：卢开喜段先华陶宇诚倪东海江苏科技大学计算机学院镇江212100

针对目前市面主流焊接件表面缺陷的模型检测精度不高,模型复杂和不满足实时监测等问题,提出了一种基于YOLOV7-tiny改进得到的焊接件表面缺陷新型检测模型KThin-YOLOV7。首先,设计了基于模拟人类视觉感受野的EMA-BasicRFBC模块,更换YOLOV... 详细信息

针对目前市面主流焊接件表面缺陷的模型检测精度不高,模型复杂和不满足实时监测等问题,提出了一种基于YOLOV7-tiny改进得到的焊接件表面缺陷新型检测模型KThin-YOLOV7。首先,设计了基于模拟人类视觉感受野的EMA-BasicRFBC模块,更换YOLOV7-tiny模型的空间特征金字塔SPP模块,从而加强模型特征表达的性能。其次,以SlimNeck设计范式结构为基础设计了ThinNeck结构,并用其更换YOLOV7-tiny的NECK特征融合部分,减少模型的参数量和计算量的同时提高了模型的平均检测精度。最后,引入K-means++算法找出合适的锚框,并用FEIOU损失函数更换原模型的LOSS,进一步帮助模型优化目标框的位置和大小。KThin-YOLOV7相对原始YOLOV7-tiny模型的mAP提升了7.11%,达到87.64%,同时模型的参数量和计算量分别下降了11.14%和15.26%。实验结果表明,KThin-YOLOV7能够高效且准确地定位检测焊接件表面的缺陷。

关键词：焊接件表面缺陷目标检测 YOLOv7-tiny RFB ThinNeck K-means++

改进Faster RCNN的瓷砖表面瑕疵检测研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第14期59卷 201-208页

作者：赵楚段先华苏俊楷江苏科技大学计算机学院江苏镇江212100

针对瓷砖表面瑕疵中存在极小瑕疵目标,瑕疵形态差异较大,易出现漏检、准确率低等问题,提出了一种改进Faster RCNN的瓷砖表面瑕疵检测算法。在Faster RCNN的特征提取网络resnet101的后三个阶段引入可变形卷积,自适应地学习瑕疵特征。优... 详细信息

针对瓷砖表面瑕疵中存在极小瑕疵目标,瑕疵形态差异较大,易出现漏检、准确率低等问题,提出了一种改进Faster RCNN的瓷砖表面瑕疵检测算法。在Faster RCNN的特征提取网络resnet101的后三个阶段引入可变形卷积,自适应地学习瑕疵特征。优化区域建议网络,通过对瓷砖数据集的分析,改进锚点生成参数,使得生成的锚框更加契合目标尺度,定位更加准确。优化损失函数,引入Rank&Sort Loss,减少超参数数量,提高模型性能,使其对训练中类别不平衡问题更加鲁棒。实验结果表明,改进后算法的mAP为76.3%,比原始Faster RCNN算法提高了17.9个百分点,可以更好地检测小目标瑕疵,满足瓷砖表面瑕疵检测的要求。

关键词：目标检测瓷砖表面瑕疵 Faster RCNN Rank&Sort Loss 可变形卷积

在线全文

学校读者我要写书评

暂无评论

改进YOLOv3-SPP水下目标检测研究

计算机工程与应用 2023年第6期59卷 231-240页

作者：叶赵兵段先华赵楚江苏科技大学计算机学院江苏镇江212100

针对水下目标检测任务中图像模糊、背景复杂以及目标小而导致误检和漏检问题,提出一种改进YOLOv3-SPP的水下目标检测算法。利用UWGAN网络对水下原始图像进行恢复,采用Mixup方法增强数据,减少错误标签记忆;以YOLOv3-SPP网络结构为基础,... 详细信息

针对水下目标检测任务中图像模糊、背景复杂以及目标小而导致误检和漏检问题,提出一种改进YOLOv3-SPP的水下目标检测算法。利用UWGAN网络对水下原始图像进行恢复,采用Mixup方法增强数据,减少错误标签记忆;以YOLOv3-SPP网络结构为基础,增加网络预测尺度,提高小目标检测性能;引入CIoU边框回归损失,提高定位精度;利用K-Means++聚类算法,筛选最佳Anchor box。将改进YOLOv3-SPP算法在处理后的URPC数据集上进行实验,平均检测精度由79.58%提升到88.71%,速度为28.9FPS。结果表明,改进算法综合检测能力优于其他算法。

关键词：水下目标图像增强 YOLOv3-SPP UWGAN CIoU K-Means++

DL-GAN生成对抗网络的半监督语义分割模型

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年

作者：刘凡段先华胡维康江苏科技大学计算机学院

语义分割目前主流的全监督学习方式，数据质量和数量决定了网络的训练效果。只有花费大量的标注成本，才能得到质量高且数据量大的训练数据。根据上述情况，出现了基于半监督学习方式的语义分割。半监督学习可以节省数据的标注成本，很... 详细信息

语义分割目前主流的全监督学习方式，数据质量和数量决定了网络的训练效果。只有花费大量的标注成本，才能得到质量高且数据量大的训练数据。根据上述情况，出现了基于半监督学习方式的语义分割。半监督学习可以节省数据的标注成本，很好地解决需要大量标注成本的问题，越来越多人开始关注半监督学习的图像语义分割。根据图像语义分割方法目前的发展现状，提出了一种结合DeepLabv2的生成对抗网络（DL-GAN）的半监督语义分割的模型。首先，将DeepLabv2作为生成对抗网络的生成网络，完全卷积的网络作为判别器网络；其次，对生成网络进行改进，首次将CBAM注意力机制和深度可分离卷积结合应用于DeepLabv2，将其作为生成网络，具体一是在DeepLabv2最后的卷积层前添加CBAM注意力机制，二是将DeepLabv2网络中Resnet残差块的标准卷积替换为深度可分离卷积，使整个模型将权重参数更为合理地分配，提高模型的表征能力且计算更为高效，加快训练效率；最后，用空洞卷积替换判别器的标准卷积，提升整个判别器的感受野，提高训练效果，提升语义分割精度。该文的方法在PASCAL VOC 2012数据集上的实验结果相对于Affinitynet网络平均交并比提高6.3个百分点，证明了该文提出方法是有效的。

关键词：生成对抗网络注意力机制语义分割深度可分离卷积

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

改进YOLOv5算法的玉米病害检测研究

计算机科学与探索 2023年第4期17卷 933-941页

作者：苏俊楷段先华叶赵兵江苏科技大学计算机学院江苏镇江212100

为了解决玉米叶部病害识别技术落后、效率不高、精度不够的问题,提出一种改进的YOLOv5算法识别玉米病害。在保持模型的较低计算量的情况下,同时提升检测速度和算法性能,将传统的YOLOv5s网络的特征提取结构进行改进,在主干网络中添加CA... 详细信息

为了解决玉米叶部病害识别技术落后、效率不高、精度不够的问题,提出一种改进的YOLOv5算法识别玉米病害。在保持模型的较低计算量的情况下,同时提升检测速度和算法性能,将传统的YOLOv5s网络的特征提取结构进行改进,在主干网络中添加CA注意力机制,改善目标漏检问题,帮助模型更加精准地定位和识别;在颈部使用BiFPN替代原有的PANet,通过双向的特征融合提升多尺度语义特征的利用,加强对图像深层特征的提取,添加小目标监测层,加强对小物体的检测效果;改进损失函数,引入Focal-EIOU Loss损失函数,提高BBox的回归精度。改进后的YOLOv5算法和传统的YOLOv5s相比,Recall提升了4.61个百分点,平均精度AP上升了4.5个百分点,mAP@0.5提高了2.14个百分点,检测速度上升了4.5 FPS。实验结果表明,改进后的YOLOv5算法在增加极少复杂度的情况下明显提升了算法的效率和性能,并且效果优于传统的YOLOv5s算法。

关键词：玉米病害 YOLOv5 特征金字塔注意力机制 EIOU 目标检测

在线全文

学校读者我要写书评

暂无评论

改进中心先验的显著性检测

江苏科技大学学报（自然科学版） 2023年第3期37卷 60-65页

作者：唐立婷段先华江苏科技大学计算机学院镇江212100

针对传统基于中心先验的显著性检测算法不能均匀突出显著性目标的问题,提出改进中心先验的显著性检测算法.首先将输入图像分割成4种不同超像素尺度,对输入图像计算凸包;然后计算4种不同尺度下的背景显著图和前景显著图,将对应尺度下的... 详细信息

针对传统基于中心先验的显著性检测算法不能均匀突出显著性目标的问题,提出改进中心先验的显著性检测算法.首先将输入图像分割成4种不同超像素尺度,对输入图像计算凸包;然后计算4种不同尺度下的背景显著图和前景显著图,将对应尺度下的背景显著图和前景显著图融合得到该尺度下的融合显著图,将凸包和4种不同尺度的融合显著图作为先验,计算4种不同尺度下的中心先验图;最后将得到的不同尺度的中心先验图经MKB算法优化得到最终显著图.在MSRA1000,PASCAL和ECSSD数据集上进行,实验结果表明所述算法在显著目标检测的准确性方面优于14种对比算法.

关键词：中心先验前景先验背景先验凸包超像素多尺度显著性检测

多尺度特征DCA融合的海上船舶检测算法研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2022年第4期58卷 177-185页

作者：潘慧段先华罗斌强江苏科技大学计算机学院江苏镇江212003

为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3。构建船舶图像数据集Shipdataset,包括数据采集、... 详细信息

为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3。构建船舶图像数据集Shipdataset,包括数据采集、增强和标签标注,使用维度聚类算法在该数据集中找出合适尺寸的先验框,并应用于相对应的尺度特征图。以Darknet-53的网络框架为基础特征提取网络,增加网络预测尺度,在多尺度特征融合中加入DCA融合策略,提高模型对船舶的检测能力。以MS-YOLOV3为算法框架,采用GIOU作为边框损失函数的参数,提升模型对边界框位置信息的预测准确度。结果MS-YOLOV3与YOLOV3检测算法的对比实验表明,前者在船舶数据集上的精度有7.9个百分点的提升。同时加入的GIOU边框损失,拉低了模型的平均损失,加强了模型的鲁棒性,使得目标框的定位误差大大减小。根据Pascal VOC2007数据集上的训练效果,MS-YOLOV3的平均精度相较于YOLO系列算法、SSD300和Faster-RCNN,精确度优势更加明显。提出的MS-YOLOV3检测模型使得船舶的位置信息和类别精度更加准确。

关键词：深度学习卷积神经网络(CNN) 船舶检测多尺度特征 YOLOV3 判别相关分析(DCA) 广义交并比(GIOU)