检索结果-南通市图书馆

融合部分卷积和无参数注意力机制的轻量级印刷电路板缺陷检测算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机集成制造系统 2024年

作者：朱瑞齐元胜张勇斌北京印刷学院印刷与包装工程学院北京印刷学院机电工程学院

针对现有印刷电路板（Printed Circuit Board， PCB）缺陷检测方法存在准确率低和算法参数模量过多的问题，提出了一种融合部分卷积和无参数注意力机制的轻量级PCB缺陷检测算法YOLO-P。新算法使用了以部分卷积（Partial Convolution， P... 详细信息

针对现有印刷电路板（Printed Circuit Board， PCB）缺陷检测方法存在准确率低和算法参数模量过多的问题，提出了一种融合部分卷积和无参数注意力机制的轻量级PCB缺陷检测算法YOLO-P。新算法使用了以部分卷积（Partial Convolution， PConv）为结构核心的改进FasterNet网络作为模型的主干网络，降低算法模型的参数量并减少计算冗余，同时将颈部网络中的普通卷积层更换为部分卷积，进一步降低模型复杂度，提高检测效率；其次，在主干网络添加了无参数注意力机制（SimAM），在不增加模型复杂度的同时加强了新算法对图像无关背景信息的抑制，提升对小目标特征的提取能力；最后，通过引入复合型损失函数ECIOU来提升模型收敛速度，提升回归精度。实验结果证明，改进后的YOLO-P算法检测精度达到了98.8%，比YOLOv5算法提升了5.0%的，参数模量也减少了26.13%，训练后权重文件大小仅为10.1MB，更加适合部署在嵌入式系统、移动设备等计算资源受限和边缘计算的场景。

关键词：印刷电路板缺陷检测 YOLOv5 部分卷积注意力机制

融合部分卷积和注意力机制对抗网络模型的地震数据重建

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

石油地球物理勘探 2023年第1期58卷 21-30页

作者：冯永基陈学华成都理工大学油气藏地质及开发工程国家重点实验室四川成都610059 成都理工大学地球勘探与信息技术教育部重点实验室四川成都610059

以生成对抗网络(GAN)为代表的深度学习模型在地震数据重建中取得了较好效果,但普通GAN网络的重建结果常存在模糊、假频等缺点。主要原因是:普通卷积模型在对缺失较大的数据进行卷积时,其卷积结果主要受缺失区域的影响,而有效区域的影响... 详细信息

以生成对抗网络(GAN)为代表的深度学习模型在地震数据重建中取得了较好效果,但普通GAN网络的重建结果常存在模糊、假频等缺点。主要原因是:普通卷积模型在对缺失较大的数据进行卷积时,其卷积结果主要受缺失区域的影响,而有效区域的影响较小;且普通卷积模型属于局部操作,卷积结果主要受卷积核内数据的影响,而相距较远的数据对其影响甚微。为此,文中提出了融合部分卷积和注意力模型的改进GAN网络。首先,在卷积过程中引入一个比例因子r实现部分卷积,从而强化有效区域对卷积结果的影响;然后,利用注意力机制选择余弦相似度高的有效(背景)数据,以突破卷积距离的限制,使更多背景数据参与缺失区域的重建。数据处理结果表明,所提方法显著改善了重建数据中的模糊、假频等现象。

关键词：部分卷积注意力机制生成对抗网络数据重建余弦距离

基于改进YOLOv8模型的轻量化板栗果实识别方法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第1期40卷 201-209页

作者：李茂肖洋轶宗望远宋宝华中农业大学工学院武汉430070 农业农村部长江中下游农业装备重点实验室武汉430070

为实现自然环境下的板栗果实目标快速识别,该研究以湖北省种植板栗为研究对象,提出了一种基于改进YOLOv8模型的栗果识别方法 YOLOv8-PBi。首先,将部分卷积(partial convolution,PConv)引入C2f模块中,缩减卷积过程中的浮点数和计算量;其... 详细信息

为实现自然环境下的板栗果实目标快速识别,该研究以湖北省种植板栗为研究对象,提出了一种基于改进YOLOv8模型的栗果识别方法 YOLOv8-PBi。首先,将部分卷积(partial convolution,PConv)引入C2f模块中,缩减卷积过程中的浮点数和计算量;其次,引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),增强多尺度特征融合性能,最后,更改边界框损失函数为动态非单调聚焦机制WIoU(wise intersection over union,WIoU),提高模型收敛速度,进一步提升模型检测性能。试验结果表明,改进YOLOv8-PBi模型准确率、召回率和平均精度分别为89.4%、74.9%、84.2%;相比原始基础网络YOLOv8s,模型权重减小46.22%,准确率、召回率和平均精度分别提升1.3、1.5、1.8个百分点。部署模型至边缘嵌入式设备上,经过TensorRT加速后,检测帧率达到43帧/s。该方法可为板栗智能化收获过程中的栗果识别提供技术基础。

关键词：图像处理图像识别 YOLOv8 板栗果实目标检测部分卷积 BiFPN

在线全文

学校读者我要写书评

暂无评论

煤矿井下无人驾驶轨道电机车障碍物识别

浙江大学学报（工学版） 2024年第1期58卷 29-39页

作者：杨豚郭永存王爽马鑫安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室安徽淮南232001 安徽理工大学矿山智能装备与技术安徽省重点实验室安徽淮南232001 安徽理工大学机械工程学院安徽淮南232001

针对现有煤矿井下无人驾驶轨道电机车因巷道环境恶劣导致障碍物识别精度低的问题,提出用于无人驾驶电机车障碍物精准实时检测的PDM-YOLO模型.基于YOLOv5,将模型C3模块中的传统卷积替换为部分卷积,构建C3_P特征提取模块,有效减少模型的... 详细信息

针对现有煤矿井下无人驾驶轨道电机车因巷道环境恶劣导致障碍物识别精度低的问题,提出用于无人驾驶电机车障碍物精准实时检测的PDM-YOLO模型.基于YOLOv5,将模型C3模块中的传统卷积替换为部分卷积,构建C3_P特征提取模块,有效减少模型的浮点运算量(FLOPs)与计算延迟.采用改进后的解耦头,对传统YOLOv5的预测头进行解耦,提高模型的收敛速度及对障碍物的识别精度.优化Mosaic数据增强方法,丰富训练图像的特征信息,提高模型的普适性和鲁棒性.实验结果表明,PDM-YOLO模型在自制数据集上的平均检测精度(mAP)达到96.3%,平均检测速度达到109.2帧/s,PDM-YOLO模型在PASCAL VOC公共数据集上的检测精度高于现有主流的YOLO系列模型.

关键词：无人驾驶电机车 YOLO 障碍物识别部分卷积解耦头 Mosaic数据增强

并行特征提取和渐进特征融合的计算机主板装配缺陷检测

在线全文

学校读者我要写书评

暂无评论

光学精密工程 2024年第10期32卷 1622-1637页

作者：陈俊英李朝阳黄汉涛董戌泽西安建筑科技大学信息与控制工程学院陕西西安710055

针对计算机主板装配缺陷检测中的元器件位置分布复杂、缺陷目标不显著及多尺度等问题,本文提出了一种并行特征提取和互交叉渐进特征融合的端到端的缺陷检测算法。首先,结合部分卷积和视觉Transformer提出了一种并行残差特征提取网络,利... 详细信息

针对计算机主板装配缺陷检测中的元器件位置分布复杂、缺陷目标不显著及多尺度等问题,本文提出了一种并行特征提取和互交叉渐进特征融合的端到端的缺陷检测算法。首先,结合部分卷积和视觉Transformer提出了一种并行残差特征提取网络,利用部分卷积的低计算复杂度的优势提取局部特征,同时利用视觉Transformer的长距离建模能力扩大模型的感受野,增强网络的特征提取能力。其次,引入注意力机制和特征渐进融合机制,提出了一种多尺度注意力互交叉的渐进特征融合网络,增强检测模型的特征融合能力。在公开数据集上的实验结果表明,该算法的平均精度均值(mAP)达到了94.63%,相较于基线模型YOLOv5提升了4.62%,并优于其他几种先进模型,检测速度达到了25 FPS。实现了较好的检测精度与速度的平衡,为实际工业环境下计算机主板表面装配缺陷检测自动化和智能化的实现提供了一种快速、有效的方法。

关键词：计算机主板装配缺陷检测并行特征提取渐进特征融合视觉Transformer 部分卷积

改进YOLOv8的轻量化无人机目标检测算法

同方期刊数据库博看期刊评论

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 2024年第8期60卷 182-191页

作者：胡峻峰李柏聪朱昊黄晓文东北林业大学计算机与控制工程学院哈尔滨150036

针对无人机目标检测算法计算复杂难以部署,且长尾分布的无人机数据导致检测精度较低的问题,提出了基于改进YOLOv8的轻量化无人机目标检测算法(PC-YOLOv8-n),可均衡网络检测精度与计算量,并对长尾分布数据有一定泛化能力。使用部分卷积层... 详细信息

针对无人机目标检测算法计算复杂难以部署,且长尾分布的无人机数据导致检测精度较低的问题,提出了基于改进YOLOv8的轻量化无人机目标检测算法(PC-YOLOv8-n),可均衡网络检测精度与计算量,并对长尾分布数据有一定泛化能力。使用部分卷积层(PConv)替换YOLOv8中的3×3卷积层,对网络进行轻量化处理,解决网络冗余和计算量复杂的问题;融合双通道特征金字塔,增加自上而下的路径,将深层信息与浅层信息进行融合,同层引入轻量化注意力机制,提升网络的特征提取能力;采用均衡焦点损失(EFL)作为类别损失函数,通过均衡尾部类别在网络训练时的梯度权重,增加网络的类别检测能力。实验结果表明,PC-YOLOv8-n在VisDrone2019数据集中具有良好的表现,在mAP50精度上比原始YOLOv8-n算法提高了1.6个百分点,同时模型的参数和计算量分别降低为2.6×10^(6)和7.6 GFLOPs,检测速度达到77.2 FPS。

关键词：无人机 YOLOv8 长尾分布目标检测部分卷积

基于部分卷积和多尺度特征融合的人脸图像修复模型

在线全文

学校读者我要写书评

暂无评论

计算机工程与科学 2023年第2期45卷 304-312页

作者：孙琪翟锐左方张玉涛河南大学软件学院河南开封475000 河南省智能网络理论与关键技术国际联合实验室河南开封475000 河南省高等学校学科创新引智基地河南开封475000 河南省智能数据处理工程研究中心河南开封475000

针对破损区域较大的人脸图像,修复后图像存在局部色差、边界伪影和细节缺陷等问题,提出基于部分卷积和多尺度特征融合的人脸图像修复模型。该模型主要分为多尺度修复网络和判别器网络。修复网络通过多级特征提取模块和主分支模块,有效... 详细信息

针对破损区域较大的人脸图像,修复后图像存在局部色差、边界伪影和细节缺陷等问题,提出基于部分卷积和多尺度特征融合的人脸图像修复模型。该模型主要分为多尺度修复网络和判别器网络。修复网络通过多级特征提取模块和主分支模块,有效融合深层和浅层的图像特征,实现了人脸图像的特征提取和融合。此外,构建由内容损失、感知损失、风格损失、总变分损失和对抗损失组成的联合损失函数,用于训练多尺度修复网络,并通过与判别器网络的相互对抗,提高修复图像与真实图像的视觉一致性。实验结果表明,对于不同的掩膜率,采用该模型修复的图像具有合理的纹理结构和上下文语义信息,并在定性和定量比较上表现更好。

关键词：人脸图像修复部分卷积多尺度特征融合生成对抗网络

融合部分卷积和ECA机制的轴承滚子外观缺陷U-Net分割模型

在线全文

学校读者我要写书评

暂无评论

轴承 2023年

作者：顾云鹏马超臧绍飞于朋洋张秋雨马建伟河南科技大学信息工程学院

针对传统图像处理方法和人工检测法在复杂、多样的滚子外观缺陷检测中存在效率低下和精度不高的问题，提出一种融合部分卷积和高效通道注意力机制的U-Net模型。首先，针对原始U-Net解码阶段不同尺度特征的融合与重复使用产生冗余特征的... 详细信息

针对传统图像处理方法和人工检测法在复杂、多样的滚子外观缺陷检测中存在效率低下和精度不高的问题，提出一种融合部分卷积和高效通道注意力机制的U-Net模型。首先，针对原始U-Net解码阶段不同尺度特征的融合与重复使用产生冗余特征的问题，设计一种融合部分卷积的解码器，缓解冗余特征对模型的负面影响并提高模型的计算效率；其次，在解码器部分引入高效通道注意力（ECA），自适应建立通道之间信息交互，以增强模型捕捉和理解图像重要特征的能力。最后，针对轴承滚子外观检测任务易出现样本不均衡问题，设计一种融合Focal Loss的损失函数监督训练模型，以减轻样本不均衡对模型的负面影响。在构建的轴承滚子缺陷数据集上执行实验，结果表明：所设计方法在IoU、Recall、Precision等评估指标上分别达到84.61%、91.74%、91.58%，验证了其有效性和可行性。

关键词： U-Net 部分卷积注意力机制语义分割轴承滚子缺陷检测

基于改进YOLOv8n的手机屏幕瑕疵检测算法：PGS-YOLO

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程 2024年

作者：周思瑜徐慧英朱信忠黄晓盛轲曹雨淇陈晨浙江师范大学教育学院浙江师范大学计算机科学与技术学院

手机屏幕作为人机交互的主窗口，已成为影响用户体验和终端整体性能的重要因素。因此，市场对解决手机屏幕瑕疵的需求日益增长。为满足这一需求，针对在手机屏幕瑕疵检测过程存在检测精度低、小目标瑕疵漏检率高、检测速度慢的情况，提... 详细信息

手机屏幕作为人机交互的主窗口，已成为影响用户体验和终端整体性能的重要因素。因此，市场对解决手机屏幕瑕疵的需求日益增长。为满足这一需求，针对在手机屏幕瑕疵检测过程存在检测精度低、小目标瑕疵漏检率高、检测速度慢的情况，提出了以YOLOv8n作为基准模型的PGS-YOLO算法。PGS-YOLO通过增加一个专门的微小目标检测头，并结合SeaAttention注意力模块，有效提升对小目标的探测能力；将骨干网络和特征融合网络中分别融入PConv与GhostNetV2轻量化模块，保证精度的同时降低模型的参数量，提高瑕疵检测的速度与效率。实验结果表明，在北大手机屏幕表面瑕疵数据集中，相较于YOLOv8n，PGS-YOLO算法的mAP@.5提升了2.5%，mAP@0.5-0.95提升了2.2%。可见该算法在手机屏幕瑕疵检测过程中不仅能对大片的瑕疵做到精准检测，还能对小瑕疵保持一定的准确度。此外，检测性能优于YOLOv5n、YOLOv8s等大部分YOLO系列算法。同时，参数量仅为2.0M，小于YOLOv8n，满足工业场景对手机屏幕瑕疵检测的需求。

关键词： YOLOv8n 手机屏幕瑕疵检测小目标检测部分卷积 GhostNetV2轻量化模块挤压增强轴向注意力