检索结果-南通市图书馆

基于YOLOv8算法改进模型检测梢斑螟虫蛀树木

在线全文

学校读者我要写书评

暂无评论

森林工程 2025年第1期41卷 126-137页

作者：周宏威纪皓文吴羿轩赵鹏东北林业大学计算机与控制工程学院哈尔滨150040 黑龙江省林业和草原调查规划设计院哈尔滨150008

梢斑螟是一种严重危害针叶树种的害虫,严重影响针叶树的健康和生长。梢斑螟虫的幼虫以针叶树的叶片为食物,在针叶树木中建立巢穴,逐渐摧毁叶片组织,导致叶片变黄、褪绿,最终树木枯萎。此外,幼虫也可能侵蚀树木的树皮,导致树皮剥落和树... 详细信息

梢斑螟是一种严重危害针叶树种的害虫,严重影响针叶树的健康和生长。梢斑螟虫的幼虫以针叶树的叶片为食物,在针叶树木中建立巢穴,逐渐摧毁叶片组织,导致叶片变黄、褪绿,最终树木枯萎。此外,幼虫也可能侵蚀树木的树皮,导致树皮剥落和树干暴露,使树木易受其他害虫、病菌和自然元素的侵害,增加树木的脆弱性,降低其生存能力。为辅助地面治疗被梢斑螟虫蛀树木,采用YOLOv8s目标检测算法,实现对梢斑螟虫蛀树木的检测与识别。通过采用C2f-GAM和动态检测头建立模型(YOLOv8-DM),来提高YOLOv8s对于梢斑螟虫蛀树木的检测能力。试验结果表明,YOLOv8-DM能够有效地识别梢斑螟虫蛀树木,其平均精准度达到84.8%。与其他目标检测算法相比,YOLOv8-DM有更高的平均精准度。

关键词：梢斑螟 YOLOv8s 识别检测准确率不同场景 C2f-GAM dyhead

维普期刊数据库博看期刊

改进YOLOv8算法在风机叶片缺陷检测上的应用

在线全文

学校读者我要写书评

暂无评论

电子测量与仪器学报 2024年第8期38卷 26-35页

作者：曾勇杰范必双杨涯文蒋冲长沙理工大学电气与信息工程学院长沙410000

风力发电机叶片,作为风力发电系统的核心组件,其健康状况直接关乎整个发电效率与运行安全。针对叶片缺陷检测的挑战,深入研究了YOLOv8n网络,并创新性地提出了高效多尺度卷积模块(EMSConv),该模块有效替代了传统残差块中的卷积层,通过分... 详细信息

风力发电机叶片,作为风力发电系统的核心组件,其健康状况直接关乎整个发电效率与运行安全。针对叶片缺陷检测的挑战,深入研究了YOLOv8n网络,并创新性地提出了高效多尺度卷积模块(EMSConv),该模块有效替代了传统残差块中的卷积层,通过分组卷积技术显著降低了冗余特征对检测结果的干扰,从而提升了检测的精确性。此外,在检测头部分,融入了Dynamic Head的多元化注意力机制,这些自注意力机制协同工作,跨越不同特征层,实现了对目标尺度、空间位置及检测任务的精准感知,极大地增强了目标检测模块的综合能力。还创新性地整合了Inner-IoU、Wise-IoU与MPDIoU,创造性地提出了Inner-Wise-MPDIoU,以替代传统的CIoU损失函数,这一举措不仅提高了网络的检测精度,还加速了收敛过程。在针对自制风机叶片缺陷数据集的测试中,YOLOv8-EDI展现出了卓越的性能,其mAP50值高达81.0%,相比原始YOLOv8n提升了2.3%;召回率也达到了76.8%,提升了3.7%。该模型在提升检测效果的同时,还实现了计算量的降低,降幅达5.5%,充分满足了工业环境下对风机叶片进行高效、准确、大批量检测的需求。

关键词：风机叶片缺陷检测 YOLOv8n 高效多尺度卷积 dyhead 损失函数

在线全文

学校读者我要写书评

暂无评论

改进YOLOv8n的钢材表面缺陷检测算法

机械科学与技术 2024年

作者：杨本臣李世熙李依泽金海波康洁辽宁工程技术大学软件学院北京工业大学信息学部

内容针对传统钢材表面缺陷检测精度不高、误检漏检、检测速度较慢等问题，提出一种改进YOLOv8n的钢材表面缺陷检测算法。使用FasterNet网络重建YOLOv8n的主干网络，在减少冗余计算和内存访问的同时更有效地提取缺陷特征；其次在主干网... 详细信息

内容针对传统钢材表面缺陷检测精度不高、误检漏检、检测速度较慢等问题，提出一种改进YOLOv8n的钢材表面缺陷检测算法。使用FasterNet网络重建YOLOv8n的主干网络，在减少冗余计算和内存访问的同时更有效地提取缺陷特征；其次在主干网络嵌入GAM(Global Attention Mechanism)注意力机制模块，优化网络结构，并强化缺陷特征中的位置信息；采用可变形卷积v2（Deformable Convolutional Networks v2，DCNv2）与YOLOv8n的C2f模块中的Bottleneck结构融合，增强特征提取能力；最后在输出端，引入dyhead(Dynamic Head)注意力机制检测头，通过综合尺度感知、空间感知、任务感知三个角度统一提升算法检测的能力，并且显著增强了输出端的特征表达能力。改进的YOLOv8n的钢材表面缺陷检测算法在NEU-DET数据集上的平均精度均值(mAP)达到85.1个百分点，较原YOLOV8n算法相比提升3.8个百分点，精确率(Precision)提升15.2个百分点，刷新率(FPS)达到了120，此外在工件缺陷数据集与VOC2012数据集进行通用性对比实验。实验结果表明，改进的算法能加强钢材表面缺陷检测性能，并具备可观的通用性。

关键词：钢材表面缺陷检测 YOLOv8n FasterNet 注意力机制 DCNv2 dyhead

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于YOLOv8-DM检测梢斑螟虫蛀树木

森林工程 2024年

作者：周宏威纪皓文吴羿轩东北林业大学计算机与控制工程学院

梢斑螟是一种严重危害针叶树种的害虫，严重影响针叶树的健康和生长。梢斑螟虫的幼虫主要以针叶树的叶片为食物，在叶片内建立巢穴，逐渐摧毁叶片组织，导致叶片变黄、褪绿，最终可能脱落。此外，幼虫也可能侵蚀树木的树皮，导致树皮剥... 详细信息

梢斑螟是一种严重危害针叶树种的害虫，严重影响针叶树的健康和生长。梢斑螟虫的幼虫主要以针叶树的叶片为食物，在叶片内建立巢穴，逐渐摧毁叶片组织，导致叶片变黄、褪绿，最终可能脱落。此外，幼虫也可能侵蚀树木的树皮，导致树皮剥落和树干暴露，使树木易受其他害虫、病菌和自然元素的侵害，增加树木的脆弱性，降低其生存能力。为辅助地面治疗被梢斑螟虫蛀树木，采用YOLOv8s目标检测算法，实现对梢斑螟虫蛀树木的检测与识别。通过采用C2f-GAM和动态检测头建立模型（YOLOv8-DM），来提高YOLOv8s对于梢斑螟虫蛀树木的检测能力。试验结果表明，YOLOv8-DM能够有效地识别梢斑螟虫蛀树木，其平均精准度达到84.8%。与其他目标检测算法相比，YOLOv8-DM有更高的平均精准度。并且在试验中光照不充分条件依旧有较高的识别准确度，充分展现该模型的识别精准高和先进的性能。

关键词：梢斑螟 YOLOv8s 识别检测准确率不同场景 C2f-GAM dyhead

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于YOLOv7的智能车多目标检测研究

基于YOLOv7的智能车多目标检测研究

作者：白昱家天津职业技术师范大学

学位级别：硕士

随着社会科技的迅猛发展,交通事故频发成为一个亟待解决的社会问题。在这一背景下,智能车的出现为提高交通安全性提供了新的解决途径。智能车技术作为汽车行业的前沿领域之一,正取得了长足的进步。在智能车技术的核心,多目标检测作为一... 详细信息

随着社会科技的迅猛发展,交通事故频发成为一个亟待解决的社会问题。在这一背景下,智能车的出现为提高交通安全性提供了新的解决途径。智能车技术作为汽车行业的前沿领域之一,正取得了长足的进步。在智能车技术的核心,多目标检测作为一项关键技术,日益成为研究的热点,对于实时感知周围环境,准确判断和识别多类目标具有至关重要的作用。目前国内汽车人均占有率高,导致道路情况复杂,且国内道路交通标志丰富,因此,对于智能车多目标检测是一项巨大的挑战。本文基于YOLOv7目标检测算法,实现了道路交通物的快速检测和准确识别,搭建了智能车和智能车的控制器,并将本文改进的YOLOv7算法部署到智能车的ROS操作系统上,为实现智能车多目标检测提供了有利支撑。本文的主要研究内容包括:首先,搭建数据集。通过各种交通数据集的整合,挑选了适合国内交通道路的样本,获取了总共11675张样本。同时按照YOLO格式对图片进行标注,按照国内道路常见的交通物,分出44个类别,建立了交通物分类数据集,然后,构建和改进了YOLOv7算法模型。在YOLOv7模型的主干网络、Head层和损失函数三块部分分别进行改进和优化。主干网络加入MBconv卷积、Head层加入dyhead注意力机制和多种损失函数优化对比。最后,通过消融实验挑选出检测精度与原始网络模型算法明显提高、检测速度基本持平的算法模型。其次,搭建智能车控制器。智能车车身框架通过Solid Works进行三维建模,设计智能车控制器。智能车控制器主要包括:整车控制器(VCU)、电池管理系统(BMS)、DCDC和车载充电机监测器和电机控制器,这些控制器来完成对智能车的控制、实时监测和与ROS系统的通信。最后,将改进的算法模型部署到ROS操作系统上,使用边缘计算机将ROS系统搭载到智能车上。使用Socket通信机制,将Window系统与ROS系统的进程通过网络进行通信,从而使目标检测算法识别到的信息实时发送到ROS系统中。本文的智能车多目标检测主要就是从以上四个方面做了相关研究,以算法改进为核心,将算法部署到ROS系统中,智能车控制器为底层,搭建智能车硬件。这项研究为智能车多目标检测提供了理论指导和应用雏形。

关键词： YOLOv7多目标检测智能车 MBconv dyhead 单片机

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLOv5的溺水人员检测

陕西理工大学学报（自然科学版） 2024年第3期40卷 35-43页

作者：刘向举帅韬蒋社想安徽理工大学计算机科学与工程学院安徽淮南232001

针对情况复杂而无法实现人员全天全面监管的场所,在实时检测人员防溺水方面存在困难的问题,提出了一种融合统一注意力机制动态头的YOLOv5-Dy-GBCA模型。首先,通过在YOLOv5的Head前引入动态检测头(dyhead),增强头部感知目标的空间位置、... 详细信息

针对情况复杂而无法实现人员全天全面监管的场所,在实时检测人员防溺水方面存在困难的问题,提出了一种融合统一注意力机制动态头的YOLOv5-Dy-GBCA模型。首先,通过在YOLOv5的Head前引入动态检测头(dyhead),增强头部感知目标的空间位置、尺度和检测任务的能力;其次,将Backbone中的C3模块替换成由GhostBottleneck结构和坐标注意力模块(CA)构成的幻影坐标注意力特征提取模块(GBCA),有效改善了因水上人员相互遮挡、人体在水面浮现体积较少而造成输入的特征语义信息不丰富,特征信息提取不足的问题;然后,引入加权双向特征金字塔网络(BiFPN),增强模型在不同尺度上的特征融合能力;最后,采用Focal-EIoU损失函数,改善难易样本不平衡对检测结果的影响。实验结果表明,YOLOv5-Dy-GBCA模型在维持了原模型检测速度的同时,取得了91.50%的平均精度(mAP),相较于传统算法和其他主流算法检测效果更优。

关键词：目标检测防溺水 dyhead 注意力机制 Focal-EIoU

基于改进YOLOv8的变压器磁芯缺陷检测算法

在线全文

学校读者我要写书评

暂无评论

湖北民族大学学报（自然科学版） 2024年第4期42卷 539-543页

作者：胡卫昊安徽理工大学电气与信息工程学院安徽淮南232001

针对变压器磁芯缺陷对电网系统的安全稳定运行构成潜在风险却缺少检测手段的问题,提出了基于改进你只看一次版本8(you only look once version 8,YOLOv8)的变压器磁芯缺陷检测算法。该算法首先通过引入幽灵网络(ghost network,GhostNet... 详细信息

针对变压器磁芯缺陷对电网系统的安全稳定运行构成潜在风险却缺少检测手段的问题,提出了基于改进你只看一次版本8(you only look once version 8,YOLOv8)的变压器磁芯缺陷检测算法。该算法首先通过引入幽灵网络(ghost network,GhostNet)实现了模型参数量的降低,同时保持了较高的检测精确率;然后,引入了具有较大尺寸特征图的小目标检测层,适用于小目标检测;最后,引入了融合注意力机制的动态检测头(dynamic head,dyhead),增强了检测头的表征能力。在磁芯数据集上进行训练和测试,结果表明,该算法的平均精确率均值较原版YOLOv8算法提升了4.3%,模型参数量减少了51.8%,既达到了较高的精确率,又能满足边缘计算设备的部署要求。该算法能比较准确地检测变压器磁芯缺陷,从而为电网安全性能提升提供重要技术支持。

关键词：磁芯缺陷检测 GhostNet dyhead 小目标 YOLOv8