检索结果-南通市图书馆

基于改进YOLO v8n的玉米田间杂草检测网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

江苏农业科学 2024年第20期52卷 165-172页

作者：亢洁代鑫刘文波徐婷夏宇陕西科技大学电气与控制工程学院陕西西安710021

针对3~5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题,提出了一种基于改进YOLO v8n的玉米田间杂草检测算法。首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像... 详细信息

针对3~5叶期玉米田间伴生杂草目标尺度小、玉米叶片遮挡严重、田间自然环境复杂等导致检测精度不高的问题,提出了一种基于改进YOLO v8n的玉米田间杂草检测算法。首先下载涵盖了黑麦草、芥菜、甘菊、藜麦等常见伴生杂草和玉米幼苗的图像,对图像进行翻转等数据增强方式增加样本多样性,提升模型识别和泛化能力。其次在YOLO v8n网络基础上,重新构建了轻量级跨尺度特征融合网络,增强模型多尺度特征融合能力,并输出一个针对小目标杂草的预测层,提升网络的检测精度。最后,在4个目标检测头前嵌入高效多尺度注意力机制ema,使得检测头更加专注于目标区域。试验结果表明,本模型的平均精度均值提升了2.4百分点、杂草的平均精度提升了5.1百分点,模型内存用量和参数量分别减小了22.6%和26.0%;本模型与SSD-MobileNet v2、Efficientdet-D0及YOLO系列目标检测模型相比,平均精度均值至少提升了1.8百分点、识别杂草的平均精度至少提升了4.6百分点,并且模型内存用量和参数量都处在较低水平。本研究提出的玉米田间杂草检测模型在降低了模型内存用量和参数量的同时提高了检测精度,可为精准除草设备提供技术支持。

关键词：玉米田杂草目标检测 YOLO v8n ema注意力机制

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv8的遗留物品检测算法

郑州大学学报(工学版) 2024年

作者：张震葛帅兵陈可鑫李友好黄伟涛郑州大学电气与信息工程学院郑州大学河南先进技术研究院珠海优特电力科技股份有限公司河南汇融油气技术有限公司

针对传统基于背景减法的遗留物品检测算法难以应对人流拥挤、小目标、物品遮挡和光线变化等环境,以及基于深度学习方法中的模型准确率低等问题,提出了一种基于改进YOLOv8的遗留物品检测算法。首先,使用动态上采样DySample替换最近邻上采... 详细信息

针对传统基于背景减法的遗留物品检测算法难以应对人流拥挤、小目标、物品遮挡和光线变化等环境,以及基于深度学习方法中的模型准确率低等问题,提出了一种基于改进YOLOv8的遗留物品检测算法。首先,使用动态上采样DySample替换最近邻上采样,优化上采样过程,增强模型的泛化能力。其次,将高效轻量的ADown下采样模块替代普通的下采样卷积,在降低整个模型参数量的同时,提升算法的检测精度。最后,引入ema注意力机制,优化特征提取过程,增强特征提取能力,提升对小目标检测的效果。改进后的模型YOLO-DAE在自建数据集上取得的准确率P、召回率R、mAP@50和mAP@50:95分别为93.4%、87.7%、91.7%和80.2%,相比于改进前的YOLOv8s模型在模型参数量和计算量减少的同时,分别提高了1.8百分点、1.6百分点、1.2百分点和2.1百分点,并且mAP@50和mAP@50:95均高于YOLOv5s r6.0、YOLOv6s v3.0、YOLOv7s AF和YOLOv9s,有效提升了遗留物品检测能力。

关键词：遗留物品检测 YOLOv8算法 ema注意力机制 DySample模块 ADown模块

基于EBP-YOLOv8的葡萄叶病害检测与识别方法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

山东农业大学学报（自然科学版） 2024年第3期55卷 322-334页

作者：蔺瑶曾晏林刘金涛李佳骏李双董晖杨毅云南农业大学大数据学院云南昆明650201

为提高实际环境中葡萄叶病害检测的准确率,适合视频实时监测、无人机等嵌入式AI应用场景,对YOLOv8目标检测模型从模型结构、轻量化等方面进行改进,构建了EBP-YOLOv8。首先在颈部网络中引入BiFPN结构,加强模型特征层之间的融合,改善对小... 详细信息

为提高实际环境中葡萄叶病害检测的准确率,适合视频实时监测、无人机等嵌入式AI应用场景,对YOLOv8目标检测模型从模型结构、轻量化等方面进行改进,构建了EBP-YOLOv8。首先在颈部网络中引入BiFPN结构,加强模型特征层之间的融合,改善对小目标的检测能力;其次使用C2_P来替换颈部网络中的C2f结构,实现模型的轻量化,在降低模型计算量的同时而不影响其精度;然后在特征提取网络中融入ema注意力机制,提升网络对感兴趣区域的关注,提升模型对复杂背景、相似病斑的识别能力;最后将CIoU损失函数替换为ECIoU损失函数,进一步提升模型的检测性能,使模型能够更好地收敛。EBP-YOLOv8对比YOLOv8n、Faster-RCNN、RetinaNet、YOLOv8n、YOLOv8s、YOLOv7、YOLOv7-Tiny、YOLOv4-Tiny,mAP分别提升了3.2%、13.87%、3.49%、3.2%、1.3%、5%、4.7%、8.8%,模型大小仅5.3MB。改进后的算法在轻量化及保证实时性的同时有效提高了检测精度,可以为开发葡萄叶病害实时检测边缘系统提供有效参考。

关键词：葡萄叶病害 YOLOv8 BiFPN ema注意力机制轻量化

基于改进YOLOv8的航空发动机叶片表面缺陷检测

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

组合机床与自动化加工技术 2024年第12期 46-50页

作者：李文龙王欣威慕丽沈阳理工大学机械工程学院沈阳110159

针对航空发动机叶片表面缺陷的复杂性,检测效率和精度不高的问题,提出了一种改进的基于注意力机制的YOLOv8s航空发动机叶片表面缺陷检测方法。通过将EIoU替换为CIoU作为算法的损失函数。在提高边界框回归速率和目标定位精度的同时,改善... 详细信息

针对航空发动机叶片表面缺陷的复杂性,检测效率和精度不高的问题,提出了一种改进的基于注意力机制的YOLOv8s航空发动机叶片表面缺陷检测方法。通过将EIoU替换为CIoU作为算法的损失函数。在提高边界框回归速率和目标定位精度的同时,改善数据集中的质量不平衡问题。在主干特征网络(Backbone)中嵌入ema注意力模块,以增强对关键特征的提取,提高模型的检测准确性。使用自建的航空发动机叶片数据集对网络进行训练和测试。试验结果表明,YOLOv8s-ema网络的平均检测精确度达到了98.7%。相较于Faster-RCNN和YOLOv5s等目前主流的目标检测模型,平均检测精确度分别提高了2.1%和3.0%,FPS也有显著提升。证明了该方法在航空发动机叶片表面缺陷检测中具有更高的精度,取得了良好的检测效果。

关键词：缺陷检测叶片 YOLOv8s ema注意力机制 EIoU

在线全文

学校读者我要写书评

暂无评论

基于深度学习的学生课堂行为识别

基于深度学习的学生课堂行为识别

作者：熊宇成南昌大学

学位级别：硕士

学生在课堂上的行为识别是计算机科学与教育技术领域交叉热点课题,这一领域的研究进展标志着人工智能技术和数字化教育平台的融合,为教育管理带来了创新的变革。这种以人工智能为基础的教育信息化正在成为现代教育体系中的发展趋势。本... 详细信息

学生在课堂上的行为识别是计算机科学与教育技术领域交叉热点课题,这一领域的研究进展标志着人工智能技术和数字化教育平台的融合,为教育管理带来了创新的变革。这种以人工智能为基础的教育信息化正在成为现代教育体系中的发展趋势。本研究专注于课堂环境中学生的行为识别,优化教学流程并提升学习体验,教师需实时监控学生行为以便及时调整教学策略。通过分析学生在课堂上的行为,可以对学生进行更综合的评估,为教师提供有效的课堂管理工具,并准确掌握学生的学习动态。本文深入探讨了学生课堂行为识别在教育领域的应用,国内外相关研究进展。研究主要包括以下方面:(1)创建相关数据集,包括收集整合图像数据和视频数据、对数据预处理及标注动作。(2)应用经过改进的YOLOv5s算法,对学生课堂行为进行有效检测。通过引入ema注意力机制,优化YOLOv5s模型的主干网络结构,强化了模型对时空依赖的捕获,同时减少了计算需求。对于小目标检测不足的问题,增加了检测层以生成更高分辨率的特征图,有效防止了特征信息的丢失。采用Bi FPN加权双向特征融合策略,不增加额外计算成本的同时,提高了特征整合的广度和深度,通过动态特征权重调整,提升了融合效率和识别精度。实验结果表明,改进后的模型在精确率、召回率、m AP@0.5上均有所提升。(3)结合Deep Sort与Slow Fast算法,通过Slow Fast模型对视频内容进行差异化处理,以识别细微变化和关键动作,实现高效行为识别。Deep Sort算法用于跟踪人员身份ID,实现了对人员在不同时间段行为的连续跟踪与识别。此外,使用改进的YOLOv5s模型替换了Faster R-CNN,加速了行为识别过程。

关键词：行为识别 YOLOv5s ema注意力机制 SlowFast DeepSort

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

基于语义分割的纱筒余纱量检测方法研究

棉纺织技术 2024年第4期52卷 23-29页

作者：徐寅哲陆伟健史伟民浙江理工大学浙江杭州310018

为解决圆形纬编针织机器人自动化生产线背景复杂以及纱筒尺寸变化大而导致检测算法准确率较低且精度低等问题,提出了一种基于语义分割的纱筒余纱量检测方法。首先在YOLOv8的基础上通过DSSConv模块替换C2F模块,防止出现特征冗余与特征信... 详细信息

为解决圆形纬编针织机器人自动化生产线背景复杂以及纱筒尺寸变化大而导致检测算法准确率较低且精度低等问题,提出了一种基于语义分割的纱筒余纱量检测方法。首先在YOLOv8的基础上通过DSSConv模块替换C2F模块,防止出现特征冗余与特征信息丢失;针对纱筒尺寸多与背景纱筒对检测效果造成的影响,引入ema注意力机制来提升获取前景纱筒的能力,最后在Neck层使用SQConv模块替换C3模块,利用改进的组卷积提高模型在Neck层的推理速度,添加了SENet注意力机制减少纱筒细节特征的遗漏率。试验表明:改进后的模型mAP@0.5:0.95值达到94.1%,推理速度为65.71帧/s,优于原YOLOv8模型。该研究算法检测纱筒余纱量的平均误差小于2 mm,可实现测量不同成像距离的纱筒余纱量,能够满足实际生产需求。

关键词：语义分割 YOLOv8模型 ema注意力机制纱筒余纱量机器视觉

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

基于YOLOv8的中华鲟智能检测方法

计算机科学与应用 2024年第4期14卷 213-218页

作者：夏菲菲贾永红周温晖程欣悦武汉大学遥感信息工程学院湖北武汉

针对水下鱼类视频图像通常存在严重遮挡、近背景色、目标尺寸不一致的问题,在YOLOv8检测算法基础上,引入ema注意力机制,利用该机制能自动学习并更加准确地捕捉中华鲟关键特征,以提升YOLOv8的预测能力。将引入ema注意力机制的YOLOv8检测... 详细信息

针对水下鱼类视频图像通常存在严重遮挡、近背景色、目标尺寸不一致的问题,在YOLOv8检测算法基础上,引入ema注意力机制,利用该机制能自动学习并更加准确地捕捉中华鲟关键特征,以提升YOLOv8的预测能力。将引入ema注意力机制的YOLOv8检测算法用于中华鲟检测的试验结果表明:在精度mAP@0.5方面,改进的YOLOv8模型相比原始YOLOv8模型提高了3.7%,达到了94%。因此引入ema注意力机制的YOLOv8检测算法能更好地用于水下视频中华鲟检测。

关键词： YOLOv8 目标检测 ema注意力机制

维普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

基于改进YOLOv8的水稻病害检测方法

兰州工业学院学报 2024年第6期31卷 42-47页

作者：陆维安刘永春何志渊四川轻化工大学自动化与信息工程学院四川宜宾644002 人工智能四川省重点实验室四川宜宾644002 四川省农业科学院生物技术核技术研究所四川成都610066

针对现有的水稻病害检测方法存在检测精度不足、复杂度过高的问题,提出一种改进YOLOv8的水稻病害检测方法。首先,在主干网络中引入轻量级网络GhostNet,构建C2fGhost模块替换原有的C2f模块,减少算法的参数量、浮点运算量和模型大小,降低... 详细信息

针对现有的水稻病害检测方法存在检测精度不足、复杂度过高的问题,提出一种改进YOLOv8的水稻病害检测方法。首先,在主干网络中引入轻量级网络GhostNet,构建C2fGhost模块替换原有的C2f模块,减少算法的参数量、浮点运算量和模型大小,降低了算法的复杂程度;其次,在颈部网络中添加ema注意力机制,增强关键信息提取能力;最后,引入NWD损失函数与CIoU损失函数相结合,以提升算法的检测精度。实验结果表明改进后的算法GEN-YOLO与YOLOv8n相比整体平均精度mAP@0.5增加了1.4个百分点,参数量减少了0.452 M,浮点运算量减少了1.2 G,模型大小减少了0.826 MB,改进算法在保证了轻量化的同时有效地提高了检测精度,且本方法在检测精度和算法复杂度方面均优于其他主流目标检测方法,表明了本方法具有先进性。

关键词：水稻病害检测 YOLOv8 GhostNet ema注意力机制 NWD损失函数

在线全文

学校读者我要写书评

暂无评论

基于UNet++技术的油田管线泄漏监测

石油化工自动化 2024年第6期60卷 73-77页

作者：朱苏青段志刚周宇成李汉周李兴周新墙中国石油化工股份有限公司江苏油田分公司科技与信息管理部中国石油化工股份有限公司江苏油田分公司石油工程技术研究院中国石油化工股份有限公司江苏油田分公司中国石油化工股份有限公司江苏油田分公司采油一厂

针对石油泄漏初期目标较小、石油颜色特征在昏暗场景下不容易区分、残留的泄漏痕迹难以完全清除等易造成误检漏检问题，提出一种基于UNet++技术的油田管线泄漏监测网络。该方法采用Kind++图像增强，增加图像照度；引入SiLU激活函数，缓... 详细信息

针对石油泄漏初期目标较小、石油颜色特征在昏暗场景下不容易区分、残留的泄漏痕迹难以完全清除等易造成误检漏检问题，提出一种基于UNet++技术的油田管线泄漏监测网络。该方法采用Kind++图像增强，增加图像照度；引入SiLU激活函数，缓解梯度消失，保留更多特征信息，加快网络收敛速度；引入ema注意力机制聚合多尺度空间结构信息，增强特征融合质量。实验结果表明，该方法准确率为95.5%,精确率为95.5%,召回率为95.2%,平均交并比为91.3%,可以准确分割出昏暗环境、遮挡环境、小目标的石油泄漏区域，能实现油田管线泄漏监测工作。

关键词：泄漏监测 SiLU激活函数 ema注意力机制

来源：博看期刊