检索结果-南通市图书馆

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

列车司机手势识别方法研究

铁道科学与工程学报 2024年第2期21卷 533-544页

作者：李小平代旭鹏孙守庆朱高伟兰州交通大学自动化与电气工程学院甘肃兰州730070 兰州交通大学机电工程学院甘肃兰州730070 兰州交通大学电子与信息工程学院甘肃兰州730070

按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全。传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型参数量大、检... 详细信息

按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全。传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型参数量大、检测精度较低、检测速度慢等问题。随着智能铁路的发展,利用深度学习方法构建轻量化、高效、高精度的列车司机手势识别模型逐渐成为行业发展需求。针对上述需求,提出一种基于改进YOLOv5的列车司机手势识别模型。首先,引入轻量化卷积pconv改进YOLOv5中的C3模块,降低检测网络的参数量和计算量,提升模型检测效率,并在其后添加CBAM模块,加强重要特征信息,抑制无关信息的干扰,强化检测网络特征提取能力;其次,在颈部层引入BiFPN网络结构替换PANet网络结构,增强不同尺度特征的融合能力,同时通过新增小目标检测层,提高模型对小目标的检测能力;最后,选择Focal-EIoU作为边界框损失优化模型损失函数,加快模型的收敛速度,提高手势定位精度。实验结果表明,改进模型在测试集下mAP@0.5可达97.7%,平均检测时间为23.2 ms,相较于YOLOv5计算量降低了23.1%,mAP@0.5和平均检测时间分别提升了0.6个百分点和7.1 ms。所提模型可在降低参数量和计算量的同时有效提高检测精度和检测效率,可为列车司机手势识别提供新思路。

关键词：列车司机手势识别 YOLOv5 pconv CBAM模块

维普期刊数据库

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第3期55卷 231-242,262页

作者：张震周俊江自真韩宏琪南京农业大学工学院南京210031

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, pconv)替换多分支堆叠模块... 详细信息

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, pconv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

关键词：苹果识别自然果园环境 YOLO v7 pconv 高效通道注意力机制麻雀搜索算法

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

改进YOLOv8s的交通标识检测算法

计算机工程 2024年

作者：谢竞邓月明王润民湖南师范大学信息科学与工程学院

针对当前主流的交通标识目标检测算法在复杂环境中对小目标检测精度低，存在误检和漏检的问题，提出了一种改进的基于YOLOv8s的交通标识检测算法。该算法在主干网络中使用pconv卷积，并设计了C2faster模块，以实现轻量化网络结构的同时... 详细信息

针对当前主流的交通标识目标检测算法在复杂环境中对小目标检测精度低，存在误检和漏检的问题，提出了一种改进的基于YOLOv8s的交通标识检测算法。该算法在主干网络中使用pconv卷积，并设计了C2faster模块，以实现轻量化网络结构的同时维持网络精度。此外，为更好地利用底层和高层特征之间的信息，并增强区域上下文关联能力，由SPPF的思想设计了SPPFCSPC模块作为空间金字塔池化模块。另外，通过添加GAM注意力机制，进一步增强了网络的特征提取能力，有效提高了检测精度。为改善对微小目标的检测能力，在网络颈部添加了四倍下采样分支，优化目标定位。此外，使用Focal-EIoU损失函数替换原CIoU损失函数，对预测框的宽高比进行准确定义，缓解了正负样本不平衡的问题。实验结果表明，在CCTSDB-2021交通标识数据集上，改进的算法在精确率、召回率和mAP@0.5方面分别达到了86.1%、73.0%和81.2%的性能指标，相比原始的YOLOv8s算法分别提高了0.8%、6.3%和6.9%。此外，该算法在复杂天气和恶劣环境下的误检和漏检问题得到了明显改善，综合检测性能明显优于对比算法，具有较大实用价值。

关键词： YOLOv8 交通标识检测注意力机制 pconv C2faster

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的轻量化水下目标检测算法

电光与控制 2024年

作者：唐鲁婷黄洪琼上海海事大学

水下目标检测在海洋科学、环境保护、资源开发、军事防御、文化遗产保护等领域具有重要意义。然而，水下环境复杂，水下图像质量较差和小生物聚集导致水下目标检测时出现漏检、误检等问题，需要提高检测精度；检测的实时性需要设计更加... 详细信息

水下目标检测在海洋科学、环境保护、资源开发、军事防御、文化遗产保护等领域具有重要意义。然而，水下环境复杂，水下图像质量较差和小生物聚集导致水下目标检测时出现漏检、误检等问题，需要提高检测精度；检测的实时性需要设计更加快速的网络结构；水下设备的存储和计算能力有限，需要在保证准确性的同时保持较低的计算开销。针对这些难点，本文提出了基于YOLOv7的改进型网络YOLOv7-PSS。首先，利用pconv卷积代替骨干网络中的部分普通卷积，减少模型的参数量，加快模型的训练与预测；然后融合SE注意力机制，增强特征的提取能力。随后，利用SIoU损失函数加速网络收敛，优化模型训练过程。实验结果表明，在URPC2021水下目标检测数据集上，该算法与原模型相比，mAP达到87.3%，比原模型提高了7.5%，模型参数数减少了11.8%，为水下设备的部署奠定了基础。

关键词：目标检测水下图像 YOLOv7 pconv 注意力机制

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的轻量级鱼类目标检测算法

现代电子技术 2024年第11期47卷 78-83页

作者：曹静雯孟娟朱珈缘马媛媛大连海洋大学信息工程学院辽宁大连116023

针对传统鱼群检测方法耗时长且检测结果易受检测人员技术经验影响等问题,结合养殖鱼群图像特征,基于YOLOv7模型,提出一种轻量级实时检测鱼群的方法。该方法将GhostNet引入YOLOv7模型中作为主干特征提取网络,以减少网络的参数量,同时将... 详细信息

针对传统鱼群检测方法耗时长且检测结果易受检测人员技术经验影响等问题,结合养殖鱼群图像特征,基于YOLOv7模型,提出一种轻量级实时检测鱼群的方法。该方法将GhostNet引入YOLOv7模型中作为主干特征提取网络,以减少网络的参数量,同时将特征融合网络的ELAN-H模块中CBS卷积层替换为pconv,进一步降低模型的计算复杂度,并在特征融合网络中加入CBAM注意力模块和轻量级上采样算子CARAFE,以提高网络的特征表达能力。在采集的鱼群数据集上进行实验表明,提出模型的平均精度均值为95.54%,参数量为24.13×10^(6),浮点运算次数(GFLOPs)为38.45×10^(9),相较于YOLOv7模型,改进后的模型平均精度均值提高了1.86%,参数量和计算量分别降低了13.14%、70%。相较于YOLOv4和YOLOv5s等模型,文中模型的平均精度均值也均有提高,能够为鱼群检测提供一种轻量化的实时高效检测方法,大大降低了检测人员的工作量。

关键词： YOLOv7 GhostNet 轻量化 pconv 注意力机制 CARAFE

维普期刊数据库博看期刊

轻量化YOLOv7-tiny的水下压印字符识别

在线全文

学校读者我要写书评

暂无评论

国外电子测量技术 2024年第4期43卷 162-169页

作者：李卓润李波邱鹏程刘洪中国地质大学(武汉)机械与电子信息学院武汉430074

自动化水下字符识别技术能通过编号更高效地定位追踪水下设备,是管理和维护水下设备的关键。针对该任务目标区别较小和水下场景中干扰等问题,并考虑其检测速度需求,基于YOLOv7-tiny模型,提出一种轻量化的改进模型。首先采用MobileNetV3... 详细信息

自动化水下字符识别技术能通过编号更高效地定位追踪水下设备,是管理和维护水下设备的关键。针对该任务目标区别较小和水下场景中干扰等问题,并考虑其检测速度需求,基于YOLOv7-tiny模型,提出一种轻量化的改进模型。首先采用MobileNetV3作为新的特征提取网络对整体框架进行轻量化处理;然后引入pconv至ELAN模块中,减少Neck层的计算量;最后将置换注意力机制应用至Head层,提升了模型对字符定位的表达能力。实验结果表明,改进后的模型相较于原模型的平均精度均值(mAP)提高了2.4%,参数量和计算量分别减少30.0%和38.5%,检测速度提升30.8%。改进后的模型在水下字符识别任务中具有更高的效率和精度,为推进并实现水下自动化识别编号设备的部署提供了可行性。

关键词：水下字符识别 YOLOv7-tiny 轻量化 pconv 置换注意力

维普期刊数据库

室内环境下的改进YOLOv8n障碍物识别算法

在线全文

学校读者我要写书评

暂无评论

计算机应用文摘 2024年第9期40卷 117-119页

作者：刘锦旺广东工业大学自动化学院广州510000

针对室内环境下障碍物尺寸不一和场景变化多样导致的YOLOv8n目标检测算法精度低和检测速度慢的问题,文章提出了1种改进Tiny-YOLO算法(以下简称“Tiny-YOLO算法”)。该算法使用部分卷积(pconv)方法设计了轻量化模块C2f_pconv以替换主干... 详细信息

针对室内环境下障碍物尺寸不一和场景变化多样导致的YOLOv8n目标检测算法精度低和检测速度慢的问题,文章提出了1种改进Tiny-YOLO算法(以下简称“Tiny-YOLO算法”)。该算法使用部分卷积(pconv)方法设计了轻量化模块C2f_pconv以替换主干网络中的C2f模块,有效降低了网络参数;引入EMA增强了网络的特征融合能力,同时提高了检测精度。经COCO2017Indoors障碍物数据集验证,Tiny-YOLO算法拥有比YOLOv8n更高的性能,对于室内障碍物识别具有一定的有效性。

关键词：障碍物检测目标检测 YOLOv8n pconv 注意力机制

基于YOLO v7的轻量级红外目标检测算法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

红外技术 2023年

作者：陈永麟王恒涛张上湖北省建筑质量检测装备工程技术研究中心三峡大学计算机与信息学院

针对红外图像信噪比低、分辨率不佳、噪声与杂波多等检测难点。提出一种基于YOLOv7的轻量化红外图像目标检测算法ITB-YOLO。首先，ITD-YOLO算法重设计网络结构，对特征提取网络与特征融合网络架构重新调整。裁剪掉原网络中深层对应的大... 详细信息

针对红外图像信噪比低、分辨率不佳、噪声与杂波多等检测难点。提出一种基于YOLOv7的轻量化红外图像目标检测算法ITB-YOLO。首先，ITD-YOLO算法重设计网络结构，对特征提取网络与特征融合网络架构重新调整。裁剪掉原网络中深层对应的大感受野，依据重构后网络特征图输出，对模型预设锚框进行调节。改变多尺度特征融合中的深层特征与浅层特征的关系，提高浅层网络提取的细节信息在融合中所占的权重，提高对较小目标的检测性能；然后，在ELAN模块中引入pconv替换掉常规卷积，进一步降低模型计算量。其次，将模型损失函数调整为PolyLoss以加速模型收敛，进一步加强对目标的检测性能；最后，使用SIoU作为边框损失函数，增强对目标的定位精度。实验结果表明，ITB-YOLO能够有效改善检测效果，在FLIR与OSU数据集上检测精度分别提高2.27%与7.29%；模型体积下降75.2%，参数量减少75.4%，计算量下降37.11%；与主流算法进行对比，ITDYOLO在各项指标均得到了一定程度的提高，能够满足红外目标实时检测任务。

关键词：目标检测模型轻量化 YOLOv7 pconv PolyLoss SIoU

基于改进YOLOv7的露头区岩石裂缝检测识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

地质科技通报 2023年

作者：王婷婷王洪涛黄志贤杨明昊赵万春郑雄杰东北石油大学黑龙江省网络与智能控制重点实验室东北石油大学非常规油气研究院东北石油大学电气信息工程学院吉林油田分公司乾安采油厂

野外露头区岩石裂缝的检测对于裂缝性油气藏的地质勘测具有重要意义，但传统的图像处理算法对岩石裂缝检测效果欠佳，经典的深度学习模型检测效率与复杂地质环境的岩石裂缝检测精度较低，因此本文提出一种改进的露头区岩石裂缝检测算法Y... 详细信息

野外露头区岩石裂缝的检测对于裂缝性油气藏的地质勘测具有重要意义，但传统的图像处理算法对岩石裂缝检测效果欠佳，经典的深度学习模型检测效率与复杂地质环境的岩石裂缝检测精度较低，因此本文提出一种改进的露头区岩石裂缝检测算法YOLOv7-PCN。首先，融入pconv（Partial Convolution）模块替换主干网络的部分标准卷积，降低网络计算量，提高网络检测速度；其次引入坐标注意力机制（Coordinate Attention，CA），增强对裂缝关键边缘与密集分布位置特征的提取能力；最后边界框回归损失函数使用NWD（Normalized Wasserstein Distance）度量方式，优化网络训练的收敛速度，提高了复杂地质环境岩石图像分辨率较低与小目标裂缝的定位检测精度。同时在数据处理方面结合数据增强方法构建露头区岩石裂缝数据集，提高网络模型的泛化能力。实验结果表明，该算法在4种岩石类别的裂缝检测上mAP值达到82.5%，相比于原YOLOv7算法，提升了7.7%，同时模型参数量减少了29.6%，模型计算量节省了31.2%，模型检测速度提升了39.2%。本文提出的改进YOLOv7岩石裂缝检测算法，在实现轻量化的同时使得复杂环境下的裂缝检测结果更加准确，为地质岩石裂缝识别与勘测任务提供了重要的技术参考。

关键词：裂缝检测 YOLOv7 pconv NWD 注意力机制