检索结果-南通市图书馆

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

在线全文

学校读者我要写书评

暂无评论

安全与环境学报 2024年第3期24卷 952-961页

作者：章赛纪凡卢才武江松李萌刘力刘迪朱兴攀西安建筑科技大学资源工程学院西安710055 西安市智慧工业感知、计算与决策重点实验室西安710055 西安建筑科技大学管理学院西安710055 陕西陕煤榆北煤业有限公司陕西榆林719000

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将... 详细信息

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero_DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks,FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成siou,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+siou、SE、SE+siou,YOLOX-CBAM模块的YOLOX模型相比,其精度分别提高了0.64百分点、0.84百分点、1百分点、1.29百分点和0.76百分点,速度分别提高了0.5帧/s、0.4帧/s、0.3帧/s、0.2帧/s和0.4帧/s。所提出的方法能实现地下煤矿井下无人电机车轨道障碍物的快速准确检测,并为地下矿运输设备的智能化升级及安全运行提供理论支撑。

关键词：安全工程井下无人电机车目标检测 CBAM注意力机制 siou损失函数

基于MES−YOLOv5s的综采工作面大块煤检测算法

在线全文

学校读者我要写书评

暂无评论

工矿自动化 2024年第3期50卷 42-47,141页

作者：徐慈强贾运红田原煤炭科学研究总院北京100013 中国煤炭科工集团太原研究院有限公司山西太原030032 煤矿采掘机械装备国家工程实验室山西太原030032

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主... 详细信息

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用siou损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和siou损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

关键词：综采工作面目标检测大块煤检测 YOLOv5s MobileNetV3 高效多尺度注意力模块 siou损失函数

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

基于轻量化YOLOv5的交通标志检测

郑州大学学报（工学版） 2024年第2期45卷 12-19页

作者：张震王晓杰晋志华马继骏郑州大学电气与信息工程学院河南郑州450001 河南省交通调度指挥中心河南郑州450001

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为siou... 详细信息

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为siou损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

关键词：交通标志检测轻量化YOLOv5 siou损失函数 Ghost卷积 TT100K BiFPN

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

基于YOLOv7的交通目标检测算法研究

计算机测量与控制 2024年第4期32卷 74-80页

作者：王沛雪张富春董晨乐延安大学物理与电子信息学院陕西延安716000

针对交通场景中,由于光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数... 详细信息

针对交通场景中,由于光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为siou函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8%mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。

关键词：交通目标检测 YOLOv7网络注意力机制浅层网络检测层 siou损失函数

基于YOLOv7x的接触网吊弦缺陷检测方法

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

华东交通大学学报 2024年第3期41卷 65-73页

作者：王晓明陈智宇董文涛姚道金黄贻凤华东交通大学电气与自动化工程学院江西南昌330013 华东交通大学土木建筑学院江西南昌330013

【目的】针对铁路运行时由于接触网吊弦缺陷造成的安全隐患问题,提出一种基于改进YOLOv7x的接触网吊弦缺陷识别方法。【方法】首先在主干特征提取层的末端引入Swin Transformer网络替换原有的扩展高效层聚合网络模块,提高网络掌握全局... 详细信息

【目的】针对铁路运行时由于接触网吊弦缺陷造成的安全隐患问题,提出一种基于改进YOLOv7x的接触网吊弦缺陷识别方法。【方法】首先在主干特征提取层的末端引入Swin Transformer网络替换原有的扩展高效层聚合网络模块,提高网络掌握全局信息的能力,再引用siou(SCYLLA-IoU)损失函数替换原网络的损失函数,为预测框收敛过程添加方向惩罚机制,最后使用coordinate attention(CA)注意力机制融合颈部层中的扩展高效层聚合网络模块,增强颈部网络模块的全局感受野。【结果】仿真结果表明,此改进算法训练出的模型精度达到95.9%,相较于原YOLOv7x算法检测精度提高了4.7%,检测速度也达到了52帧/s。【结论】改进算法解决了在吊弦缺陷识别领域检测效率低下的问题,在实际作业中能够提高接触网吊弦缺陷排查工作的效率。

关键词：接触网吊弦缺陷检测 YOLOv7x Swin Transformer siou损失函数 CA

一种复杂背景下的苹果树病害多维动态自适应检测模型

在线全文

学校读者我要写书评

暂无评论

信息化研究 2024年第3期50卷 66-78页

作者：张航郭汝昂任帅西安石油大学计算机学院西安710065

针对目前苹果树病害数据集病害种类不全以及图片背景单一的问题,本文构建了复杂背景下包括苹果树不同部位7种常见病害的苹果树病害数据集。针对目前主流苹果树病害检测模型检测精度不高,模型复杂等问题,提出了一种基于YOLOv8-NANO改进... 详细信息

针对目前苹果树病害数据集病害种类不全以及图片背景单一的问题,本文构建了复杂背景下包括苹果树不同部位7种常见病害的苹果树病害数据集。针对目前主流苹果树病害检测模型检测精度不高,模型复杂等问题,提出了一种基于YOLOv8-NANO改进得到的复杂背景下的苹果树病害多维动态自适应检测模型(MDD-YOLOv8)。首先,设计并使用了高效多尺度注意力卷积(EMAC)模块来更换骨干网络(Backbone)中的卷积(Conv)模块来捕捉细节信息,以提高模型的特征提取能力。其次,设计了ODC2F模块并用其更换颈部网络(Neck)中的所有跨阶段局部层卷积(C2F)模块,减少模型的参数量和计算量的同时提高了模型的检测精度。最后引入siou损失函数(siou Loss)来提高模型对于苹果果实或叶片上密集小目标病害的检测性能。在自制数据集上MDD-YOLOv8相对原始YOLOv8-NANO模型平均精度均值(mAP)提升了6.8%,同时模型的参数量和计算量分别下降了8.54%和13.7%。对比主流的目标检测模型,MDD-YOLO也具有一定的优越性。

关键词：苹果树病害目标检测 YOLOv8 注意力机制 siou损失函数

基于YOLOv5改进的铁路工人安全帽检测算法研究

在线全文

学校读者我要写书评

暂无评论

计算机测量与控制 2024年第3期32卷 71-78,175页

作者：周瑶周石中国移动通信集团湖北有限公司武汉分公司武汉430100 武汉纺织大学机械工程与自动化学院武汉430073 武汉纺织大学湖北省数字化纺织装备重点实验室武汉430073

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员;因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心... 详细信息

目前铁路上普遍采用人工监督方式来检测工人是否佩戴安全帽,但监督范围过大,在实践中不能及时跟踪和管理所有工作人员;因此针对该问题,采用深度学习目标检测的方法,通过改进YOLOv5s目标检测算法来实现铁路工人是否佩戴安全帽和穿戴背心;具体来说,以YOLOv5s算法为基础,采用GhostNet模块替换原始网络中的卷积Conv,提高模型的实时检测速度;采用更高效简单的多尺度特征融合BiFPN,使特征融合方式更加简单高效,以提高检测速度和降低模型复杂度;把原始的CIOU损失函数替换为siou损失函数,以提高模型精度;研究结果表明,改进的YOLOv5s-GBS算法的准确率和识别效率可达到95.7%和每秒45帧,并且模型大小减少了一半,准确率提高了4.5%。

关键词：安全帽深度学习 BiFPN siou损失函数 YOLOv5s-GBS算法

基于改进YOLOv5s算法的草莓病虫害检测研究

在线全文

学校读者我要写书评

暂无评论

黑龙江工业学院学报（综合版） 2024年第3期24卷 94-100页

作者：马赛丁健张火强汪慧合肥大学先进制造工程学院安徽合肥230601

草莓的生长容易受到多种病虫害的影响,为了快速、准确地检测草莓植株在生长过程中所受病虫害的情况,通过采集草莓生长过程中的图像信息,应用YOLOv5s算法进行分析处理,将CBAM注意力机制集成到YOLOv5s模型中,用以增强模型的感受力和表达能... 详细信息

草莓的生长容易受到多种病虫害的影响,为了快速、准确地检测草莓植株在生长过程中所受病虫害的情况,通过采集草莓生长过程中的图像信息,应用YOLOv5s算法进行分析处理,将CBAM注意力机制集成到YOLOv5s模型中,用以增强模型的感受力和表达能力,通过选择siou损失函数替代GIOU损失函数进一步加快模型收敛。研究结果表明,经过改进的算法模型准确率达到了95.2%,召回率提升至97.2%,平均精度均值提高至98.5%。一定程度上满足草莓病虫害的检测。

关键词：病虫害检测 YOLOv5s CBAM siou损失函数

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

融合空间信息的YOLOv7交通标志检测

无线电工程 2024年

作者：师红宇张哲于杜文蔡自桂西安工程大学计算机科学学院

交通标志在检测过程中，因受天气和光照强度的影响，导致检测时出现错检、漏检等问题，针对此问题提出一种融合空间信息的交通标志检测算法。首先，在网络中使用坐标卷积，增强网络对坐标位置信息的敏锐性。其次，在主干特征提取中加入... 详细信息

交通标志在检测过程中，因受天气和光照强度的影响，导致检测时出现错检、漏检等问题，针对此问题提出一种融合空间信息的交通标志检测算法。首先，在网络中使用坐标卷积，增强网络对坐标位置信息的敏锐性。其次，在主干特征提取中加入坐标注意力机制，可以更好关注融合处的空间位置信息。在特征融合部分使用多尺度加权融合网络和金字塔池化，利用加权计算和跳跃连接的方式，增强低层与高层之间的语义信息融合效果。最后，使用边框回归损失函数（Scalable Intersection over Union Loss，siou）提高目标定位的准确性。在CCTSDB2021和GTSDB数据集上的实验结果显示，该方法在两个数据集上的平均精度(mean Average Precision，mAP)分别达到84.9%和98.5%，与主流检测模型对比有显著提升，较原模型分别提升了5.39%和1.67%，提高了交通标志的检测精度。

关键词：交通标志检测坐标卷积注意力机制多尺度融合 siou损失函数