检索结果-南通市图书馆

A novel Foreign Object Detection Method in Transmission Lines Based on Improved yolov8n

Computers, Materials & Continua 2024年第4期79卷 1263-1279页

作者： Yakui Liu Xing Jiang Ruikang Xu Yihao Cui Chenhui Yu Jingqi Yang Jishuai Zhou School of Mechanical and Automotive Engineering Qingdao University of TechnologyQingdao266520China State Key Laboratory of Electrical Insulation and Power Equipment Xi’an Jiaotong UniversityXi’an710049China Key Lab of Industrial Fluid Energy Conservation and Pollution Control Qingdao University of TechnologyMinistry of EducationQingdao266520China

The rapid pace of urban development has resulted in the widespread presence of construction equipment andincreasingly complex conditions in transmission corridors. These conditions pose a serious threat to the safeoperation of the power *** vision technology, particularly object recognition technology, has beenwidelyemployed to identify foreign objects in transmission line images. Despite its wide application, the technique faceslimitations due to the complex environmental background and other auxiliary factors. To address these challenges,this study introduces an improved yolov8n. The traditional stepwise convolution and pooling layers are replacedwith a spatial-depth convolution (SPD-Conv) module, aiming to improve the algorithm’s efficacy in recognizinglow-resolution and small-size objects. The algorithm’s feature extraction network is improved by using a LargeSelective Kernel (LSK) attention mechanism, which enhances the ability to extract relevant features. Additionally,the SIoU Loss function is used instead of the Complete Intersection over Union (CIoU) Loss to facilitate fasterconvergence of the algorithm. Through experimental verification, the improved yolov8n model achieves adetection accuracy of 88.8% on the test set. The recognition accuracy of cranes is improved by 2.9%, which isa significant enhancement compared to the unimproved algorithm. This improvement effectively enhances theaccuracy of recognizing foreign objects on transmission lines and proves the effectiveness of the new algorithm.

关键词： yolov8n data enhancement attention mechanism SPD-Conv Smoothed Intersection over Union(SIoU)Loss

来源：

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

基于改进yolov8n的复杂环境下柑橘识别

引用

农业工程学报 2024年第8期40卷 152-158页

作者：岳凯张鹏超王磊郭芝淼张家俊陕西理工大学机械工程学院汉中723001 陕西省工业自动化重点实验室汉中723001

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进yolov8n的柑橘识别模型yolov8-MEIn。首先,该研究设计了ME卷积模块并使用它改进yolov8n的C2f模块。其次,为了弥补CIoU损失函数在... 详细信息

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进yolov8n的柑橘识别模型yolov8-MEIn。首先,该研究设计了ME卷积模块并使用它改进yolov8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,yolov8-MEIn模型交并比阈值为0.5的平均精度均值mAP_(0.5)值为96.9%,召回率为91.7%,交并比阈值为_(0.5~0.95)的平均精度均值mAP_(0.5~0.95)值为85.8%,模型大小为5.8 MB,参数量为2.87 M。与原模型yolov8n相比,mAP_(0.5)值、召回率、mAP_(0.5~0.95)值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。

关键词：图像识别深度学习目标检测 yolov8n Inner-IoU损失函数复杂环境柑橘

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进yolov8n的茶叶嫩稍检测方法

引用

农业工程学报 2024年第12期40卷 165-173,F0003页

作者：杨大勇黄正栎郑昌贤陈宏涛江新凤南昌大学先进制造学院南昌330031 江西省经济作物研究所/江西省茶叶质量与安全控制重点实验室/特色果树茶叶种植与高值利用江西省重点实验室南昌330046

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对yolov8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggre... 详细信息

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对yolov8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PAnet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPn),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,m AP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCnn、yolov5n、yolov7n和yolov8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。

关键词：图像处理图像识别名优茶智能采摘茶叶嫩梢目标检测 yolov8n

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进yolov8n的轻量化红花识别方法

引用

农业工程学报 2024年第13期40卷 163-170页

作者：张新月胡广锐李浦航曹晓明张浩陈军杨亮亮西北农林科技大学机械与电子工程学院杨凌712100 北见工业大学工学部北海道090-8507

为解决智能化采收中红花识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种基于改进yolov8n的轻量化红花识别方法,以便将模型部署在移动端上进行目标检测。该研究应用Vanillanet轻量化网络结构代替yolov8n的骨干特征提取... 详细信息

为解决智能化采收中红花识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种基于改进yolov8n的轻量化红花识别方法,以便将模型部署在移动端上进行目标检测。该研究应用Vanillanet轻量化网络结构代替yolov8n的骨干特征提取网络,降低了模型的复杂程度;将大型可分离核注意力模块(large separable kernel attention,LSKA)引入特征融合网络,以降低存储量和计算资源消耗;将yolov8n的损失函数从中心点与边界框的重叠联合(center intersection of union, CIoU)替换为动态非单调的聚焦机制(wise intersection of union, WIoU)提升检测器的总体性能;并选用随机梯度下降算法(stochastic gradient descent, SGD)进行模型训练,以提高模型鲁棒性。试验结果表明,改进后的轻量化模型每秒传输帧数(frames per second, FPS)为123.46帧/s,与原yolov8n模型相比提高了7.41%,而模型大小为3.00MB,仅为原来的50.17%,并且精确度(precision, P)和平均精度值(mean average precision, mAP)达到了93.10%和96.40%,与yolov5s与yolov7-tiny检测模型相比,FPS分别提高了25.93%和19.76%,模型大小为原模型的21.90%和25.86%,研究结果可为后续红花的智能化采收装备研发提供技术支持。

关键词：图像识别模型目标检测 yolov8n Vanillanet 轻量化红花采摘

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于yolov8n改进的太阳能电池板缺陷检测

引用

红外技术 2024年

作者：高航祁云嵩江苏科技大学计算机学院

随着太阳能技术的快速发展，高效的太阳能电池片缺陷检测方法变得至关重要。传统的缺陷检测方法由于精度不足，难以满足工业应用的需求，特别是在检测微小或细微缺陷方面表现不佳。针对这一问题，本文提出了一种基于改进的yolov8n算法... 详细信息

随着太阳能技术的快速发展，高效的太阳能电池片缺陷检测方法变得至关重要。传统的缺陷检测方法由于精度不足，难以满足工业应用的需求，特别是在检测微小或细微缺陷方面表现不佳。针对这一问题，本文提出了一种基于改进的yolov8n算法，通过引入新的结构和损失函数来提高检测效果。首先，本研究设计了C2f＿RVB模块，该模块采用RepViTBlock技术优化了特征表达能力，并有效减少了模型参数。通过增强深层特征的表达，C2f＿RVB模块显著提升了对小目标缺陷的识别精度。其次，引入的TFE模块通过改善多尺度特征融合，增强了模型在检测微小缺陷方面的能力。此外，本文还采用了SSFF-Dysample模块，结合Dy Sample动态上采样技术，进一步优化了模型处理不同尺度特征的能力。最后，采用了Slide loss作为损失函数，优化了模型对难以识别样本的学习效率，尤其是在处理高度不均匀的缺陷分布时更为有效。经过实验验证，改进后的yolov8n模型在精度、召回率和平均精确率上分别比原始模型提高了6.7%、8%和8.5%，检测速度达到了221.7 FPS，充分满足了太阳能电池片缺陷检测的高效率和高精度需求。这些改进不仅提高了模型的性能，也为太阳能电池片缺陷检测提供了一种新的技术路径。

关键词：太阳能电池板缺陷检测 yolov8n C2f_RVB 特征融合

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向施工现场安全帽检测改进的yolov8n–DM算法研究

引用

安全与环境学报 2024年

作者：陈婷斯小瑞何自芬施斌昆明理工大学机电工程学院

进入施工场地未正确佩戴安全帽是导致人员伤亡的主要原因，但现有检测算法存在精确率低、复杂度高等问题。为此，提出了基于混合局部通道注意力和动态卷积改进yolov8n的安全帽佩戴检测算法yolov8n–DM，设计使用SIoU（Soft Intersection... 详细信息

进入施工场地未正确佩戴安全帽是导致人员伤亡的主要原因，但现有检测算法存在精确率低、复杂度高等问题。为此，提出了基于混合局部通道注意力和动态卷积改进yolov8n的安全帽佩戴检测算法yolov8n–DM，设计使用SIoU（Soft Intersection over Union）优化边界框回归损失函数提升预测框准确度和加快收敛速度。试验结果表明，相比原始yolov8n算法，该算法复杂度下降了15%，检测精确率提高了5百分点。相比yolov5s、yolov7–tiny等算法，所提算法的参数量、复杂度和模型尺寸均有所显著下降。该算法在自建数据集上的精确率达到了92.4%，处理每张图片用时2.2 ms，兼顾了高检测性能和实时性要求，更适用于实际施工现场的部署与应用。

关键词：安全工程安全帽目标检测 yolov8n 动态卷积(DC) 混合局部通道注意力(MLCA)

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

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

引用

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

来源：

同方期刊数据库评论

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RFCARep-yolov8n的光伏电池缺陷检测算法

引用

计算机工程与应用 2024年

作者：张冀王文彬余洋华北电力大学计算机系复杂能源系统智能计算教育部工程研究中心河北省能源电力知识计算重点实验室河北省分布式储能与微网重点实验室(华北电力大学(保定))

针对光伏电池缺陷图像存在目标遮掩、复杂背景以及人眼难以分辨的小目标缺陷等问题，提出一种基于感受野坐标注意力和重参数的yolov8n光伏电池缺陷检测算法，简记为RFCARep-yolov8n。首先，提出一种基于感受野坐标注意力的重参数模块代... 详细信息

针对光伏电池缺陷图像存在目标遮掩、复杂背景以及人眼难以分辨的小目标缺陷等问题，提出一种基于感受野坐标注意力和重参数的yolov8n光伏电池缺陷检测算法，简记为RFCARep-yolov8n。首先，提出一种基于感受野坐标注意力的重参数模块代替瓶颈模块进行特征提取，扩大对全局信息的关注度提高语义表达能力，抑制遮掩物和复杂背景的干扰；其次，在快速空间金字塔池化后添加可分离大核聚集模块，通过提高长距离特征依赖增强全局特征信息融合；最后，在特征融合部分使用多尺度序列特征融合颈部网络，结合多尺度辅助检测头，减少细节特征丢失，提高小目标缺陷检测能力。实验结果表明，该模型在PASCAL VOC数据集中较基准模型mAP@0.5和mAP@0.5:0.95分别提升2.3%和2.1%，同时在光伏缺陷数据集中mAP@0.5达到87.6%，较基准模型提升3.5%，参数量为3.23M，保持了基准模型的轻量参数同时提高检测性能。

关键词：光伏缺陷 yolov8n 感受野注意力特征融合重参数

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于改进yolov8n模型的多品种葡萄簇检测方法

引用

中国农机化学报 2024年第9期45卷 220-226页

作者：张传栋亓璐丁华立济宁学院数学与计算机应用技术学院山东曲阜273100

葡萄簇目标的精准检测是实现估产、采摘等作业的前提,现有方法难以实现多品种葡萄簇的轻量化精准检测。为提高复杂自然场景下多品种葡萄簇检测准确性、鲁棒性与泛化性,提出一种基于改进yolov8n模型的多品种葡萄簇检测模型ESIC-yolov8n,... 详细信息

葡萄簇目标的精准检测是实现估产、采摘等作业的前提,现有方法难以实现多品种葡萄簇的轻量化精准检测。为提高复杂自然场景下多品种葡萄簇检测准确性、鲁棒性与泛化性,提出一种基于改进yolov8n模型的多品种葡萄簇检测模型ESIC-yolov8n,该模型在yolov8n的Backbone和neck网络中分别添加EMA和SA注意力模块,以加强网络的特征提取和多尺度特征融合能力,降低因遮挡或重叠对葡萄簇检测的干扰,提高检测精度和召回率;在Head把CIoU替换成Inner-CIoU,利用辅助框提高重叠目标检测的准确性,从而提升模型整体的检测准确性和泛化性。ESIC-yolov8n模型的检测精度为87.00%,召回率为81.60%,mAP为88.90%,F1值为84.21%,较原yolov8n模型分别提高1.05%、2.90%、1.48%和2.00%。结果表明,ESIC-yolov8n模型具有准确率高、泛化性好、轻量化等优点,可为葡萄产量估计、采摘等研究提供技术支持。

关键词：葡萄簇检测目标检测 yolov8n 注意力机制

来源：

维普期刊数据库

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

基于改进yolov8n的变电设备红外图像实例分割算法

引用

电子测量技术 2024年第10期47卷 151-159页

作者：李冰杜喜英王玉莹翟永杰华北电力大学自动化系保定071003

变电设备是电网输变电过程的重要组成部分,为保证电网的正常运行,需对变电设备进行故障诊断,红外图像中变电设备的精确分割是故障诊断的关键步骤。针对红外图像复杂场景中变电设备分割时存在的分割精度低和漏分割的问题,提出一种基于改... 详细信息

变电设备是电网输变电过程的重要组成部分,为保证电网的正常运行,需对变电设备进行故障诊断,红外图像中变电设备的精确分割是故障诊断的关键步骤。针对红外图像复杂场景中变电设备分割时存在的分割精度低和漏分割的问题,提出一种基于改进yolov8n的变电设备红外图像实例分割算法。首先设计一种上下文引导的特征增强下采样块替换yolov8n中的下采样卷积层,充分利用上下文信息和全局信息,增强模型对复杂场景的理解能力;然后引入可变形卷积重构Backbone中的C2f模块,增强对不规则设备特征的提取能力;最后用Wise-IOUv2对损失函数进行优化,提高模型的泛化性和分类能力。使用变电设备红外图像数据集对该模型进行实验验证,实验结果表明,相较于yolov8n基准模型,本文所提方法的mAP50和mAP50:95分别提高了4.2%和3.5%,所提方法能够较好地解决复杂场景下设备漏分割的问题,有效提高变电设备实例分割的准确率。

关键词：变电设备实例分割 yolov8n 可变形卷积 Wise-IOUv2

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：