期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLO11的单目视觉门机智能测距方法 认领 引用
1
作者 刘温良 彭国兰 《顺德职业技术学院学报》 2026年第2期54-63,共10页
散货码头装卸作业环境复杂,且智能化水平相对较低,存在很大的安全隐患。为了减少门机作业的安全隐患,提出一种基于改进YOLO11的单目视觉测距方法。通过在YOLO11的主干网络中嵌入多尺度注意力机制MSLA,提高小目标的识别精度,并利用单目... 散货码头装卸作业环境复杂,且智能化水平相对较低,存在很大的安全隐患。为了减少门机作业的安全隐患,提出一种基于改进YOLO11的单目视觉测距方法。通过在YOLO11的主干网络中嵌入多尺度注意力机制MSLA,提高小目标的识别精度,并利用单目视觉测距算法实时测量门机夹具与目标对象之间距离,当测量结果小于安全阈值时,及时发出声光报警。理论分析和实验结果表明:在门机作业的目标检测任务中,改进YOLO11模型的精度和mAP@0.5分别达到了88.6%和91.0%,比YOLO11模型分别提高了10.2%和1.9%,改进YOLO11模型的FLOPS与YOLO11原模型相同,均为6.3G,属轻量级模型。实际测距结果表明:该智能测距方法误差控制在厘米级,并且满足实时性要求,能有效减少安全隐患。 展开更多
关键词 散货码头 改进YOLO11算法 智能测距
暂未订购 下载PDF
基于YOLO11融合LADH与FasterConv的敦煌壁画轻量化检测 认领 引用
2
作者 卢文奇 《计算机时代》 2026年第6期33-39,共7页
近年来,深度学习领域取得显著进展,尤其在目标检测算法方面。然而,受敦煌壁画图像复杂背景、目标尺寸多样化、壁画超高分辨率等因素制约,通用算法难以适配,需要针对性解决方案。因此,本文基于YOLO11模型提出一种新型轻量级目标检测算法... 近年来,深度学习领域取得显著进展,尤其在目标检测算法方面。然而,受敦煌壁画图像复杂背景、目标尺寸多样化、壁画超高分辨率等因素制约,通用算法难以适配,需要针对性解决方案。因此,本文基于YOLO11模型提出一种新型轻量级目标检测算法。首先,采用新的轻量级非对称检测头(LADH-Head),替代YOLO11模型中的原始检测头;其次,引入卷积门控线性单元(CGLU)模块;最后,采用快速卷积(FasterConv)模块替换YOLO11骨干网络中的C3模块。在敦煌壁画图像数据集上的实验结果证明,相较于基础YOLO11算法,模型的召回率、平均精度(mAP)分别提升4.1%、2.8%,凸显了模型在敦煌壁画图像目标检测中的优越性能,为敦煌壁画图像的目标检测提供了高效、轻量的解决方案。 展开更多
关键词 目标检测 敦煌壁画图像 YOLO11算法 卷积门控线性单元
暂未订购 下载PDF
基于改进YOLO11的岩石矿物检测方法 认领 引用 被引量：1
3
作者 徐岁寒 王倩 窦寅丰 《黑龙江大学工程学报（中英俄文）》 2025年第3期64-72,共9页
在矿产资源丰富的背景下,高效又准确识别矿产资源至关重要。深度学习技术的广泛应用使智能化矿物检测成为可能,既克服了传统方法依赖主观经验的局限,又支持大规模检测。提出了一种基于深度学习的岩石矿物检测模型,借助公开的Roboflow数... 在矿产资源丰富的背景下,高效又准确识别矿产资源至关重要。深度学习技术的广泛应用使智能化矿物检测成为可能,既克服了传统方法依赖主观经验的局限,又支持大规模检测。提出了一种基于深度学习的岩石矿物检测模型,借助公开的Roboflow数据集网站使用改进后的YOLO11算法进行岩石矿物检测。利用剪枝对YOLO11矿物检测模型进行层自适应幅度的剪枝操作(Layer-adaptive magnitude based pruning, LAMP),同时用基于跨任务协议不一致性的桥接的知识蒸馏技术(Backward compatiable knowledage distillation, BCKD)帮助剪枝后的模型学习隐藏特征信息。结果表明,改进后的模型在保持推理精度的前提下将模型大小压缩至13.3 MB,提高了检测速度的同时也为矿物检测模型部署到设备打下基础。 展开更多
关键词 深度学习 矿物检测 YOLO11算法
暂未订购 下载PDF
融合非对称卷积与辅助感知的车辆跟踪算法 认领 引用
4
作者 周顺勇 周思利 +2 位作者 刘云峰 蒲虹旭 张惠琴 《计算机工程与设计》 北大核心 2026年第7期2089-2098,共10页
针对复杂交通环境中车辆检测与跟踪面临的多目标密集、遮挡频繁与小目标识别困难等挑战,提出一种检测-跟踪协同优化的改进算法。在检测阶段,在YOLO11算法中引入非对称填充瓶颈结构以增强方向感知能力,并设计深度辅助感知模块提升多尺度... 针对复杂交通环境中车辆检测与跟踪面临的多目标密集、遮挡频繁与小目标识别困难等挑战,提出一种检测-跟踪协同优化的改进算法。在检测阶段,在YOLO11算法中引入非对称填充瓶颈结构以增强方向感知能力,并设计深度辅助感知模块提升多尺度特征融合效率;在跟踪阶段,结合DeepSORT算法提出通道-方向注意力模块,增强目标特征判别性,优化遮挡场景下的跨帧匹配。在KITTI和UA-DETRAC数据集上的实验结果表明:该方法在检测指标(mAP50:93.2%,mAP50-95:72.5%)与跟踪指标(MOTA:72.43%,IDF1:75.89%)上均优于对比模型,尤其在小目标与遮挡场景中表现优异,为智能交通系统中的车辆监控提供了有效的技术方案。 展开更多
关键词 车辆检测 多目标跟踪 YOLO11算法 DeepSORT算法 非对称卷积 辅助感知 通道方向注意力
暂未订购 下载PDF
SPD-YOLO:A Novel Lightweight YOLO Modelfor Road Information Detection 认领 引用
5
作者 Guoliang Li Xianxin Ke +1 位作者 Tao Xue Xiangyu Liao 《Journal of Beijing Institute of Technology》 EI CAS 2025年第5期482-495,共14页
Rapid and high-precision speed bump detection is critical for autonomous driving and road safety,yet it faces challenges from non-standard appearances and complex environments.To address this issue,this study proposes... Rapid and high-precision speed bump detection is critical for autonomous driving and road safety,yet it faces challenges from non-standard appearances and complex environments.To address this issue,this study proposes a you only look once(YOLO)algorithm for speed bump detection(SPD-YOLO),a lightweight model based on YOLO11s that integrates three core innova-tive modules to balance detection precision and computational efficiency:it replaces YOLO11s’original backbone with StarNet,which uses‘star operations’to map features into high-dimensional nonlinear spaces for enhanced feature representation while maintaining computational efficiency;its neck incorporates context feature calibration(CFC)and spatial feature calibration(SFC)to improve detection performance without significant computational overhead;and its detection head adopts a lightweight shared convolutional detection(LSCD)structure combined with GroupNorm,minimizing computational complexity while preserving multi-scale feature fusion efficacy.Experi-ments on a custom speed bump dataset show SPD-YOLO achieves a mean average precision(mAP)of 79.9%,surpassing YOLO11s by 1.3%and YOLO12s by 1.2%while reducing parameters by 26.3%and floating-point operations per second(FLOPs)by 29.5%,enabling real-time deploy-ment on resource-constrained platforms. 展开更多
关键词 lightweight object detection road speed bump detection YOLO11 algorithm
暂未订购 下载PDF
基于机器视觉的两阶段电法监测突水实时预警 认领 引用
6
作者 孙文斌 丁铭康 +3 位作者 梁丽娟 杨辉 张晓波 褚怡心 《煤炭学报》 EI CAS CSCD 北大核心 2025年第12期5286-5299,共14页
深部采掘工作面处于高地应力、高水压等复杂地质环境,使得突水灾害问题变得愈发严峻。随着人工智能技术的快速发展以及智慧矿山建设的不断推进,深度学习和计算机视觉在矿山安全监测领域逐渐被推广应用,为降低突水灾害风险提供了新路径... 深部采掘工作面处于高地应力、高水压等复杂地质环境,使得突水灾害问题变得愈发严峻。随着人工智能技术的快速发展以及智慧矿山建设的不断推进,深度学习和计算机视觉在矿山安全监测领域逐渐被推广应用,为降低突水灾害风险提供了新路径。针对深部矿井的突水实时预警需求,创新性地将深度学习、机器视觉与电法监测相结合,提出了一种基于机器视觉的两阶段电法监测突水实时预警技术。监测过程分为2个先后阶段,即视觉识别阶段与分析决策阶段。在视觉识别阶段中,使用训练好的轻量化深度学习模型YOLO11s快速精准识别图像中的低阻区域并获取其位置坐标。随后将位置坐标传入分析决策阶段,在分析决策阶段中,使用OpenCV-HSV颜色过滤算法从个数、面积占比、颜色深度3个维度分析已识别的低阻区域的灾变特征,综合判断低阻区域是否为风险区域,并采用自动决策机制触发多级预警。结果表明:YOLO11s模型能够准确评估水源是否会导致突水问题,实现了自动决策触发多级预警,克服了其他监测手段在实时监测、灾变分析、早期预警等方面存在的局限;YOLO11s模型在识别低阻区任务中mAP达到90.2%,模型平均推理速度每帧34.6 ms,模型平均处理速率为28 FPS。相较于YOLOv8、YOLOv5、Fast R-CNN具有更强的性能,能够实现对低阻区的精准、快速识别;系统使用的OpenCV-HSV颜色过滤算法对单帧图片的平均分析决策时间为7 ms,实现了对突水的实时预警。 展开更多
关键词 电法监测 两阶段 深度学习 机器视觉 突水实时预警 YOLO11s OpenCV-HSV颜色过滤算法
暂未订购 下载PDF
边缘细节增强的肺炎胸部X射线病灶定位 认领 引用
7
作者 臧佳明 郑力新 +1 位作者 何建海 潘书万 《华侨大学学报（自然科学版）》 CAS 2025年第5期493-504,共12页
设计一种基于YOLO11s算法改进的YOLO11s-SAD算法,用于缓解微小病灶难以检测、复杂背景下病灶定位效果差和误检、漏检等情况。首先,设计空间边缘信息融合(SEIF)模块,使用基于Sobel算子实现的边缘检测与最大池化操作并行处理输入图像,以... 设计一种基于YOLO11s算法改进的YOLO11s-SAD算法,用于缓解微小病灶难以检测、复杂背景下病灶定位效果差和误检、漏检等情况。首先,设计空间边缘信息融合(SEIF)模块,使用基于Sobel算子实现的边缘检测与最大池化操作并行处理输入图像,以提升主干对病灶边缘的特征提取能力。然后,使用ASF-Neck作为新的颈部网络,通过优化特征融合机制更好地捕捉多尺度特征之间的相互关系。最后,使用动态上采样(DySample)替换了ASF-Neck中尺度序列特征融合(SSFF)模块内的双线性插值,减少上采样过程中肺炎细节特征的丢失,并采用Adam优化器进行模型参数优化。结果表明:文中算法在不显著增加参数量和浮点运算量的情况下,平均精度均值可以达到57.9%,相较于基准算法提升3.4%,其病灶定位效果优于其他主流检测算法。 展开更多
关键词 肺炎检测 病灶定位 辅助诊断 SEIF模块 YOLO11算法
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈