- 夏少芳;曹博言;
针对工业生产流水线中钢材表面缺陷检测精度低、漏检和误检率高等问题,提出了一种改进YOLOv5的钢材表面缺陷检测算法。改进的YOLOv5算法中,利用视觉变换器对主干网络进行优化,提高了检测精度,同时创建了更加轻量级的模型,更加适用于边缘计算设备和嵌入式设备;通过引入加权交并比,在处理高精度与低精度锚点时实现了均衡;通过引入双层级路由注意力机制,使得模型能更精准地提取钢铁表面的纹理与缺陷特征。钢材表面缺陷数据集上的实验结果表明,改进后的YOLOv5算法对钢材表面缺陷检测具有良好的检测性能,优于其他对比的算法。改进YOLOv5算法的平均精度均值mAP@0.5相对于YOLOv5算法提高了8%,其他各项指标也都有涨点,实现了钢材表面缺陷的精确检测。
2026年02期 v.41;No.162 111-121页 [查看摘要][在线阅读][下载 440K] [下载次数:34 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:0 ] - 吕金隆;张得龙;
针对无人机航拍图像识别技术存在的弊端(模型体积大导致在移动端部署困难、图像中目标尺寸小导致识别精度低、密集目标分布导致漏检率高等),提出了一种基于YOLOv8n的轻量级无人机航拍图像目标检测算法,命名为DAI-YOLO。首先,增加小目标检测头P2,删除整个20×20的特征层,特征融合层融入320×320的C1特征层。其次,设计了新的跨尺度特征融合模块EF-Block和新的特征融合结构CGFPN,增强了模型特征融合能力。最后,使用RFACBAM替换主干网络的标准卷积,在不增加模型复杂度的同时增强模型的特征提取能力。在VisDrone2019数据集上进行了实验评估,结果表明:本文提出的算法与原模型相比精确率达到了52.8%,提升了9.2%,召回率达到了42.7%,提升了9.0%,平均精度均值mAP@0.5达到了43.9%,提升了10.4%,体现了改进模型的有效性。
2026年02期 v.41;No.162 122-134页 [查看摘要][在线阅读][下载 827K] [下载次数:34 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:0 ] - 孙辉;张得龙;吕金隆;孙小霞;
针对温室种植环境中茄子果实病虫害检测所面临的场景复杂、边缘部署难题以及模型参数量和时间复杂度高等挑战,提出了一种LDSE-YOLO深度学习算法。该算法基于YOLOv11n,在其主干网络和颈部结构中引入轻量化DSConv2d卷积,取代部分标准卷积操作,并嵌入ESE注意力机制,以增强模型对病虫害特征的提取与整合能力,进而提升模型的检测精度和召回率。此外,通过在头部将YOLOv11n的损失函数优化为Shape-NWD,加速了改进后的LDSE-YOLO模型的收敛速度,并有效降低了检测损失。与YOLOv11n等5个基线模型相比,LDSE-YOLO算法在公开的茄子果实病虫害数据集上展现出显著的性能提升:1)性能平均精度均值mAP@0.5和mAP@0.5:0.95分别提高约11个百分点和7个百分点;2)在模型参数量和时间复杂度方面,参数量平均减少了约22.36%,计算量平均降低了约12.68%。通过YOLOv8n~YOLOv12n等模型的对比分析,在茄子病虫害检测任务中,LDSE-YOLO算法的优越性得到了充分凸显。该算法为智慧农业生产中茄子病虫害的高效检测提供了坚实的理论支撑,具有重要的理论应用价值。
2026年02期 v.41;No.162 135-147页 [查看摘要][在线阅读][下载 1258K] [下载次数:50 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:0 ]