- 博客(53)
- 收藏
- 关注
RSS订阅原创 【YOLOv26挖掘机作业状态识别与分类】深度学习Python代码实现详解
本文介绍了基于YOLOv26的挖掘机作业状态识别系统。该系统采用最新YOLOv26目标检测算法，针对挖掘机作业场景进行优化，能够识别"挖掘"、"装载自卸卡车"、"空斗摆动"和"满斗摆动"四种作业状态。YOLOv26采用端到端无NMS设计，简化部署流程，提升推理速度43%。文章详细阐述了数据集构建、模型训练优化及Python实现过程，展示了该技术在工程机械自动化监测中的应用前景。实验结果表明，该系统能有效识别挖掘机不同作业状态，为
2026-01-28 17:40:26
963
原创 目标检测系列：珠宝饰品识别与分类_YOLOv26实现
通过本文，我们详细介绍了如何使用YOLOv26实现珠宝饰品的识别与分类。从数据集准备、模型训练到部署应用，我们涵盖了整个流程的关键环节。💡YOLOv26凭借其端到端设计、MuSGD优化器和改进的损失函数，在珠宝识别任务中表现出色。🎯 特别是对于小尺寸珠宝的检测，相比传统YOLO模型有显著提升。多模态融合🔄结合图像和3D信息利用触觉传感器数据融合材质和光谱信息持续学习📚增量学习能力概念漂移适应少样本学习机制可解释性🔍可视化决策过程特征重要性分析反馈机制设计。
2026-01-28 14:23:49
809
原创 生活垃圾智能分类与识别_YOLOv26实现金属玻璃塑料垃圾精确检测_1
本文介绍基于YOLOv26的智能垃圾分类系统，采用包含9,000张金属、玻璃、塑料等垃圾图像的数据集，通过精细标注和多种数据增强技术（几何变换、颜色调整、噪声添加等）提升模型泛化能力。系统使用YOLOv26s模型进行训练，引入注意力机制强化特征提取，配置了100轮次训练及16批次大小等优化参数。实验表明，该系统能高效识别多类垃圾，为环保领域提供智能化解决方案。
2026-01-28 12:18:08
1154
原创 YOLOv26鱼类目标检测与识别实现
鱼类目标检测与识别实现摘要 本文介绍了一个基于YOLOv26模型的鱼类目标检测系统实现方案。主要内容包括： 数据集准备：构建自定义COCO格式数据集，包含图像加载、标签处理和数据集划分功能，支持多种数据增强技术。 数据加载器实现：定义训练和验证数据加载器，处理不同尺寸的标签数据，并实现批量数据组织。 数据预处理：实现图像填充到正方形、随机翻转等变换方法，确保输入数据格式统一。 模型训练流程：包括数据增强、损失计算和验证评估等关键步骤。 该系统能够有效识别和定位鱼类目标，适用于水产养殖、生态监测等领域。文章详
2026-01-28 10:33:17
750
原创 【深度学习】基于YOLOv26的击剑运动员姿态识别与动作分析系统_1
首次将YOLOv26应用于击剑姿态识别，实现了高精度的关键点检测设计了针对击剑动作特点的评估体系，实现了专业化的动作分析开发了完整的端到端系统，从数据采集到结果展示形成闭环尽管本研究在基于改进YOLOv26的击剑运动员姿势识别方面取得了一定成果，但仍存在一些局限性有待进一步完善。首先，数据集规模相对有限，仅包含特定场景和水平的击剑运动员动作，可能影响模型的泛化能力。其次，研究主要关注静态姿势识别，对于连续动作序列的时序特征分析不够深入。
2026-01-27 21:09:45
865
原创 基于YOLOv26的纽约标志性建筑识别与分类系统实现与训练_2
本文介绍了基于YOLOv26的纽约标志性建筑识别系统实现方法。系统采用包含10类建筑的5000张图像数据集，通过严格标注确保质量。YOLOv26模型凭借端到端无NMS推理、MuSGD优化器等优势，在精度和速度上表现优异。训练过程使用数据增强技术提升泛化能力，并提供n/m/x三种模型变体适应不同需求。系统可实现建筑检测与分类，并通过可视化界面展示结果。实验表明，该方法能有效识别自由女神像、帝国大厦等地标建筑，为城市景观识别提供了实用解决方案。
2026-01-27 19:26:07
692
原创 传送带上罐体识别与分类_YOLOv26模型实现与优化_1
本文聚焦YOLO系列目标检测模型的演进与应用，重点解析了从YOLOv3到YOLOv13的技术创新路径。文章首先介绍了工业检测数据集ECO v5 Only cans的特性，随后系统分析了各版本YOLO的核心创新：YOLOv3的多尺度检测和Darknet-53骨干网络、YOLOv5的轻量化设计与自适应锚框、YOLOv8的Anchor-Free架构，以及最新YOLOv13集成的Transformer和Mamba技术。通过对比表格展示了不同模型的性能差异，并提供了模型选型建议：新手推荐YOLOv5，平衡需求选择YO
2026-01-27 11:09:14
1028
原创 【电子元件识别】基于YOLOv26的电阻器与电容器自动分类系统
本文介绍了一种基于YOLOv26的电阻器与电容器自动分类系统，该系统通过先进的深度学习算法实现了对电子元件的高精度识别与分类。系统采用端到端的检测架构，无需NMS后处理步骤，大大简化了推理过程；同时通过DFL移除、MuSGD优化器等创新点，提高了模型的检测精度和推理速度。实验结果表明，系统在自建的电子元件数据集上取得了97.0%的mAP@0.5得分，推理速度达到27.5FPS，完全满足实际应用的需求。
2026-01-25 16:13:30
1051
原创 瓷砖表面缺陷检测_YOLOv8超参数优化实现
本文提出了一种基于改进YOLOv8的瓷砖表面缺陷检测方法。针对瓷砖缺陷检测中存在的纹理复杂、反光性强、缺陷多样等挑战，通过超参数优化和模型结构改进提升检测性能。采用数据增强策略扩充数据集，优化学习率、批次大小等关键超参数，并引入超图计算模块和多尺度注意力网络改进模型结构。实验结果表明，改进后的YOLOv8模型在各类缺陷检测上取得较好效果，mAP@0.5达到0.90，比原始YOLOv8提高4个百分点。通过模型轻量化处理，在保持85%以上精度的同时，参数量减少60%，满足工业实时检测需求。研究为瓷砖行业质量检测
2026-01-22 16:20:30
950
原创 深度学习新突破：YOLOv10n-EMBSFPN如何革新螺旋模式识别与分类任务？_2
YOLOv10n-EMBSFPN模型在螺旋模式识别领域取得突破性进展。该模型结合YOLOv10n的高效检测能力和EMBSFPN的多尺度特征提取优势，显著提升了螺旋结构的识别精度。实验结果显示，在医疗影像和工业检测等应用中，模型mAP达到0.856，推理速度仅6.2ms。创新性的多分支结构和自适应梯度计算使模型能精准捕捉螺旋特征的梯度变化，特别适用于复杂螺旋结构的识别。该技术已在医疗肿瘤检测和工业零件质量检测中实现高效部署，展现出广阔的应用前景。
2026-01-22 14:49:23
1009
原创 基于YOLO11多骨干网络的太阳能面板检测与地表覆盖分类研究
摘要：本研究基于YOLO11多骨干网络架构，提出了一种改进的太阳能面板检测与地表覆盖分类方法。针对太阳能面板检测的小目标、密集分布等特殊挑战，研究采用了特征金字塔网络增强、注意力机制引入、多尺度训练策略等改进措施。实验结果表明，YOLOv11多骨干网络在检测精度上显著优于其他方法，mAP达到91.2%。同时，研究还探讨了地表覆盖分类的多标签分类、语义分割等方法，实现了对太阳能面板周边环境的精细识别。该研究为太阳能资源调查和可再生能源设施监测提供了有效的技术方案。
2026-01-22 13:22:28
921
原创 小型机械零件识别与分类--基于YOLO12-A2C2f-DFFN-DYT模型的创新实现
本文介绍了一种基于YOLO12-A2C2f-DFFN-DYT模型的小型机械零件识别与分类系统，通过引入多种创新结构，实现了高精度、高效率的零件识别。该系统采用边缘计算架构，可以在没有网络连接的情况下独立运行，大大提高了系统的可靠性和响应速度。实验结果表明，我们的模型相比基准YOLOv5s，mAP@0.5提升了5.6个百分点，达到了92.8%的识别精度。优化后的模型在NVIDIA Jetson Nano上可以达到30FPS的推理速度，完全满足实时检测的需求。
2026-01-22 11:47:07
926
原创 柿子目标检测实战：YOLO11-HSFPN网络优化与性能分析
本文详细介绍了基于YOLO11-HSFPN的柿子目标检测系统的设计与实现，包括网络结构优化、数据集构建、模型训练与性能评估等关键环节。实验结果表明，我们的方法在柿子检测任务上取得了优异的性能，mAP达到89.2%，同时保持了较高的检测速度，满足了实际应用需求。多模态融合：结合RGB和深度信息，提高在复杂环境下的检测精度3D检测：扩展到3D空间，实现柿子空间位置的精确定位采摘路径规划：基于检测结果，实现自动化采摘路径规划。
2026-01-21 19:10:00
791
原创 【目标检测】钙钛矿晶体YOLO11-GhostDynamicConv模型改进与实现_1
本文针对钙钛矿晶体缺陷检测任务，提出了一种基于GhostDynamicConv的YOLOv11改进模型。通过在骨干网络中引入GhostDynamicConv模块，优化颈部网络结构，并改进检测头，我们的模型在保持高检测精度的同时，显著降低了模型复杂度和计算量，提高了推理速度。实验结果表明，与原始YOLOv11和其他主流模型相比，我们的模型在mAP@0.5上达到0.898，参数量减少32.7%，计算量降低28.5%，推理速度提升21.3%。特别是在弱光、阴影等挑战性条件下和小目标检测方面，性能优势更为显著。
2026-01-21 17:27:11
924
原创 YOLO11-HGNetV2在钟摆摆球检测中的应用：基于语义分割的高精度目标识别方法研究
本文研究了YOLO11-HGNetV2模型在钟摆摆球检测中的应用，提出了一种基于语义分割的高精度目标识别方法。该方法将YOLOv11与HGNetV2骨干网络相结合，通过多尺度特征融合和高效通道注意力机制，显著提升了检测精度和速度。实验结果表明，该模型在自建数据集上达到89.7%的mAP，相比其他YOLO版本具有明显优势。同时，模型参数量仅4.2M，适合嵌入式设备部署。研究还探讨了语义分割与目标检测的融合策略，通过针对性数据增强和优化损失函数，有效解决了小目标检测问题。项目已开源并提供完整数据集，在物理教学和
2026-01-21 15:57:33
608
原创 计算机视觉技术实现水样与血液样本中多种寄生虫卵自动识别研究
本研究基于计算机视觉技术开发了一种水样与血液样本中多种寄生虫卵的自动识别系统。针对传统显微镜检测效率低、主观性强的问题，该系统采用改进的YOLOv5模型，通过图像预处理、多尺度特征融合和注意力机制，实现了寄生虫卵的高效检测。实验结果表明，该系统mAP@0.5达到0.893，推理速度16.2ms，优于传统方法和其他主流模型。不同种类寄生虫卵的检测准确率在87.6%-93.2%之间，显著提高了检测效率和准确性，为寄生虫感染的临床诊断提供了可靠的技术支持。
2026-01-21 14:17:55
786
原创 目标检测论文解读复现之六基于RetinaNet的考拉检测方法
摘要：本文研究基于RetinaNet的考拉检测方法，针对考拉种群数量急剧下降的现状，提出利用深度学习技术进行高效检测。RetinaNet通过Focal Loss解决样本不平衡问题，结合FPN网络实现多尺度特征提取。研究详细阐述了数据集构建、数据增强策略和模型训练优化方法，包括混合精度训练、损失函数调整和学习率调度等关键技术。实验结果表明，该方法在考拉检测任务中兼具速度和精度优势，为野生动物保护提供了有效技术手段。（149字）
2026-01-19 12:58:23
1001
原创 【玉米籽粒检测系列】基于YOLOv8与EfficientViT的智能识别系统实战
1.4. 摘要总结 本文介绍了一套基于YOLOv8和EfficientViT的玉米籽粒智能检测系统。该系统采用模块化设计，主要包含： 技术架构：结合YOLOv8目标检测和EfficientViT特征提取技术，实现高效精准的玉米籽粒识别 主界面设计：采用PyQt5开发，包含用户管理、模型训练和识别三大核心功能模块 交互体验：通过网格布局、动画效果和角色权限控制，提供直观友好的用户界面 系统亮点： 融合目标检测与Transformer技术，平衡精度与效率 响应式界面设计，支持不同用户权限 模块化架构便于功能扩展
2026-01-19 11:32:24
949
原创 YOLOv8轻量级改进：slimneck-prune技术实现番茄大小分选与成熟度识别
本文介绍了基于改进YOLOv8的番茄大小分选与成熟度识别系统。该系统采用SlimNeck-prune轻量化技术优化模型结构，通过多尺度特征融合和通道剪枝实现高效检测。硬件平台包含工业相机、光源和传送带，软件算法涵盖图像处理、目标检测、特征提取和分级分类。系统可同时实现番茄大小分级（小/中/大）和成熟度识别（基于颜色特征），相比传统机械分选具有无损、高效等优势。实验表明，改进后的YOLOv8模型在保持精度的同时显著降低了计算量，适用于工业自动化分选场景。
2026-01-11 16:50:29
845
1
原创 网球检测_YOLO13-C3k2-EfficientVIM改进实现与性能分析
本文提出了一种基于改进YOLOv13的网球检测算法C3k2-EfficientVIM。该算法通过融合EfficientVIM的高效多尺度特征集成能力和YOLO的目标检测框架，显著提升了网球检测性能。EfficientVIM采用特征提取、多尺度融合、高效注意力和预测头四个模块，结合轻量级设计和自适应特征融合机制。特别地，C3k2模块引入多分支结构和跨尺度连接，在降低30%计算量的同时增强特征表达能力。实验采用10,000张标注图像数据集，通过数据增强和优化训练策略，模型能够有效处理网球检测中的尺度变化、运动模
2026-01-11 15:10:22
842
原创 云顶之弈YOLOv8角色检测：从SOEP-PST到AI辅助决策系统
摘要： 本文介绍了基于YOLOv8的云顶之弈角色检测系统及AI辅助决策方案。通过构建SOEP-PST数据集（含10万+图像，50+角色类别），结合优化的YOLOv8模型（采用C2f模块和AFPN网络），实现92.3%的mAP和40FPS实时检测。系统集成屏幕捕获、TensorRT加速和多线程处理，并构建知识图谱驱动的决策模块，可提供阵容、装备等策略建议，实测提升玩家胜率15%。未来计划扩展跨平台支持，并融合大语言模型增强分析能力。该系统兼具电竞训练、游戏平衡分析等应用潜力。
2026-01-11 13:35:04
1106
原创 烟草叶片病害检测_YOLO11-C3k2-MSBlock模型详解
本文提出了一种改进的YOLO11模型（C3k2-MSBlock）用于烟草叶片病害检测。针对传统方法效率低、精度差的问题，该模型通过融合多尺度卷积和注意力机制，显著提升了小目标病害的检测能力。在自建数据集（368张图像，11类病害）上的实验表明，改进模型的mAP达到0.912，比原始YOLO11提升7%，同时保持47FPS的实时性能。经轻量化处理后，模型体积减小47%，可在树莓派等边缘设备上部署应用。该研究为精准农业中的病害检测提供了有效解决方案。
2026-01-11 11:58:29
1023
原创 【目标检测实战】基于YOLO11-FocalModulation的冲浪者识别系统
我们的系统采用了基于YOLO11-FocalModulation的深度学习模型，该模型结合了YOLO11的高效检测能力和FocalModulation的注意力机制，特别适合处理冲浪者在复杂海浪背景下的检测任务。本文介绍了一种基于YOLO11-FocalModulation的冲浪者识别系统，该系统结合了最新的YOLO11架构和FocalModulation注意力机制，能够有效处理复杂海浪背景下的冲浪者检测任务。
2026-01-11 10:29:33
947
原创 变电站设备智能检测与识别_SABL_RetinaNet实现_1
本文介绍了基于SABL和RetinaNet的变电站设备智能检测方法。通过将SAML的无锚框检测机制与RetinaNet的高精度特征提取能力相结合，我们实现了对变电站设备的准确检测。实验结果表明，该方法在检测精度和速度上均表现优异，具有良好的应用前景。💪变电站设备检测是电力系统运维的重要环节，智能检测技术的应用将大大提高运维效率，降低人工成本。未来，我们将继续优化算法，探索多模态融合、3D检测等新技术，为变电站设备检测提供更强大的解决方案。🚀。
2026-01-10 19:04:08
893
原创 基于YOLO11-C3k2-Faster-CGLU的草莓成熟度检测与分类系统
本文提出了一种基于改进YOLO11架构的草莓成熟度检测系统，通过引入C3k2-Faster-CGLU模块显著提升了检测性能。系统采用动态通道选择机制和门控单元优化特征提取，在自建数据集上达到92.3%的mAP0.5，比原始模型提升5.3%。实验表明，改进后的模型在遮挡和复杂光照条件下仍保持较高精度，推理速度达45FPS。通过轻量化处理，系统可部署于边缘设备，为草莓自动化分级采摘提供了高效解决方案。该技术有望扩展到其他农产品检测领域，推动智慧农业发展。
2026-01-10 17:31:58
951
原创 【计算机视觉系列】：基于YOLOv8-RepHGNetV2的鱿鱼目标检测模型优化与实现
本文提出了一种基于YOLOv8-RepHGNetV2的鱿鱼目标检测模型优化方法。针对复杂海洋环境下鱿鱼检测的挑战，模型采用改进的RepHGNetV2作为骨干网络，引入CBAM注意力机制和自适应特征融合模块，增强特征提取能力；改进的PANet颈部网络结合多尺度特征融合策略，提升对不同尺寸鱿鱼的检测性能。实验表明，该模型在保持检测效率的同时，显著提高了鱿鱼检测的精度和鲁棒性，为海洋生物监测提供了有效的技术方案。
2026-01-10 15:54:46
1097
原创 工业零件视觉识别与定位系统_基于cascade-rcnn的实现
本文提出基于Cascade-RCNN的工业零件视觉识别系统，通过改进特征金字塔网络和区域提议网络，实现多尺度特征融合。系统采用模块化设计，包含数据预处理、模型训练、部署和分析四大模块。实验表明，该系统在工业零件数据集上mAP达92.5%，较传统方法提升15.3%，检测时间缩短至0.1秒以内。创新点包括：1)引入注意力机制的特征提取公式；2)多尺度锚框生成策略；3)模型剪枝与量化技术。系统已成功部署于生产线，检测精度达95%以上，显著提升工业自动化水平。
2026-01-10 14:20:13
674
原创 YOLOV8-MFM改进提升优质波浪检测性能
本文提出了一种基于YOLOV8的MFM改进方法，通过多尺度特征融合显著提升了波浪检测性能。该方法在骨干网络中引入自适应特征融合模块，增强了模型对复杂波浪特征的提取能力。实验结果表明，改进后的YOLOV8-MFM模型在海洋波浪数据集上mAP提升5.7%，达到88.0%，同时保持62FPS的实时检测速度。消融实验验证了MFM模块的有效性，为海洋环境监测提供了更高效的技术方案。未来可进一步探索轻量化设计和多模态数据融合。
2026-01-04 09:32:43
832
原创 YOLO13-C3k2-AdditiveBlock：公共交通工具检测与识别模型优化
本文提出了一种改进的YOLO13-C3k2-AdditiveBlock模型用于公共交通工具检测。针对原始C3k2模块在复杂场景下表现不足的问题，创新性地引入AdditiveBlock模块，通过加法注意力机制增强特征表示能力。改进后的模型在保持计算效率的同时，mAP@0.5指标提升4.4个百分点。实验表明，该模型在密集车辆、恶劣天气等复杂场景下表现优异，轻量化处理后仍能保持实时检测性能，适合智能交通系统部署。未来将进一步优化注意力机制和轻量化策略。
2026-01-04 08:58:46
1090
原创 基于YOLO11与全局边缘信息传递的冰川湖检测研究_3
本文提出了一种基于YOLO11与全局边缘信息传递的冰川湖检测新方法，有效解决了传统检测技术在复杂地形和恶劣环境下的局限性。研究针对传统方法存在的三大痛点：检测精度不足、边缘识别模糊和小目标漏检问题，创新性地将YOLO11目标检测框架与全局边缘信息传递模块相结合。实验结果表明，该方法在精确率(92.3%)、召回率(88.7%)、F1值(90.4%)和mAP(94.2%@0.5)等关键指标上均显著优于传统方法，同时保持了28FPS的实时处理速度。特别值得注意的是，新方法在边缘保持指数(EPI)上达到0.82，较
2026-01-02 12:09:38
1981
原创 道路积水场景识别与分割：基于RetinaNet的道路积水检测与实例分割实现
本文提出了一种基于RetinaNet的道路积水检测与实例分割方法。通过构建专业积水数据集并设计数据增强策略，优化RetinaNet模型架构，采用多任务损失函数实现高精度检测。实验表明，该方法在测试集上取得mAP@0.5为0.892、IoU为0.854的优异性能，单帧处理时间仅35ms。系统支持云端和边缘设备部署，已成功应用于城市道路监测和高速公路预警场景，准确率达92.3%，有效提升了城市防汛能力。
2026-01-01 11:24:37
1095
原创 鱼类识别与分类：基于freeanchor_x101-32x4d_fpn_1x_coco的三种鱼类自动检测
本文提出了一种基于freeanchor_x101-32x4d_fpn_1x_coco模型的三种鱼类自动识别方法。通过动态锚框分配优化、改进损失函数设计以及多尺度训练策略，显著提升了模型性能。实验结果显示，改进后的模型在mAP@0.5、召回率和精确率等指标上分别提升了8.3%、11.6%和10.6%，同时保持26.2FPS的实时检测速度。该系统可应用于海洋生态研究、渔业资源管理等场景，未来计划扩展识别种类并实现轻量化部署。
2026-01-01 10:57:39
693
原创 YOLOv26鱼类目标检测与计数任务实现与优化
YOLOv26在鱼类目标检测与计数任务中表现出色，通过合理的数据准备、模型训练和优化策略，可以实现高精度的实时检测。3D检测：实现对鱼类体积和姿态的估计多模态融合：结合声呐、红外等多源信息自监督学习：减少对标注数据的依赖推广：更多鱼类检测技术分享通过持续的技术创新和应用探索，鱼类目标检测与计数技术将为智慧渔业和海洋生态研究提供更强大的支持，促进水产养殖的可持续发展和海洋生态的保护。本文详细介绍了YOLOv26在鱼类目标检测与计数任务中的应用与优化。
2025-12-31 20:55:21
1173
原创 YOLOv8多类别目标检测实战：车辆、火灾、人员与烟雾识别系统详解
本文详细介绍了基于YOLOv8的多类别目标检测系统实现方法，涵盖车辆、火灾、人员和烟雾识别。首先讲解了环境配置，包括PyTorch和YOLOv8的安装；然后重点阐述了数据集的获取、标注和划分方法；最后展示了模型训练流程，包括配置文件设置和训练代码实现。文章提供了完整的技术实现路径，从数据准备到模型训练，为开发多目标检测系统提供了实用指导。
2025-12-31 20:19:17
996
原创 YOLOv8可回收垃圾分类识别：DRBNCSPELAN模型优化与应用
本文提出基于YOLOv8的DRBNCSPELAN模型优化方法，构建了高效的可回收垃圾分类识别系统。系统采用PySide6框架实现组件化设计，包含15种功能组件支持多种识别模式（图片/视频/批量处理）。通过多线程架构设计，实现了识别工作线程与批量处理功能，确保界面响应流畅。系统支持可视化结果展示、实时性能监控和多种格式导出，在识别准确率和处理速度上均有显著提升。该方案为智能垃圾分类提供了有效的技术实现路径。
2025-12-29 12:56:39
863
原创 基于YOLO11-C3k2-DWR-DRB的药瓶缺陷检测系统实现_2
本文提出了一种基于改进YOLO11模型的药瓶缺陷检测系统。该系统创新性地融合了C3k2模块、DWR动态权重调整和DRB特征融合结构，显著提升了检测精度和效率。通过精心设计的数据增强策略和多任务损失函数，系统能够准确识别裂纹、污渍、变形等常见药瓶缺陷。实验结果表明，该系统在mAP@0.5指标上达到0.9以上，优于传统检测方法。系统采用前后端分离架构，实现了从图像采集到缺陷识别的全流程自动化，为医药行业质量控制提供了可靠的技术支持。
2025-12-29 12:29:27
1007
原创 YOLO11-DRBNCSPELAN：育秧盘裂缝检测系统实现与优化
摘要：本研究提出基于YOLO11-DRBNCSPELAN的育秧盘裂缝智能检测系统，通过融合DRBN（密集残差网络）和CSPELAN（跨尺度金字塔高效层聚合）模块，显著提升细小裂缝检测精度。系统采用模块化设计，包含数据采集、预处理、检测和结果展示四个核心模块。创新性地构建了包含2000张育秧盘图像的数据集，并开发针对性的预处理流程（灰度化+CLAHE增强+高斯滤波）。DRBN模块通过密集残差连接增强特征传播，CSPELAN实现多尺度特征高效融合，在测试集上达到92.3%检测准确率。该系统为农业生产智能化提供了
2025-12-27 10:05:51
621
原创 【轨道检测技术】基于Sparse R-CNN的铁路扣件缺陷检测与分类模型详解
本文提出了一种基于改进Sparse R-CNN的铁路扣件缺陷检测与分类模型。针对传统人工巡检效率低、漏检率高的问题，该模型通过引入多尺度特征融合、注意力机制和优化的数据增强策略，显著提升了复杂铁路场景下的检测性能。实验结果表明，改进后的模型在平均精度均值(mAP)上提升5.7%，小尺度缺陷检测提升8.3%，推理速度比Faster R-CNN快30%。模型经轻量化处理后实现30fps实时处理，已成功部署于铁路巡检车。该研究为铁路智能化运维提供了有效解决方案，未来可进一步探索无监督学习、多模态融合等技术优化方向
2025-12-26 19:14:06
926
原创 使用_yolov10n-LAWDS_实现酵母细胞计数与活性检测_Python
本文提出了一种基于改进YOLOv10n网络和LAWDS模块的酵母细胞计数与活性检测方法。针对酵母细胞检测面临的尺寸小、密度高、形态相似等挑战，研究构建了包含2925张图像的数据集，并采用多种数据增强策略扩充样本。创新性地设计了LAWDS模块，结合注意力机制和分组卷积增强特征提取能力。通过尺度感知损失函数和自适应IoU损失函数优化网络性能。实验表明，该方法在精确率、召回率和计数准确率等指标上均优于YOLOv5n、YOLOv8n等对比算法，计数准确率达到93.8%，具有较好的实用价值。
2025-12-25 12:43:22
639
原创 YOLOv8改进创新：SPPF-LSKA结构在棉花植株病害检测中的应用研究
本文提出了一种改进的YOLOv8模型（YOLOv8-SPPF-LSKA）用于棉花植株病害检测。通过融合空间金字塔池化快速(SPPF)和轻量级空间注意力(LSKA)模块，增强了模型对复杂背景和小尺寸病害区域的检测能力。实验结果表明，改进模型在mAP@0.5指标上达到0.882，相比原始YOLOv8提升6.1%，同时保持62FPS的实时检测速度。消融实验验证了SPPF和LSKA模块的协同效应。研究还开发了基于嵌入式设备的实际应用系统，为田间病害检测提供了有效解决方案。
2025-12-25 12:17:55
830
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人