- 博客(63)
- 收藏
- 关注
RSS订阅原创 YOLO11-RGCSPELAN月球目标检测实战：从模型改进到部署应用
本文详细介绍了一种基于RGCSPELAN改进的YOLO11模型在月球目标检测任务中的应用。通过引入创新的特征提取模块和优化的训练策略，我们的方法在检测精度和计算效率之间取得了良好平衡，并已在实际探测任务中得到验证。随着深空探测任务的不断推进，目标检测技术将在其中发挥越来越重要的作用。未来，我们将继续改进算法性能，拓展应用场景，为人类探索宇宙贡献更多技术力量。同时，我们也期待与更多研究机构合作，共同推动月球探测技术的发展，为科学研究和人类福祉做出更大贡献。
2026-02-04 11:25:02
984
原创 基于SOLOv2_R101_FPN_MS-3x_COCO的小麦病害检测与识别技术研究_1
实例分割作为计算机视觉领域的重要任务，能够实现对图像中每个对象的像素级精确分割。与语义分割相比，实例分割能够区分同一类别中的不同个体，这对于小麦病害检测尤为重要，因为同一类病害可能出现在植株的不同部位，需要被识别为不同的实例。
2026-02-04 10:34:39
547
原创 集装箱密封检测技术解析与Mask2Former模型优化
本文探讨了基于计算机视觉的集装箱密封检测技术，重点优化了Mask2Former模型以提高检测性能。针对传统人工检测效率低、主观性强的问题，研究提出了数据增强、模型结构调整和损失函数优化三大策略，显著提升了检测精度（mAP提升7.4%）。实验表明，优化后的模型在封条完整性检测、类型识别和环境适应性方面表现突出，已成功应用于港口自动化检测系统，实现了92.3%的准确率和实时检测能力。未来研究将聚焦于扩大数据集多样性、模型轻量化设计及多模态信息融合，以进一步提升技术在复杂场景下的适用性，推动物流安全智能化发展。
2026-02-04 09:50:43
832
原创 战斗车辆状态识别与分类 --- 基于Mask R-CNN和RegNet的模型实现
战斗车辆状态识别数据集摘要 本数据集"combat vehicles warthunder"包含643张战争雷霆游戏中的战斗车辆图像，按YOLOv8格式标注为"被摧毁"和"正常工作"两类。数据集已划分为训练、验证和测试集，未使用图像增强技术。该资源适用于军事游戏环境中的目标检测研究，支持计算机视觉模型开发，特别是针对战斗车辆状态的自动识别任务。数据集遵循BY-NC-SA 4.0许可，可通过kdocs.cn平台获取，为相关领域研究提供了基础数据支持。
2026-02-04 09:08:39
836
原创 YOLOv5-AIFI改进_爆炸物检测与识别系统_实现与应用
本文介绍了基于YOLOv5-AIFI的爆炸物检测与识别系统的实现与应用。通过引入AIFI注意力机制模块，我们显著提升了模型对爆炸物的检测精度，特别是在小目标和复杂场景下表现更为突出。实验结果表明，改进后的模型在保持较高推理速度的同时，实现了更好的检测性能。然而，AIFI模块也存在一些局限性。首先，模块中的注意力计算增加了额外的计算开销，可能会影响模型的推理速度；其次，在极端情况下，如目标与背景对比度极低时，注意力机制可能无法有效区分目标区域；
2026-02-03 18:53:23
986
原创 基于tood_x101-64x4d-dconv-c4-c5_fpn_ms-2x_coco模型的家禽种类识别系统_1
本文提出了一种基于TOOD_x101-64x4d-dconv-c4-c5_fpn_ms-2x_coco模型的家禽种类识别系统。该系统采用模块化设计，包含数据预处理、模型训练、推理和用户界面四个模块。通过数据增强和精确标注的家禽图像数据集，结合TOOD算法的任务对齐特性，实现了高精度的家禽识别。系统采用PyTorch框架和多种优化策略，包括模型量化、批处理推理等，显著提升了识别效率和性能。实验结果表明，该系统能够有效满足现代农业对家禽智能化管理的需求。
2026-02-03 17:07:50
877
原创 椅子目标检测新突破：Cascade R-CNN模型详解与性能优化_1
Cascade R-CNN是一种多阶段的目标检测框架，它通过级联的方式逐步提高检测的精度和召回率。这种设计灵感来源于级联分类器，但在目标检测领域进行了创新性的应用。🌟传统的单阶段检测器往往需要在精度和召回率之间进行权衡，而Cascade R-CNN通过多个检测头的级联，实现了在不同IoU阈值下的逐步优化。第一个检测头：针对低IoU阈值（如0.5），确保高召回率第二个检测头：针对中等IoU阈值（如0.6），在前一个检测头的基础上进行优化。
2026-02-03 16:22:24
782
原创 蓝莓目标检测——改进YOLO11-C2TSSA-DYT-Mona模型实现
本文提出了一种改进的YOLO11-C2TSSA-DYT-Mona模型用于蓝莓目标检测。通过引入C2TSSA注意力模块和DYT-Mona多尺度特征融合机制，模型在自建数据集上达到91.2%的mAP@0.5，同时保持46FPS的实时性。实验表明，该方法显著提升了蓝莓检测精度，尤其在小目标和遮挡场景下表现优异。模型经轻量化后参数量减少60%，适合部署于农业机器人等边缘设备，为智慧农业提供了有效的技术解决方案。
2026-01-30 11:51:41
1156
原创 【无标题】
本文提出了一种基于改进FCOS模型的鸟巢检测方法，通过优化FPN结构和损失函数，显著提升了检测精度。实验表明，改进后的模型在5000张标注图像的数据集上达到0.893 mAP@0.5，优于主流算法。特别针对小型鸟巢检测性能提升明显，AP值达到0.824。模型已成功应用于自然保护区监测，检测效率比人工提高20倍。未来将优化小目标检测能力并扩展至其他野生动物识别任务。
2026-01-30 10:25:47
569
原创 【计算机视觉 01】传送带煤炭识别与计量：基于RPN-X101-FPN模型的输煤量检测系统_1
本文提出了一种基于RPN-X101-FPN模型的传送带煤炭识别与计量系统。系统采用工业相机采集图像，通过自适应直方图均衡化、中值滤波和gamma校正等预处理技术提升图像质量。改进的RPN-X101-FPN模型结合多尺度特征融合和注意力机制，实现对不同尺寸煤炭的精确识别。计量算法通过轮廓提取、面积计算和厚度估算，结合传送带速度计算煤炭流量。实验表明，该系统能够实时、准确地完成煤炭计量任务，为工业生产提供智能化解决方案。
2026-01-29 18:56:41
690
原创 YOLO11-EfficientRepBiPAN：海军制服军衔智能识别的革命性突破
本文提出了一种基于YOLO11-EfficientRepBiPAN的海军制服军衔智能识别算法。该模型通过创新的EfficientRepBiPAN结构，在保持高精度的同时实现了轻量化，mAP@0.5达到0.918，优于主流YOLO系列算法。实验表明，模型对常见军衔识别准确率超过0.93，在不同光照和分辨率下均表现稳定。该技术可应用于安防监控、人员管理等军事场景，具有部署灵活、实时性强的特点。未来将扩展至多军种识别并优化边缘计算性能，为军事智能化提供技术支持。
2026-01-29 17:17:04
616
原创 YOLO11-C3k2-DBB改进台球检测系统一球与袋口精准识别
本文提出了一种基于改进YOLOv11的台球检测系统，通过引入C3k2网络结构和DBB注意力机制，显著提升了球体与袋口的检测精度。实验结果表明，改进算法在球体检测mAP达到0.912，袋口检测mAP达到0.831，相比原始YOLOv11分别提升7%和10.9%。系统采用端到端设计，在保持实时性的同时有效解决了台球场景中的小目标检测、相似物体区分等挑战。未来研究将聚焦于轻量化设计、多模态融合等方向，进一步拓展系统在体育训练和比赛分析中的应用价值。
2026-01-29 13:35:15
624
原创 深度学习目标检测算法之YOLOv26加拿大鹅检测
精确率（Precision）：预测为正的样本中实际为正的比例召回率（Recall）：实际为正的样本中被正确预测为正的比例：各类别AP的平均值，是综合评价指标PrecisionTPTPFPPrecisionTPFPTPRecallTPTPFNRecallTPFNTPmAP1n∑i1nAPimAPn1i1∑nAPi。
2026-01-25 14:18:06
960
1
原创 【无标题】
本文提出了一种改进的YOLOv26算法用于教室智能设备检测。通过构建包含12类设备、12000张图像的数据集，采用深度可分离卷积实现骨干网络轻量化，设计多尺度特征融合模块提升小目标检测能力。引入通道和空间注意力机制增强特征提取，结合针对性数据增强策略，模型在测试集上达到95.2%的mAP@0.5，检测速度42FPS，相比原始YOLOv26提升2.9个百分点，适用于教室环境的实时监控需求。
2026-01-25 13:29:32
634
原创 鸟类红外图像检测与识别_YOLOv26模型实现与优化_2
本文探讨了YOLOv26模型在鸟类红外图像检测中的实现与优化策略。研究建立了包含精确率、召回率、mAP等在内的综合评价体系，并通过实验表明YOLOv26在各项指标上优于前代模型。针对红外图像特点，采用了对比度增强、噪声模拟等数据增强方法，并实施了模型轻量化部署和多尺度特征融合优化。实际应用显示，优化后的模型在自然保护区监测中表现优异，能高效识别15种鸟类，显著提升了夜间和恶劣天气下的监测能力，为鸟类保护研究提供了可靠的技术支持。
2026-01-25 11:09:02
700
原创 基于YOLOv26的条形码与二维码识别检测实战
条形码与二维码识别检测实战摘要 本文介绍了基于YOLOv26的条形码与二维码识别检测技术。数据集包含多种场景下的条形码和二维码图像，采用YOLOv8标注格式，分为训练集、验证集和测试集，包含"Barcode"和"QR Code"两类。文章详细阐述了YOLOv26模型的优势、数据集预处理方法（包括数据增强技术）、模型训练参数设置以及评估指标（如精确率、召回率、mAP等）。实验结果显示，YOLOv26在识别精度和速度上优于其他主流模型，可广泛应用于零售、物流、支付等领域。
2026-01-24 15:32:08
890
原创 【目标检测】竹林与杂草识别_YOLOv26改进算法研究
摘要： 本文针对竹林杂草识别任务，对YOLOv26算法进行针对性改进。通过分析原始算法在竹林场景下的局限性，提出DFL移除优化和MuSGD优化器集成两大核心改进。实验表明，改进后的算法在保持高精度的同时，推理速度提升15%，模型体积减小20%，更适合边缘部署。MuSGD优化器结合自适应学习率与动量机制，显著提升训练效率。研究为农业场景目标检测提供了有效解决方案，代码与实验结果已公开，具有实际应用价值。（149字）
2026-01-24 14:46:45
773
原创 YOLOv26无人机空对空目标检测算法详解
YOLOv26是基于YOLO系列的最新一代目标检测算法，专为无人机空对空目标检测场景优化。与传统的目标检测算法相比，YOLOv26在保持实时性的同时，显著提升了小目标和远距离目标的检测精度。🎯YOLOv26的核心创新点在于其多尺度特征融合机制和自适应锚框设计，特别适合处理无人机视角下目标尺寸变化大的特点。算法采用了一种改进的CSPDarknet53骨干网络，通过更高效的特征提取和融合策略，实现了对空中目标的精准定位和识别。🚀。
2026-01-24 13:20:25
681
原创 基于YOLOv26的海洋鱼类识别与检测系统深度学习训练数据集Python实现_1
本文提出了一种基于YOLOv26的海洋鱼类识别系统，针对水下环境的特殊挑战进行了多项创新改进。研究团队构建了包含20种常见海洋鱼类的专业数据集（15,000张图像），并开发了水下光线补偿模块、鱼类行为感知网络和多尺度特征融合等关键技术。实验结果表明，优化后的模型在近岸、深海和珊瑚礁三种典型海洋环境中均表现优异，mAP最高达94.2%，比原始YOLOv6提升8.3个百分点，同时保持35FPS的实时检测速度。该研究通过结合海洋环境特征和鱼类行为特性，有效解决了传统目标检测模型在水下应用中的瓶颈问题。
2026-01-24 12:47:24
704
原创 基于Yolo11-RepNCSPELAN的茶芽目标检测技术实现
本文提出了一种基于改进YOLOv11算法的茶芽目标检测技术，通过引入RepNCSPELAN模块和可重参数化技术优化特征提取能力。该方法针对茶芽检测中存在的目标尺寸小、与背景相似度高、分布密集等难点，设计了多分支特征融合结构，在训练阶段使用复杂结构增强特征提取，在推理阶段通过结构重参数化转换为高效单分支结构。实验结果表明，改进后的模型在自建茶芽数据集上达到89.5%的mAP@0.5，相比原始YOLOv11提升3.3%，同时保持57FPS的实时检测速度。研究还提供了边缘计算设备和移动端两种部署方案，为茶叶生产智
2026-01-23 13:07:47
684
原创 野猪目标检测与识别_基于YOLO11-Attention模型的改进实现
本文介绍了一种基于YOLO11-Attention的野猪目标检测与识别系统，通过引入注意力机制显著提升了检测精度。实验结果表明，改进后的模型在mAP指标上达到了0.912，比原始YOLO11提高了约4.5个百分点，同时保持了较好的实时性能。该系统已在多个场景得到应用，取得了良好的效果。未来，我们将继续优化模型性能，拓展应用场景，为野猪监测和保护提供更好的技术支持。🚀图5展示了整个野猪检测系统的架构设计，从数据采集到结果展示的完整流程。想要了解更多关于目标检测的技术细节？可以查看我们的技术文档。
2026-01-23 12:24:50
641
1
原创 篮球场景中的人员、篮球和篮筐检测与识别_Cascade R-CNN改进实现详解
本文针对篮球场景中的目标检测挑战，提出了一种改进的Cascade R-CNN方法。通过引入SAC可切换空洞卷积优化和级联检测头改进，有效解决了篮球场景中人员尺度差异大、篮球小目标检测困难等问题。实验结果表明，改进后的模型在自建篮球数据集上总体mAP达到84.2%，较原始模型提升6.7%，其中篮球检测精度提升9.1%，同时保持了较好的推理速度（50ms/帧）。该方法为篮球比赛分析提供了更精准的目标检测技术支持。
2026-01-21 15:49:12
511
原创 花生品质检测与分类 - 基于深度学习的农产品智能识别系统
本文提出了一种基于深度学习的花生品质智能检测系统，通过改进的卷积神经网络结合注意力机制，实现了对花生品质的自动分类。系统在268张花生图像数据集上达到94.5%的准确率，并通过数据增强和类别平衡策略提高了模型鲁棒性。研究构建了完整的Web应用系统，支持实时检测，为农产品质量评估提供了高效解决方案。未来工作将扩展数据集规模并优化实时性能，进一步提升系统实用价值。
2026-01-21 15:02:08
630
原创 YOLO11-MobileNetV4：PCB缺陷检测新突破——从理论到实践的完整指南
本文提出了一种基于YOLO11-MobileNetV4的PCB缺陷检测方法，结合了YOLO系列强大的目标检测能力和MobileNetV4的高效特征提取能力。文章详细介绍了PCB常见缺陷类型、数据集构建与增强策略，以及网络架构设计中的关键模块实现。通过优化MobileNetV4的特征提取和YOLO11检测头设计，该方法在保持轻量化的同时实现了高精度检测。训练环节采用了针对性优化策略，包括自定义损失函数处理类别不平衡和小目标检测增强技术，有效提升了模型性能。该方案为工业PCB缺陷检测提供了高效可靠的解决方案。
2026-01-21 14:10:07
629
原创 基于RetinaNet的包裹和纸箱检测识别项目详解_1
本文介绍了一个基于改进RetinaNet的包裹和纸箱检测系统。项目采用301张YOLOv8格式标注的图像，通过数据预处理（尺寸调整至800×600像素、坐标转换、数据增强）优化输入质量。模型改进包括引入PANet双向特征融合和调整Focal Loss参数（γ=2.5）。经过分阶段训练后，系统在测试集上达到92.3% mAP和30FPS的实时性能。部署时采用TensorRT加速和多线程优化，显著提升推理效率。该系统为物流领域提供了实用的自动检测解决方案，未来计划引入注意力机制和OCR技术进一步增强功能。
2026-01-21 13:25:05
570
原创 YOLOv8-WaveletPool：建筑材料堆场智能识别与分类解决方案
本文提出了一种基于改进YOLOv8的建筑材料堆场智能识别方案YOLOv8-WaveletPool。该方案创新性地引入小波池化机制，显著提升了模型对建筑材料纹理特征的提取能力。实验结果表明，改进后的模型在水泥、钢筋等5类常见建筑材料识别任务中达到95.7%的mAP，较基准YOLOv8提升7.4个百分点，同时保持58FPS的实时处理速度。消融实验验证了小波池化模块的有效性，其通过保留多尺度特征信息，特别适合处理建筑材料堆场这种具有复杂纹理和形状特征的场景。该研究为建筑工地智能化管理提供了高效的技术解决方案。
2026-01-18 14:28:43
526
原创 【深度学习】YOLOv8-SPDConv筷子部件识别与分类系统实战
本文详细介绍了基于YOLOv8-SPDConv的筷子部件识别与分类系统实战项目。通过创新性地引入SPDConv技术，我们构建了一个高效准确的筷子部件识别系统，在自建数据集上取得了91.3%的mAP@0.5，同时保持了良好的实时性。多模态融合：结合RGB和深度图像，提升复杂场景下的识别性能小样本学习：减少对大量标注数据的依赖端到端部署：开发专用硬件加速器，进一步提升推理效率本项目不仅为筷子部件识别提供了有效解决方案，也为其他餐具和工业小目标检测任务提供了参考思路。
2026-01-18 13:44:25
559
原创 基于yolo13-C3k2-RVB的洗手步骤识别与检测系统实现_1
本文提出了一种基于改进YOLOv13模型的洗手步骤识别系统，通过引入C3k2_RVB模块和RepViT重参数化技术，显著提升了模型性能。实验结果表明，改进后的模型在mAP@0.5指标上达到0.924，推理速度42 FPS，同时模型体积减小。该系统可应用于医疗培训、公共卫生教育等领域，有效促进正确洗手习惯的养成。未来将探索多模态融合和轻量化部署等优化方向，进一步提升系统实用性和普及性。
2026-01-18 12:56:17
735
原创 大棚蔬菜叶片方向识别：YOLOv11-C2DA模型实现与应用
本文提出了一种基于YOLOv11-C2DA模型的大棚蔬菜叶片方向识别方法。针对传统识别方法效率低、准确性差的问题，该方法在YOLOv11模型基础上引入C2DA（Cross-Directional Attention）注意力机制，能够同时关注叶片的水平和垂直方向信息。文章详细阐述了模型架构、C2DA原理及实现代码，并介绍了高质量数据集的构建过程，包括多种蔬菜叶片图像采集和数据增强技术。实验结果表明，该方法在叶片方向识别任务中表现出色，相比传统方法显著提高了识别准确率和实时性，为现代农业监测管理提供了有效解决方
2026-01-18 12:15:48
573
原创 基于sabl-cascade-rcnn_r101_fpn_1x_coco的葡萄成熟度检测项目_1
本文介绍了一个基于sabl-cascade-rcnn_r101_fpn_1x_coco模型的葡萄成熟度检测系统。该系统利用深度学习技术，通过分析葡萄的颜色、形状和纹理等特征，实现了成熟度的自动分级（从未成熟到过熟5个等级）。项目包含完整的处理流程，从图像采集、预处理到模型推理和结果分析，并进行了多项性能优化，使检测速度达到实时水平。系统已在多个葡萄园应用，检测效率较人工提升24倍，还可集成到采摘机器人中。数据集包含10,000+标注图像，项目资源包括源码、预训练模型和详细文档，为智慧农业提供了实用解决方案。
2026-01-18 11:29:35
603
原创 YOLO11-Seg与Fasternet-BiFPN结合的枣果实品质检测系统实现详解
本文提出了一种基于YOLO11-Seg与Fasternet-BiFPN结合的枣果实品质检测系统。通过构建包含276张增强图像的数据集，采用多种预处理技术优化输入质量。网络架构融合了YOLO11-Seg的动态采样模块和Fasternet-BiFPN的高效特征提取能力，显著提升了小目标检测精度。实验表明，该系统在精确率(0.923)、召回率(0.931)和mAP(0.948)等指标上优于主流检测模型，推理速度达35.6 FPS。实际应用测试显示，该系统分级准确率达91.7%，效率较人工检测提升10倍以上，为鲜枣
2026-01-17 14:24:18
542
原创 YOLO11-C3k2-RVB-EMA多色线缆颜色识别与分类系统详解
本文提出了一种基于改进YOLO11的多色线缆颜色识别系统YOLO11-C3k2-RVB-EMA。该系统创新性地融合了C3k2模块、RVB特征融合模块和EMA注意力机制，显著提升了线缆检测精度。通过构建包含8种颜色、12,000张图像的数据集，并采用优化的训练策略，系统在复杂工业环境中实现了高效准确的线缆识别。实验表明，该方法对小目标检测精度提升8.7%，颜色相近线缆区分能力提升15.2%，为工业自动化线缆识别提供了可靠解决方案。
2026-01-17 13:39:48
587
原创 芯片表面碎片检测◈RCNN改进模型__sparse_rcnn_r101_fpn_300_proposals_crop_ms_480_800_3x_coco详解
本文提出了一种改进的SPARSE_RCNN模型用于芯片表面碎片检测。针对传统检测方法精度低、速度慢的问题，该模型通过改进特征金字塔网络、增强动态卷积模块和优化损失函数，显著提升了检测性能。实验结果显示，改进模型在mAP指标上达到89.7%，相比原始模型提升3.5个百分点，检测速度达18FPS。实际部署中结合剪枝和量化技术，模型大小减少60%，推理速度提升2倍。该方法有效解决了芯片制造中的碎片检测难题，为工业质检提供了高效解决方案。
2026-01-17 12:58:57
638
原创 YOLOv10n-VanillaNet实现健身器材检测识别系统
本文介绍了一种基于YOLOv10n-VanillaNet的健身器材检测系统。该系统采用包含8658张图像、标注24类健身器材的数据集，通过YOLOv8格式标注。模型训练采用数据增强、类别平衡等优化策略，达到89%的mAP@0.5精度。系统可部署于移动端、Web服务及边缘设备，实现健身房器材智能管理。未来可扩展3D检测、多模态融合等功能，推动健身行业智能化发展。项目代码和数据集已开源提供。
2026-01-17 12:07:20
704
原创 海洋鱼类检测：基于YOLOv8的鳐鱼与鲨鱼自动识别与定位系统
海洋生物监测对于海洋生态研究和环境保护具有重要意义。传统的海洋生物识别主要依赖人工观察，不仅效率低下，而且容易受到主观因素影响。基于深度学习的自动识别技术为这一问题提供了新的解决方案。本文介绍了一种基于YOLOv8的海洋鱼类检测系统，专门针对鳐鱼和鲨鱼进行自动识别与定位，能够显著提高海洋生物监测的效率和准确性。该系统采用最新的YOLOv8目标检测算法，通过深度学习模型实现海洋鱼类的高精度识别和定位。系统具有实时性强、准确率高、适应性强等特点，可广泛应用于海洋生物研究、生态保护、渔业资源调查等领域。
2026-01-17 11:35:59
598
原创 螺栓检测与识别：基于YOLOv10n与特征金字塔共享卷积的实现
YOLOv10n是YOLO系列模型中的最新版本，专为实时目标检测任务设计。与之前的版本相比，YOLOv10n在保持高精度的同时，显著降低了计算复杂度，使其在资源受限的设备上也能实现高效的检测性能。更轻量的网络结构：通过深度可分离卷积和通道剪枝技术，大幅减少了模型参数量和计算量。改进的特征融合机制：引入了更高效的特征金字塔网络(FPN)，增强了多尺度特征的表达能力。优化的损失函数：采用更合理的正负样本分配策略，提高了小目标的检测精度。
2025-12-20 14:22:51
1083
原创 舰船目标检测与识别：基于Mask R-CNN的改进模型_x101-64x4d_fpn_ms-poly_3x_coco实战详解
本文详细介绍了基于Mask R-CNN的改进模型_x101-64x4d_fpn_ms-poly_3x_coco在舰船目标检测与识别中的应用。通过改进骨干网络和分割策略，模型在检测精度上有了显著提升，特别是在小目标检测方面表现优异。在实际应用中，该模型已成功应用于海事监视、港口管理和海洋资源保护等领域，取得了良好的效果。未来，我们将继续优化模型性能，探索更轻量级的架构，并扩展模型的功能，如舰船行为分析、异常检测等。随着深度学习技术的不断发展，舰船目标检测与识别技术也将不断进步。
2025-12-19 20:18:40
809
原创 蓝莓果实检测与识别——基于decoupled-solo_r50_fpn_1x_coco模型实现
本文介绍了一种基于decoupled-solo_r50_fpn_1x_coco模型的蓝莓果实检测与识别系统。该系统利用实例分割技术，通过ResNet-50骨干网络和特征金字塔网络实现高精度的蓝莓检测，在测试集上达到92.3%的mAP@0.5和25.3FPS的处理速度。项目构建了包含2000张图像的数据集，采用数据增强策略提高模型泛化能力，并开发了产量估测、品质分级等应用功能。系统经过模型量化、TensorRT加速等优化后，可部署到边缘计算设备，为智慧农业提供技术支持。未来工作将扩展至更多水果种类并集成到无人
2025-12-19 19:20:14
826
原创 【计算机视觉】YOLO11-DGCST：轴承表面划痕检测新方案
本文介绍了基于YOLO11架构优化的YOLO11-DGCST模型，专为轴承表面划痕检测设计。该模型通过引入DGCST模块增强小目标检测能力，改进C3k2模块提升特征提取效率，并采用C2PSA注意力机制优化空间定位。检测头部分采用轻量级DWConv结构，在保持精度的同时显著提升推理速度。相比YOLOv8，YOLO11在模型结构和参数量上进行了优化，更适合工业检测场景。实验表明，该方案在轴承划痕检测任务中实现了精度与效率的平衡，特别适合实时工业检测应用。
2025-12-19 17:18:15
813
原创 红枣目标检测Cascade R-CNN改进版_FPN结构优化详解
本文针对红枣目标检测中的挑战，提出了一种改进的Cascade R-CNN算法，重点优化了特征金字塔网络(FPN)结构。通过引入自适应多尺度特征融合模块和通道注意力机制，有效提升了小目标检测性能。实验表明，改进后的算法在自建红枣数据集上mAP达到0.852，较原始模型提升15.4%，召回率提升至84.3%。算法在嵌入式设备上实现15FPS的实时检测，为农业智能化提供了有效技术支持。未来可进一步探索轻量化模型和多模态信息融合等方向。
2025-12-17 11:44:58
1111
1
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