首页>
根据【关键词:YOLO】搜索到相关结果 11 条
-
基于剪枝和去噪的航空发动机故障图像识别与预测
-
作者:
傅荣春雪
刘君强
冯潇楠
余卓倩
来源:
航空计算技术
年份:
2023
文献类型 :
期刊
关键词:
YOLO
图像去噪
目标检测
孔探图像
剪枝算法
-
描述:
航空发动机叶片作为航空器重要的零件,其健康状况直接关系到航班的运行安全。叶片由于工作环境恶劣很容易产生裂纹、掉块、烧灼等损伤,目前基于孔探技术的叶片损伤检测以人工为主,检测结果在很大程度上受到人为因素的影响。因此,实现叶片损伤的自动识别及测量对于减轻劳动强度和提高检测精度都有实际的应用价值。首先选择PRIDnet图像去噪算法对原始孔探图像进行预处理,按照训练精度和训练速度两个指标对传统目标检测模型进行通道剪枝和微调。数据集采用国内某航空公司获取到CFM56型发动机在实际运营后机务人员所拍摄的孔探图像,实验结果表明,相比于原始目标检测YOLOv5算法和未经图像预处理的目标检测模型,本方法对航空发动机孔探图像内损伤的检测精度提高4%~10%,在检测效率上提高6%~20%。
-
基于YOLO-CapsNet的航空发动机叶片凸台目标检测
-
作者:
钟欣童
来源:
青岛科技大学
年份:
2021
文献类型 :
学位论文
关键词:
YOLO
深度学习
目标检测
叶片凸台
胶囊网络
-
描述:
基于YOLO-CapsNet的航空发动机叶片凸台目标检测
-
基于MPSoC的航空图像目标检测技术研究
-
作者:
任彬
来源:
中国科学院大学(中国科学院长春光学精密机械与物理研究所)
年份:
2021
文献类型 :
学位论文
关键词:
航空图像
YOLO
MPSoC
目标检测
模型压缩
-
描述:
基于MPSoC的航空图像目标检测技术研究
-
联合多尺度特征和注意力机制的遥感影像飞机目标检测
-
作者:
徐佰祺
江刚武
刘建辉
王鑫
魏祥坡
余培东
来源:
测绘科学技术学报
年份:
2021
文献类型 :
期刊
关键词:
YOLO
注意力机制
特征融合
遥感影像
V4算法
飞机目标检测
-
描述:
针对遥感影像飞机目标尺寸小、特征不明显的问题,在YOLO V4的基础上,提出一种联合多尺度特征和注意力机制的遥感影像飞机目标检测方法。该方法扩大了特征融合时尺度的范围,增强了对低层特征和小目标信息的提取。通过引入注意力机制进行特征融合,为每个通道的特征赋予不同权重,学习不同通道间特征的相关性。在RSOD-Dataset数据集上进行对比实验,实验结果表明该方法与相关算法相比,具有更高的检测精度。
-
联合多尺度特征和注意力机制的遥感影像飞机目标检测
-
作者:
徐佰祺
江刚武
刘建辉
王鑫
魏祥坡
余培东
来源:
测绘科学技术学报
年份:
2021
文献类型 :
期刊
关键词:
YOLO
注意力机制
特征融合
遥感影像
V4算法
飞机目标检测
-
描述:
针对遥感影像飞机目标尺寸小、特征不明显的问题,在YOLO V4的基础上,提出一种联合多尺度特征和注意力机制的遥感影像飞机目标检测方法。该方法扩大了特征融合时尺度的范围,增强了对低层特征和小目标信息的提取。通过引入注意力机制进行特征融合,为每个通道的特征赋予不同权重,学习不同通道间特征的相关性。在RSOD-Dataset数据集上进行对比实验,实验结果表明该方法与相关算法相比,具有更高的检测精度。
-
基于视觉引导的民航维修工具抓取检测方法研究
-
作者:
左奎军
来源:
南京航空航天大学
年份:
2020
文献类型 :
学位论文
关键词:
图像匹配
YOLO
机器人
深度学习
抓取检测
民航维修
视觉引导
-
描述:
基于视觉引导的民航维修工具抓取检测方法研究
-
基于卷积神经网络的航空遥感图像目标检测研究
-
作者:
宋琦
来源:
西安电子科技大学
年份:
2020
文献类型 :
学位论文
关键词:
YOLO
R
CNN
卷积神经网络
目标检测
航空遥感图像
-
描述:
基于卷积神经网络的航空遥感图像目标检测研究
-
基于深度卷积神经网络的空中飞行器图像识别
-
作者:
谷虹娴
来源:
西安工业大学
年份:
2021
文献类型 :
学位论文
关键词:
YOLO
损失函数
卷积神经网络
特征融合方式
空中飞行器识别
V3
-
描述:
基于深度卷积神经网络的空中飞行器图像识别
-
面向航空发动机油路密封管件的高鲁棒性视觉定位算法研究
-
作者:
崔俊佳
刘枭
赖铭
王绍螺
蒋浩
李光耀
来源:
航空制造技术
年份:
2023
文献类型 :
期刊
关键词:
YOLO
机器视觉
孪生网络
视觉定位
Siamese
变化检测网络
-
描述:
航空航天行业零部件种类繁多、定制化程度高,难以进行定位夹具的开发。视觉定位技术是智能制造中的关键一环,该技术基于机器视觉确定工件位置,不需要定位夹具,能够被广泛运用于各种工况。但现有视觉定位算法只适用于少数种类的零件,泛用性不高。本文提出了一种基于YOLOv5s目标检测网络和Siamese孪生网络的新型视觉定位算法(YOLO–Siamese变化检测网络)。网络引入ConvDiff(卷积差分)模块来提升变化检测网络的特征提取效果,并采用半监督学习方法对模型进行训练。试验表明,在没有使用目标工件数据集的条件下,算法在验证集上的AP@0.5达到了99.3%,AP@0.5:0.95达到了89.6%,单帧推理时间为16.13 ms。该算法无需目标工件数据、定位精度高、运算速度快,提高了视觉定位算法的鲁棒性和泛用性。
-
改进YOLO V3遥感图像飞机识别应用
-
作者:
郑志强
刘妍妍
潘长城
李国宁
来源:
电光与控制
年份:
2019
文献类型 :
期刊
关键词:
YOLO
Densenet
遥感图像
means
卷积神经网络
飞机识别
k
V3
-
描述:
为了准确识别遥感图像中的飞机,基于YOLO V3算法,通过使用K-means算法对数据集进行聚类分析,借鉴Densenet网络的思想,将YOLO V3网络中的两个残差网络模块替换为两个密集网络模块,改进为一种Dense-YOLO深度卷积神经网络结构。对改进前与改进后的网络进行训练,分别选出使两个网络识别效果最好的权重文件,针对高质量遥感图像与过度曝光、云雾遮挡等低质量遥感图像分别进行测试与分析。实验结果表明,新改进的深度卷积神经网络应用在两种图像上效果均有提升。其中,改进的算法在高质量的遥感图像中准确率高达99.72%,比原始算法准确率提升了0.85%,召回率高达98.34%,召回率提升了1.94%。在低质量遥感图像中准确率高达96.12%,比原始算法准确率提升了5.07%,召回率高达93.10%,召回率提升了19.75%。