针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、漏检误检率高等问题,提出了YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。在传统Y...针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、漏检误检率高等问题,提出了YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。在传统YOLOv8算法的基础上,首先在Backbone网络的C2f(Convolution to Feature)模块中嵌入了可变形卷积网络DCN(Deformable Convolution Network),增强了模型在复杂背景条件下的特征提取能力;其次,在Neck网络中引入了SE(Squeeze and Excitation Network)注意力模块,突出钢铁表面重要特征信息,提升了特征融合的丰富性;最后,利用GIOU(Generalized Intersection Over Union)损失函数代替原有的CIOU(Complete Intersection Over Union),相比CIOU,GIOU引入了最小包围框面积比率,可更准确衡量框的重合面积。实验结果表明,YOLOv8-DSG算法在NEU-DET数据集上平均精度mAP达到80%,相较于原YOLOv8算法,提高了3.3%,且误检、漏检率低,具有更高的检测精度和运算效率,可在质量检测方面发挥重要作用。展开更多
肺结节在CT(Computed Tomography)图像中所占像素较少,增加了检测难度。针对肺结节小目标检测问题,文中提出了融合坐标注意力机制的YOLOv3(You Only Look Once version 3)肺结节检测算法。主干网络采用改进YOLOv3,减少残差块数量并引入...肺结节在CT(Computed Tomography)图像中所占像素较少,增加了检测难度。针对肺结节小目标检测问题,文中提出了融合坐标注意力机制的YOLOv3(You Only Look Once version 3)肺结节检测算法。主干网络采用改进YOLOv3,减少残差块数量并引入扩张卷积模块,并可从目标周围感知上下文信息。在特征利用部分引入坐标注意力机制,捕捉肺结节位置、方向和跨通道信息,精确定位肺结节。改进YOLOv3的损失函数,将边界框建模成高斯分布,利用Wasserstein距离来计算两个分布之间的相似度代替IoU(Intersection over Union)度量,提升模型对目标尺度的敏感性。在LUNA16数据集上的结果显示,肺结节检测的平均精度为89.96%,敏感性为95.37%,与主流目标检测算法相比,精度平均提升了11.33%,敏感性平均提升了9.03%。展开更多
文摘针对传统图像处理算法对钢铁表面缺陷检测存在识别效率低、漏检误检率高等问题,提出了YOLOv8-DSG(Deformable Convolution Network Squeeze and Excitation Network Generalized Intersection over Union)钢铁表面缺陷检测算法。在传统YOLOv8算法的基础上,首先在Backbone网络的C2f(Convolution to Feature)模块中嵌入了可变形卷积网络DCN(Deformable Convolution Network),增强了模型在复杂背景条件下的特征提取能力;其次,在Neck网络中引入了SE(Squeeze and Excitation Network)注意力模块,突出钢铁表面重要特征信息,提升了特征融合的丰富性;最后,利用GIOU(Generalized Intersection Over Union)损失函数代替原有的CIOU(Complete Intersection Over Union),相比CIOU,GIOU引入了最小包围框面积比率,可更准确衡量框的重合面积。实验结果表明,YOLOv8-DSG算法在NEU-DET数据集上平均精度mAP达到80%,相较于原YOLOv8算法,提高了3.3%,且误检、漏检率低,具有更高的检测精度和运算效率,可在质量检测方面发挥重要作用。
文摘肺结节在CT(Computed Tomography)图像中所占像素较少,增加了检测难度。针对肺结节小目标检测问题,文中提出了融合坐标注意力机制的YOLOv3(You Only Look Once version 3)肺结节检测算法。主干网络采用改进YOLOv3,减少残差块数量并引入扩张卷积模块,并可从目标周围感知上下文信息。在特征利用部分引入坐标注意力机制,捕捉肺结节位置、方向和跨通道信息,精确定位肺结节。改进YOLOv3的损失函数,将边界框建模成高斯分布,利用Wasserstein距离来计算两个分布之间的相似度代替IoU(Intersection over Union)度量,提升模型对目标尺度的敏感性。在LUNA16数据集上的结果显示,肺结节检测的平均精度为89.96%,敏感性为95.37%,与主流目标检测算法相比,精度平均提升了11.33%,敏感性平均提升了9.03%。
