首页期刊导航|电子测量技术
期刊信息/Journal information
电子测量技术
电子测量技术

孙圣和

月刊

1002-7300

dzcl@vip.163.com

010-56103931

100009

北京市东城区北河沿大街79号

电子测量技术/Journal Electronic Measurement Technology北大核心CSTPCD
查看更多>>本刊坚定不移地确保社会效益功能的发挥，刊登新技术、工艺、设计、设备材料为主要内容，推广交流步进技术、科研成果和实践经验及时传播新成就、新技术、新器材的信息，以利于社会主义生产建设。
正式出版
收录年代

    基于自注意特征融合的钢材表面小目标缺陷检测

    冯夫健罗太维谭棉汪小梅...
    172-180页
    查看更多>>摘要：针对钢材表面小目标缺陷占比小,对比度低,导致钢材表面小目标缺陷检测模型提取丰富缺陷特征失效的问题.基于联系上下文信息和增强特征融合之间的关系,对钢材表面小目标缺陷检测问题提出以下解决方案:首先,结合滑动窗口机制Swin Transformer,利用分层结构和局部窗口整合不同特征块的特征信息,以在降低卷积操作密集性的基础上增强小目标缺陷特征信息的对比度;其次,采用坐标注意力机制使模型获得更多的位置信息,以增强小目标缺陷特征信息的多样性;最后结合具有丰富梯度流信息的特征融合模块CSP-FCN,提出了基于自注意特征融合的钢材表面小目标缺陷检测模型SFNet,该模型将不同尺度特征融合以产生丰富的语义信息,增强钢材表面小目标缺陷的特征表达能力.实验结果表明,SFNet在NEU-DET和GC10-DET公开数据集上的检测性能优于目前经典的目标检测模型.此外,所提模型在参数量减少为原来1/2的基础上平均精度值分别提升了3%和3.7%.

    钢材表面缺陷小目标缺陷检测SwinTransformer位置信息特征融合

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于轻量级改进的YOLOv8水下目标检测模型

    周志耀马常霞杨丽莎仲兆满...
    181-189页
    查看更多>>摘要：在恶劣和多变的水下环境中工作的设备是进行水下研究和开发的基本保障.现阶段的水下目标检测模型参数量和计算量过大,在资源有限的水下设备上部署受限.为解决水下检测模型参数量和计算量过大问题,提出一种轻量级的水下目标检测模型RCE-YOLO.首先,利用RFAConv的空间注意力权重来改进CBS处理接受域信息的能力和提升C2f对空间特征信息融合的能力,增强模型对小密集目标的检出能力.其次,融合CCFM与Dysample模块,该融合模块能够更有效的利用不同尺度信息并通过内部的点采样方法减少原先采样产生的模糊和失真.最后,在SPPF前向传播过程中融合高效多尺度注意力机制,该机制使得模型重点关注水下目标关键信息,降低误检率和错检率.实验结果表明,改进的轻量级模型在数据集DUO上进行验证,mAP50、mAP50:90值分别达到83.6%、64.2%,相较于YOLOv8基准模型 mAP50、mAP50:90值分别提升了1.4%、1.2%,参数量和计算量分别下降了32.3%、0.9 G.相较于其他目标检测模型满足了恶劣多变环境下的水下目标检测需求,为水下设备轻量级部署奠定基础.

    水下目标检测轻量化RFA卷积模块CCFM模块注意力机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    改进的YOLOv8s摔倒检测算法研究

    朱强军程靓靓汪慧兰王杨...
    190-196页
    查看更多>>摘要：为了能够准确的识别老人摔倒姿态,提出了一种改进的YOLOv8s摔倒检测模型.首先,在YOLOv8s模型的主干网络中引入SE注意力机制模块,将通道特征分成多个子图特征,让不同组的特征进行融合,使网络自适应地聚焦于关键特征,抑制对当前任务贡献度较小的特征,提高了特征提取能力;其次,用EIoU替换CIoU损失函数,加快收敛速度,提高了模型的精确率和稳定性;最后,将训练好的模型在URFD+等数据集上验证.实验结果表明,该模型精确率达到了99.50%,召回率达到了99.00%,mAP50达到了99.50%,比原模型的性能全面提升.与YOLOv5s+K-means++模型比较,精确率提升了3.22%,召回率提升了5.32%,mAP50提升了2.38%;与C2D-YOLO模型比较,精确率提升了10.00%,召回率提升了11.40%,mAP50提升了7.80%;与YOLOv5s+C3new模型比较,精确率提升了2.50%,召回率提升了6.80%,mAP50提升了4.1%.改进后模型较原模型和目前先进模型有较大的优势.

    摔倒检测YOLOv8s算法EIoU损失函数SE注意力机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据