ASF1231415sd-优快云博客

原创【基于YOLOv10n-CSP-PTB的大豆花朵检测与识别系统详解】

YOLOv10是目标检测领域的新星，相比之前的YOLO系列，它在速度和精度上都有了显著提升。YOLOv10引入了更多的注意力机制和更高效的特征融合策略，使得模型能够在保持高检测精度的同时，大幅减少计算量。YOLOv10的核心创新点在于其动态分配计算资源的能力。传统目标检测模型对所有区域使用相同的计算资源，而YOLOv10能够根据目标的复杂程度动态调整计算量，这种自适应计算方式使得模型在保持高精度的同时，大幅提升了推理速度。本文详细介绍了一种基于YOLOv10n-CSP-PTB的大豆花朵检测与识别系统。

2026-01-10 13:27:48 820

原创士兵目标检测新突破：yolo11-LoGStem架构优化与性能提升详解

YOLOv11-LoGStem创新性地将拉普拉斯高斯变换(LoGStem)引入目标检测，显著提升了士兵检测性能。该架构通过LoGStemNet骨干网络实现高效多尺度特征提取，在标准测试中达到83.7% mAP，65FPS，同时减少参数量和计算量。训练策略采用自适应学习率和动态数据增强优化收敛效果。实际军事应用中，该技术可在边境监控、战场侦察等复杂环境下稳定运行，并支持模型剪枝、量化等轻量化部署方案，适配各类军事硬件平台。未来将探索多模态融合等方向进一步提升性能。

2026-01-10 12:57:43 1003

原创印尼西爪哇传统蜡染图案识别_yolov10n-ASF-P2部署实践

本文介绍了基于YOLOv10n模型在ASF-P2平台上部署印尼西爪哇传统蜡染图案识别系统的实践。该项目旨在通过计算机视觉技术保护和传承世界非物质文化遗产——印尼蜡染(Batik)。文章详细阐述了从数据集准备(收集5000+图片)、数据增强(扩展到20000+样本)、模型训练(YOLOv10n优化)到边缘设备部署(ASF-P2平台)的全流程。系统最终实现25FPS实时识别和92.3%准确率，可应用于文化旅游、文物鉴定等场景。项目展示了AI技术与传统文化保护的创新结合，为文化遗产数字化提供了可行方案。

2025-12-19 13:28:14 951

原创草莓病害智能识别与分类 - 基于YOLO11与多注意力网络的快速检测系统

本文提出了一种基于改进YOLO11的草莓病害智能检测系统，通过引入多尺度注意力网络(MANet)、C2PSA模块和SPPF模块，显著提升了病害检测精度。实验结果表明，改进模型在mAP@0.5指标上达到0.923，比原始YOLO11提高3.8个百分点，同时保持35FPS的推理速度。系统采用轻量化设计，可部署于移动设备，为农民提供实时病害检测服务。该技术解决了传统人工检测效率低、准确性不足的问题，为草莓病害早期预警和防治提供了有效工具。未来将探索多模态信息融合等方向，进一步提升系统性能。

2025-12-16 17:22:19 732

原创沉管隧道渗漏水检测_YOLO13-C3k2-MBRConv5模型应用

本文针对沉管隧道渗漏水检测问题，提出了一种基于改进YOLO13-C3k2-MBRConv5的检测方法。通过引入C3k2模块和MBRConv5注意力机制，有效提升了模型在复杂背景下对小目标的检测能力。实验结果表明，改进后的模型在mAP@0.5指标上达到0.912，比原版YOLOv8提升了4.1%，同时保持了较高的推理速度。实际应用验证了该方法的实用性和有效性，为沉管隧道的安全运营提供了有力的技术保障。未来，我们将继续优化模型性能，探索更先进的检测技术，为基础设施健康监测贡献更多力量。

2025-12-16 16:53:31 1081

原创如何使用yolov11训练使用—番茄炭疽病与品质检测数据集炭疽病症状识别、病害区域检测、成熟果实与腐烂果实区分目标检测 4类可直接用于模型训练 YOLO适用的txt格式

番茄炭疽病检测数据集与YOLOv11训练摘要本数据集(anthracnose_tomato v4)包含286张番茄图像，标注为YOLOv8格式，包含炭疽病、病害区域、成熟和腐烂4个类别。所有图像经过自动方向调整和EXIF信息剥离，并通过随机旋转(±90°)和亮度调整(±9%)生成3个增强版本。数据集已划分为训练/验证/测试集，采用CC BY 4.0许可协议。使用YOLOv11训练时，需准备Python 3.8+环境，安装torch、ultralytics等依赖库。训练流程包括：配置dataset.ya

2025-12-14 15:22:24 1343

原创使用reppoints实现微波天线与GSM天线目标检测【改进版】

本文详细介绍了如何使用RepPoints算法实现微波天线与GSM天线的目标检测，并提出了一系列有效的改进方案。通过多尺度特征融合、注意力机制和损失函数优化等手段，我们显著提高了检测精度，mAP达到了90.8%，相比基线方法提升了5.5个百分点。🎯。

2025-12-14 13:20:45 818

原创 solov2_r101-dcn_fpn_ms-3x_coco_小麦叶片病害检测与识别

本文提出了一种基于改进DCN的SOLOv2算法用于小麦叶片病害检测。针对小麦病害形态多样、背景复杂等问题，通过构建包含5种病害类型的高质量数据集，并设计改进DCN模块增强特征提取能力。实验表明，该算法在mAP@0.5和mAP@0.5:0.95指标上分别提升4.93%和5.38%，优于主流检测方法。消融实验验证了多尺度动态融合等关键组件的有效性。该研究为小麦病害智能检测提供了有效解决方案，未来可向轻量化模型和多模态融合方向拓展。

2025-12-11 10:49:39 917

原创基于YOLOv5-GhostHGNetV2的焊接缺陷检测与分类系统_2

焊接质量在工业生产中至关重要，焊接缺陷的及时检测能够有效提高产品质量和生产效率。本文介绍了一种基于YOLOv5和GhostHGNetV2融合架构的焊接缺陷检测与分类系统，该系统能够实时、准确地识别多种焊接缺陷类型，为工业质检提供了智能化解决方案。系统采用先进的深度学习技术，结合轻量化网络设计，在保证检测精度的同时，实现了边缘设备的实时推理能力。通过引入Ghost模块和HGNet的注意力机制，有效提升了模型对微小缺陷的特征提取能力。

2025-12-11 10:22:24 892

原创国家博物馆文物目标检测识别_YOLO11_C2CGA算法实现与优化_1

本文介绍了基于YOLO11和C2CGA算法的国家博物馆文物目标检测系统实现方案。主要内容包括：YOLO算法的数学原理与实现流程，通过回归问题实现目标定位和分类；详细展示了变电站缺陷检测数据集的训练过程与验证方法，包含准确率、召回率等评估指标；提供了完整的代码实现，涵盖模型加载、推理优化和多线程处理等关键技术；最后讨论了系统部署时的模型优化方法，如剪枝、量化等技术。该项目为文物保护领域提供了高效的AI解决方案，通过智能检测技术显著提升文物管理效率。

2025-12-09 10:41:11 1745

原创黄粉虫多阶段检测与分类识别：基于Faster R-CNN改进实现_原创

本文系统介绍了目标检测领域的主流模型与技术发展。首先详细解析了YOLO系列（v11和v8）的创新点，包括注意力机制、轻量级结构和动态采样等技术。接着对比了MMDetection框架下的Cascade RCNN和DETR等模型的特性与适用场景。通过性能对比表格展示了各模型在精度、速度等方面的差异。文章还分享了数据增强、训练优化等实战技巧，并展望了自监督学习和神经架构搜索等前沿方向。最后针对黄粉虫检测案例，阐述了基于Faster R-CNN的改进方案，重点介绍了特征金字塔网络等针对性优化策略。全文为读者提供了从

2025-12-09 10:12:08 960

原创 YOLO11-MultiSEAMHead纹身检测与识别详解

YOLO11-MultiSEAMHead是一种基于YOLOv11改进的纹身检测与识别模型，针对纹身图像的特殊性进行了优化。传统YOLO模型在通用目标检测任务上表现优异，但在纹身检测中面临诸多挑战，如纹身图案的多样性、皮肤纹理的干扰、不同光照条件下的表现差异等。MultiSEAMHead通过引入多尺度特征融合和注意力机制，显著提升了模型在复杂背景下的纹身检测能力。模型整体采用端到端的设计，输入为原始图像，输出为纹身的位置、类别和置信度。

2025-12-08 19:52:03 772

原创基于Cascade-RCNN和HRNetV2P的水上航标灯颜色识别与定位系统训练与部署

本文提出了一种基于Cascade-RCNN和HRNetV2P的水上航标灯智能识别系统。该系统采用深度学习技术，通过HRNetV2P进行多尺度特征提取，结合Cascade-RCNN实现航标灯的精确定位和颜色识别。研究设计了多任务学习框架，引入注意力机制优化模型性能，在5000张标注图像上训练后达到88.7%的mAP。系统经剪枝量化后部署在嵌入式设备，实现15fps实时检测，并在不同光照条件下保持稳定性能。实际测试显示系统识别准确率达95.3%，颜色识别准确率92.7%，定位误差小于5像素，显著提升了航标灯检测

2025-12-08 19:30:40 1113

原创 YOLOv10n改进系列_螺丝紧固件自动识别分类实战

摘要：本文介绍基于YOLOv10n的螺丝紧固件自动识别分类系统，针对工业检测场景进行优化。通过采集5000+螺丝图像构建数据集，采用数据增强技术提升模型泛化能力。对YOLOv10n模型进行多项改进：引入CDA模块增强几何特征捕捉，优化特征提取网络，并实施轻量化设计（参数量降至1.8M）。系统实现95.2%的mAP精度，在Jetson Nano上达到30FPS推理速度，适用于工业自动化、质量检测等场景。文章详细介绍了从数据采集、模型训练到部署的全流程解决方案。

2025-12-05 14:58:21 968

原创基于YOLO11-GhostHGNetV2的赛加羚羊目标检测与识别

本文提出了一种基于YOLO11-GhostHGNetV2的赛加羚羊目标检测系统，用于保护这种濒危物种。该系统结合YOLOv11的检测能力和GhostHGNetV2的轻量化结构，实现了92.5%的平均精度和45FPS的实时检测速度。通过构建包含15,000张图像的数据集，采用自适应训练策略优化模型性能。系统已在保护区部署，成功识别300多只个体，为种群监测提供可靠数据支持。未来将拓展多模态融合和3D检测等技术，进一步提升野生动物保护效率。

2025-12-05 14:21:51 967

原创 YOLO13-Seg改进之生猪健康状态识别与风险评估实战

1.3. 生猪健康状态识别与风险评估实战摘要 🐖🔍 本文提出了一种基于改进YOLO13-Seg模型的生猪健康状态智能识别系统。研究采用1448张标注图像的数据集，包含'healthy_pig'和'potential_risk'两类，通过以下技术创新实现精准识别：模型架构改进：在YOLO13-Seg基础上增加健康状态分类分支引入CBAM注意力机制增强特征提取采用Focal Loss解决类别不平衡问题数据处理优化：图像统一预处理为640x60像素应用椒盐噪声增强生成3倍数据自动剥离EXIF方

2025-12-03 13:01:28 930

原创美式橄榄球运动员动作识别：基于YOLOv3-tiny的装备与动作检测系统

本文介绍了基于YOLOv8和YOLOv3-tiny的美式橄榄球运动员装备与动作识别系统。系统使用包含1467张图像的Person_Style Combine数据集，通过数据增强扩充至5000+样本，采用实例分割技术标注运动员装备（头盔、护具等）和动作（传球、擒抱等）。研究提出改进的YOLOv8-seg模型，结合动态采样、注意力机制和多尺度特征融合，在测试集上达到92.3%的mAP。同时探讨了YOLOv3-tiny轻量化方案，实现实时检测。系统可应用于赛事分析、训练辅助和媒体制作，未来计划加入3D姿态估计功能

2025-12-03 12:26:23 1057

原创【深度学习实践】YOLOv8-FDPN：玫瑰叶片8种常见病害与害虫智能识别系统详解

本文介绍了一种基于YOLOv8-FDPN架构的玫瑰叶片病害与害虫智能识别系统。该系统通过改进的特征金字塔网络和Anchor-Free检测头，能够高效识别8种常见玫瑰病害与害虫，包括黑斑病、白粉病、蚜虫等。文章详细阐述了数据集构建、模型训练优化及部署应用的全流程，实验结果显示该系统mAP达到87.3%，模型大小仅3.2MB，适合移动端实时检测。该系统为玫瑰种植提供了智能化病害识别解决方案，有效提升了病虫害防治效率。

2025-11-24 17:12:04 219

原创 YOLOv8-SEAMHead鸟类检测与识别：高效目标检测模型详解

摘要：本文提出了一种基于YOLOv8-SEAMHead的高效鸟类检测模型，通过改进的SEAM注意力机制增强对小目标的特征提取能力。模型采用CSPDarknet骨干网络和余弦退火学习率策略，结合Focal Loss解决样本不平衡问题。实验表明，该模型在自建数据集上达到92.5% mAP，较原始YOLOv8提升3.2%，小目标检测精度提升5.7%。研究还探讨了模型在电力线路保护、农业监测等场景的应用，并实现了移动端轻量化部署，为生态监测提供了高效的解决方案。

2025-11-23 11:37:09 335

原创热成像枪支检测实战_yolov9t改进方案

本文针对热成像枪支检测任务，对YOLOv9t模型进行了多方面改进，包括特征提取模块优化、损失函数调整和模型蒸馏压缩等。实验结果表明，改进后的模型在保持较高检测精度的同时，显著提高了推理速度，适合实时检测场景。多模态融合：结合可见光图像和热成像数据，提高检测鲁棒性。无监督学习：减少对标注数据的依赖，降低数据构建成本。端到端优化：从数据采集到报警输出的全流程优化。热成像枪支检测数据集获取通过不断改进和优化，我们相信热成像枪支检测技术将在公共安全领域发挥越来越重要的作用，为构建更安全的社会环境贡献力量。

2025-11-23 11:05:12 106

ASF1231415sd的博客