<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Fasda12345的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Fasda12345</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Fasda12345]]></copyright><item><title><![CDATA[YOLOv11改进__设备清洁状态检测HAFB2模型实现]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/157031245</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/157031245</guid><author>Fasda12345</author><pubDate>Fri, 16 Jan 2026 18:01:11 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv11改进的HAFB2模型，用于设备清洁状态检测。该模型通过引入双分支注意力机制（空间和通道注意力）和优化的特征融合网络，显著提升了检测精度。实验表明，HAFB2在2000张设备状态图像数据集上达到96.3%的mAP@0.5和28.6 FPS的实时性能。模型已成功应用于智能清洁监控系统，使维护效率提升35%，设备寿命延长20%。部署时采用知识蒸馏、量化和剪枝等轻量化技术，在边缘设备上实现高效运行。未来将扩展至多设备协同检测和智能系统集成，构建更完整的设备管理生态。]]></description><category></category></item><item><title><![CDATA[基于yolo11-C3k2-AKConv的太阳能电池片缺陷检测技术分享]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/157030241</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/157030241</guid><author>Fasda12345</author><pubDate>Fri, 16 Jan 2026 17:35:59 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLO11的太阳能电池片缺陷检测方法。通过引入C3k2模块和AKConv自适应卷积核，模型在检测精度上显著提升。实验结果表明，改进后的YOLO11-C3k2-AKConv模型在mAP、召回率和精确率等指标上优于传统方法，特别是对裂纹、隐裂等微小缺陷的检测效果提升明显。该方法为光伏产业提供了一种高效、准确的缺陷检测解决方案，有助于提高太阳能电池片的质量控制水平。]]></description><category></category></item><item><title><![CDATA[食品腐烂检测_YOLOv8-CGRFPN创新改进：融合注意力机制的缺陷识别新方案]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156983859</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156983859</guid><author>Fasda12345</author><pubDate>Thu, 15 Jan 2026 13:27:36 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv8-CGRFPN的食品腐烂检测方法，通过融合跨注意力门控机制(CAG)和特征细化模块(FRM)，显著提升了模型对食品表面微小缺陷的识别能力。实验结果表明，该方法在水果、蔬菜等食品检测任务中，mAP@0.5达到0.893，比原YOLOv8提升3.7%，小目标检测性能提升尤为明显。同时，推理速度达到82.6 FPS，提高了15%，为食品工业智能化检测提供了高效解决方案。消融实验验证了各改进模块的有效性，可视化分析展示了模型对各类食品缺陷的准确识别能力。]]></description><category></category></item><item><title><![CDATA[【改进实现】基于YOLOv8的烟草广告图像多目标检测系统]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156983565</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156983565</guid><author>Fasda12345</author><pubDate>Thu, 15 Jan 2026 12:59:40 +0800</pubDate><description><![CDATA[本文介绍了基于YOLOv8的烟草广告图像多目标检测系统的设计与实现。系统采用PyTorch框架和Flask服务，通过改进YOLOv8模型结构、优化损失函数和训练策略，提升了烟草广告检测精度。数据集构建覆盖多种场景，采用数据增强技术增强泛化能力。系统包含图像采集、预处理、检测、可视化等模块，提供Web服务和API接口。性能优化措施包括模型量化、批处理和缓存机制，确保实时检测效率。该系统为烟草广告监管提供了有效的技术解决方案。]]></description><category></category></item><item><title><![CDATA[【深度学习】车轮检测与分割_vfnet_res2net模型实战]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156884351</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156884351</guid><author>Fasda12345</author><pubDate>Tue, 13 Jan 2026 08:48:13 +0800</pubDate><description><![CDATA[本文介绍了一种基于VFNet和Res2Net融合的车轮检测与分割模型。VFNet通过向量场引导机制优化边界框回归，Res2Net利用多尺度特征提取增强检测能力。融合模型结合两者优势，采用多任务学习策略同时优化检测和分割任务。研究构建了包含10,000张图像的车轮数据集，采用多种数据增强和正则化技术提升模型性能。实验表明该模型能有效处理不同大小、形状的车轮检测任务，在复杂环境下表现出色。未来研究可进一步优化模型在边缘设备上的部署效率。]]></description><category></category></item><item><title><![CDATA[使用VFNet模型实现车轮缺陷检测与分类_改进模型_r50-mdconv-c3-c5_fpn_ms-2x_coco]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156883591</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156883591</guid><author>Fasda12345</author><pubDate>Tue, 13 Jan 2026 08:24:58 +0800</pubDate><description><![CDATA[本文提出了一种基于改进VFNet模型的车轮缺陷检测与分类方法，针对工业环境中车轮缺陷检测面临的挑战（如小目标检测困难、复杂背景干扰等）进行了多项创新改进。通过改进C3模块、设计并行注意力结构和引入自适应学习率机制，显著提升了模型性能。实验结果显示，改进后的VFNet在自建数据集上达到91.5%的精确率和89.1%的召回率，相比原始模型提升显著。该系统已成功部署于铁路车辆段，满足实时检测需求。未来将研究轻量化模型、多模态融合等方向，进一步提升工业缺陷检测能力。]]></description><category></category></item><item><title><![CDATA[基于yolov10n的西瓜成熟度智能检测与分类系统实现详解]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156869908</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156869908</guid><author>Fasda12345</author><pubDate>Mon, 12 Jan 2026 18:49:02 +0800</pubDate><description><![CDATA[本文详细介绍了基于YOLOv10n的西瓜成熟度智能检测系统，该系统通过3383张预处理图像构建专用数据集，采用数据增强技术提升模型泛化能力。研究优化了YOLOv10n模型结构，调整损失函数，实现成熟度分类准确率达92%以上。系统包含图像采集、预处理、检测和后处理模块，支持实时检测（35ms/图），在不同光照条件下保持稳定性能。实验表明，系统对未成熟和成熟西瓜检测准确率超过93%，半成熟西瓜检测准确率89.7%。该系统可应用于农业生产自动化采摘、供应链分级筛选及消费选购辅助等场景，为西瓜产业提供智能化解决方案]]></description><category></category></item><item><title><![CDATA[YOLOv10n-MAFPN：西瓜目标检测模型改进与性能优化]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156869604</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156869604</guid><author>Fasda12345</author><pubDate>Mon, 12 Jan 2026 18:27:07 +0800</pubDate><description><![CDATA[本文提出了一种改进的YOLOv10n-MAFPN西瓜目标检测模型，通过融合多尺度特征金字塔网络(MAFPN)和注意力机制(CBAM)，显著提升了检测性能。实验表明，改进后的模型mAP@0.5达到0.887，比基准模型提升6.5%，同时保持轻量级(2.1M参数)和实时性(48FPS)。消融实验验证了各改进模块的有效性，MAFPN贡献最大提升(3.5%)。该技术已成功应用于智能农业监测系统，通过边缘计算实现田间西瓜的实时检测与计数，为精准农业提供了有效解决方案。]]></description><category></category></item><item><title><![CDATA[基于Faster-RCNN_R50_PAFPN_1x_COCO：表面质量缺陷检测与分割优化方案]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156766905</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156766905</guid><author>Fasda12345</author><pubDate>Fri, 09 Jan 2026 16:21:58 +0800</pubDate><description><![CDATA[本文介绍了基于Faster R-CNN的表面质量缺陷检测系统。系统采用PySide6开发GUI界面，支持图片、视频、摄像头等多种输入方式，并具备登录管理功能。数据集包含5000张图像，涵盖8类常见缺陷。Faster R-CNN通过区域建议网络(RPN)和特征金字塔网络(FPN)实现高效检测，采用两阶段流程提高准确性。文章详细阐述了算法原理、数据集构建、系统实现和代码结构，包括模型训练和预测的关键代码片段。该系统为工业质检提供了智能化解决方案，具有实际应用价值。]]></description><category></category></item><item><title><![CDATA[Secondary链条检测识别_YOLOv8-SPPF-LSKA模型优化实现]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156766246</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156766246</guid><author>Fasda12345</author><pubDate>Fri, 09 Jan 2026 16:01:29 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv8-SPPF-LSKA模型的Secondary链条检测算法，通过改进特征金字塔结构和引入轻量级空间注意力机制，有效解决了工业环境中链条检测面临的复杂背景干扰、多尺度目标识别等难题。该算法采用SPPF多尺度特征融合模块和LSKA轻量级空间注意力机制，在自建数据集上实现了87.1%的mAP@0.5和85.4%的召回率，相比原始YOLOv8分别提升了5.2%和7.8%。实验表明，该方法在保持实时检测速度的同时显著提升了检测精度，已成功应用于工业生产线。未来将探索更高效的注意力机制和3D]]></description><category></category></item><item><title><![CDATA[YOLOv5改进_GFPN网络结构提升纸箱包装目标检测效果_Python原创]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156674876</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156674876</guid><author>Fasda12345</author><pubDate>Wed, 07 Jan 2026 09:08:25 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv5改进的GFPN网络结构，用于提升纸箱包装目标检测效果。该方法通过引入全局特征金字塔网络(GFPN)，有效解决了传统YOLOv5在多尺度特征融合时的信息丢失问题。实验结果表明，改进后的YOLOv5s+GFPN模型在纸箱检测任务中mAP@0.5达到0.891，比原始模型提升8.3%，同时保持42FPS的实时性能。文章详细介绍了GFPN网络结构设计、实验验证及实际应用案例，并提供了Python实现代码。该方法特别适用于小尺寸、遮挡和复杂背景下的纸箱检测，已在工业生产线中取得96.7%]]></description><category></category></item><item><title><![CDATA[基于YOLO11-C3k2-PConv的卵母细胞和胚胎质量检测与分类系统]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156654435</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156654435</guid><author>Fasda12345</author><pubDate>Tue, 06 Jan 2026 18:42:14 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLO11算法的卵母细胞和胚胎质量检测系统，通过集成C3k2模块和部分卷积(PConv)技术，实现了高精度自动化评估。系统采用多尺度特征融合和混合卷积结构，优化了形态特征提取能力。实验表明，该方法在精确率、召回率和mAP等指标上表现优异，能有效处理显微图像中的噪声和变异问题，为辅助生殖技术提供了可靠的自动化评估方案。]]></description><category></category></item><item><title><![CDATA[珠宝物品检测与识别_YOLO13-C3k2-HFERB模型应用分析]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156559862</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156559862</guid><author>Fasda12345</author><pubDate>Sun, 04 Jan 2026 09:28:04 +0800</pubDate><description><![CDATA[本文研究了基于改进YOLO模型的珠宝物品检测技术，提出了YOLO13-C3k2-HFERB模型。该模型通过C3k2模块增强多尺度特征提取能力，采用HFERB机制优化特征融合，显著提升了珠宝检测精度。研究构建了包含15,000张图像的多场景珠宝数据集，并设计了针对性的数据增强和训练策略。实验结果表明，该模型在mAP指标上达到88.7%，比YOLOv7提升3.6%，对小尺寸珠宝检测效果尤为突出，精度提升9.8%。模型在精度与速度间取得良好平衡，适合实际应用部署。]]></description><category></category></item><item><title><![CDATA[虹膜图像识别与分类：基于YOLO11-C2PSA-EDFFN的改进方法_1]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156559123</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156559123</guid><author>Fasda12345</author><pubDate>Sun, 04 Jan 2026 08:51:18 +0800</pubDate><description><![CDATA[本文提出了一种改进的虹膜识别方法YOLO11-C2PSA-EDFFN，通过引入C2PSA注意力机制和EDFFN特征融合网络提升识别性能。实验结果表明，该方法在公开数据集上达到98.2%的准确率和1.8%的EER，显著优于传统方法和标准YOLO11模型。消融实验验证了各模块的有效性。该方法可广泛应用于安防、金融和医疗等领域，未来可向轻量化、隐私保护和多模态融合方向发展。]]></description><category></category></item><item><title><![CDATA[如何使用YOLO11-seg-EfficientRepBiPAN模型进行离子检测与识别_1]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156544696</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156544696</guid><author>Fasda12345</author><pubDate>Sat, 03 Jan 2026 21:49:06 +0800</pubDate><description><![CDATA[YOLO11离子检测模型摘要 本摘要介绍了使用YOLO11-seg-EfficientRepBiPAN模型进行离子检测的完整流程： 数据集：包含100张离子图像，采用YOLOv8格式标注，划分为训练集(70)、验证集(20)和测试集(10) 数据增强： Mosaic增强(4图拼接) MixUp增强(图像混合) 随机旋转(±15°) 随机裁剪 颜色抖动 模型配置： 基于YOLO11-seg架构 支持检测和分割任务 使用data.yaml配置数据集路径和类别 训练流程： 100个epoch训练 批量大小16 图]]></description><category></category></item><item><title><![CDATA[基于RetinaNet的通信基站天线绝缘子缺陷检测算法及数据集验证分析]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156544252</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156544252</guid><author>Fasda12345</author><pubDate>Sat, 03 Jan 2026 21:07:26 +0800</pubDate><description><![CDATA[本文提出了一种基于改进RetinaNet的通信基站天线绝缘子缺陷检测方法。通过构建包含5000张图像的专业数据集（含5种缺陷类型），采用ResNet-50+FPN作为主干网络，并引入SE注意力机制提升特征提取能力。模型训练采用Focal Loss解决样本不平衡问题，结合余弦退火学习率调度和早停策略优化训练过程。实验结果表明，该方法能有效检测绝缘子表面污秽、裂纹、破损等缺陷，克服了环境复杂性、小目标检测等挑战，为通信基础设施安全监测提供了自动化解决方案。]]></description><category></category></item><item><title><![CDATA[YOLO11-AFPN-P345地板托盘对象检测模型训练与实现原创]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156483200</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156483200</guid><author>Fasda12345</author><pubDate>Thu, 01 Jan 2026 11:42:24 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLO11-AFPN-P345的地板托盘检测模型，针对工业场景中托盘检测面临的尺度变化大、视角多变等挑战。该模型创新性地结合了AFPN自适应特征融合机制和P3-P5多尺度检测技术，通过动态调整特征融合权重和引入P3高分辨率检测层，显著提升了检测精度。实验结果表明，改进模型在自建数据集上mAP@0.5达到86.1%，相比基准模型提升3.8个百分点，尤其在小型托盘检测上表现突出。模型在保持实时性的同时，有效解决了复杂工业环境下的托盘检测问题。]]></description><category></category></item><item><title><![CDATA[【深度学习】【目标检测】基于YOLOv8与EMBSFPN的淡水鱼类智能识别系统_1]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156482348</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156482348</guid><author>Fasda12345</author><pubDate>Thu, 01 Jan 2026 10:57:39 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv8与EMBSFPN的淡水鱼类智能识别系统。该系统结合YOLOv8目标检测框架和EMBSFPN特征融合网络，通过双向特征融合和多尺度注意力机制，有效提升了复杂水下环境中鱼类识别的准确性。系统采用专门的数据增强策略处理水下图像特性，并实现了模型量化和剪枝优化，在保持95%以上精度的同时达到30FPS实时处理速度。实验结果表明，该系统在10类淡水鱼类数据集上表现优异，为水产养殖、生态监测等领域提供了高效可靠的智能识别解决方案。]]></description><category></category></item><item><title><![CDATA[鱼眼新鲜度检测：基于FreeAnchor模型的实现与优化]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156465213</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156465213</guid><author>Fasda12345</author><pubDate>Wed, 31 Dec 2025 20:47:47 +0800</pubDate><description><![CDATA[本文提出了一种基于改进FreeAnchor模型(FF-FreeAnchor)的鱼眼新鲜度检测方法。针对传统检测方法主观性强、效率低的问题，该方法通过多模态特征增强、自适应权重分配和轻量化锚框生成等优化策略，显著提升了检测性能。实验结果表明，改进后的算法在准确率(92.6%)和推理速度(13.6ms)上均优于对比算法。原型系统测试验证了该方法的实用性和鲁棒性，为食品质量检测提供了高效解决方案。未来研究将扩大数据集规模并探索多模态融合技术。]]></description><category></category></item><item><title><![CDATA[如何使用YOLO12-A2C2f-CGLU模型进行灭火器类型识别与检测 深度学习模型训练与优化指南]]></title><link>https://blog.youkuaiyun.com/Fasda12345/article/details/156464943</link><guid>https://blog.youkuaiyun.com/Fasda12345/article/details/156464943</guid><author>Fasda12345</author><pubDate>Wed, 31 Dec 2025 20:10:26 +0800</pubDate><description><![CDATA[本文介绍了基于YOLO12-A2C2f-CGLU模型的灭火器类型识别与检测方法。该模型通过A2C2f和CGLU模块增强了小目标检测和复杂背景适应能力，相比传统YOLO模型精度提升3-5%。文章详细阐述了数据集构建策略，包含5类灭火器样本及多种场景，并推荐了数据预处理方法。在训练配置方面，提供了硬件要求、软件环境和关键参数设置，强调学习率调度和动态批次调整策略。训练过程建议采用TensorBoard监控、检查点保存和早停机制，重点关注box_loss、cls_loss等指标变化。该方法适用于工业安全监控，可在]]></description><category></category></item></channel></rss>