<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LASDAaaa1231的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LASDAaaa1231</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LASDAaaa1231]]></copyright><item><title><![CDATA[超详解_蓝莓目标检测模型优化_YOLO11-C2TSSA-DYT-Mona-EDFFN实现与调参指南]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157544424</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157544424</guid><author>LASDAaaa1231</author><pubDate>Fri, 30 Jan 2026 11:20:19 +0800</pubDate><description><![CDATA[本文提出了一种改进的YOLOv11蓝莓检测算法，通过融合C2TSSA（通道级时间自注意力）、DYT（动态YOLO Transformer）、Mona（多尺度目标网络注意力）和EDFFN（增强双特征融合网络）四个创新模块，显著提升了蓝莓检测性能。实验结果显示，改进模型在mAP@0.5和mAP@0.5:0.95指标上分别达到0.936和0.728，较原始YOLOv11提升6.4%和8.5%。文章详细介绍了模型结构创新、训练调参策略（如余弦退火学习率调度）及实际应用场景（智能采摘机器人、精准农业管理）。该研究为农]]></description><category></category></item><item><title><![CDATA[道路黑冰与水坑检测识别：基于RetinaNet_effb3_fpn的模型实现与分析]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157543672</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157543672</guid><author>LASDAaaa1231</author><pubDate>Fri, 30 Jan 2026 10:53:17 +0800</pubDate><description><![CDATA[本文基于RetinaNet_effb3_fpn模型实现了道路黑冰与水坑的智能检测。研究构建了包含2000张图像的数据集，采用EfficientNet-B3骨干网络和FPN结构，通过迁移学习和多种优化策略训练模型，在验证集上达到92.3%的mAP。实验表明，模型对水坑检测（93.4%mAP）优于黑冰（91.2%mAP）。系统已部署到嵌入式平台，实现15FPS实时检测，成功预防多起交通事故。未来将探索多模态融合和模型轻量化等改进方向，进一步提升恶劣天气下的检测性能。]]></description><category></category></item><item><title><![CDATA[【UltralyticsYolo11目标检测项目-01】基于C2PSA-EDFFN的喜鹊鸟类检测模型实现_1]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157542865</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157542865</guid><author>LASDAaaa1231</author><pubDate>Fri, 30 Jan 2026 10:26:30 +0800</pubDate><description><![CDATA[本文提出了一种基于C2PSA-EDFFN的喜鹊鸟类检测模型，结合改进的神经网络结构与YOLOv11框架。研究首先回顾了目标检测算法的发展历程，从R-CNN到Faster R-CNN的演进过程。重点介绍了C2PSA模块的设计，该模块通过跨阶段部分空间注意力机制增强关键特征提取能力，特别适用于喜鹊羽毛纹理等判别性特征。模型还包含EDFFN网络结构，旨在提高检测精度和效率。该研究为鸟类检测提供了新的技术方案，对生态监测和生物多样性研究具有重要意义。]]></description><category></category></item><item><title><![CDATA[电力巡检实战：基于YOLOv8-SEG-P6的输电线路鸟类检测与识别技术详解]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157542336</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157542336</guid><author>LASDAaaa1231</author><pubDate>Fri, 30 Jan 2026 09:53:02 +0800</pubDate><description><![CDATA[本文详细介绍了基于YOLOv8-SEG-P6的输电线路鸟类检测与识别技术。针对电力巡检中鸟类活动威胁输电线路安全的问题，研究采用高清相机和红外热像仪采集数据，并通过CLAHE增强、双边滤波等预处理技术优化图像质量。改进的YOLOv8-SEG-P6模型引入CBAM注意力机制和自适应特征融合模块，显著提升了检测精度。实验结果表明，该模型在mAP@0.5和召回率分别达到0.915和0.898，优于对比模型，为电力巡检智能化提供了有效解决方案。]]></description><category></category></item><item><title><![CDATA[红外图像中的鸟类目标检测：YOLOv5-SPDConv改进实践]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157541738</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157541738</guid><author>LASDAaaa1231</author><pubDate>Fri, 30 Jan 2026 09:29:19 +0800</pubDate><description><![CDATA[摘要： 本文提出一种改进YOLOv5的鸟类目标检测方法，针对红外图像低对比度、模糊边缘等挑战，引入SPDConv模块优化特征提取。SPDConv通过空间与深度分离卷积降低计算量，同时保留多尺度特征。改进方案替换骨干网络部分卷积层，优化特征融合模块，实验表明该方法在红外鸟类检测中兼顾精度与效率，为复杂场景下的目标检测提供新思路。（149字）]]></description><category></category></item><item><title><![CDATA[基于YOLO13-C3k2-SMAFB的玉米种子检测与识别系统]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157515264</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157515264</guid><author>LASDAaaa1231</author><pubDate>Thu, 29 Jan 2026 19:09:13 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLOv13架构的玉米种子检测系统，通过引入C3k2模块和SMAFB注意力机制，显著提升了检测性能。C3k2模块采用k-means聚类和多分支结构，有效解决了小种子检测难题；SMAFB机制结合空间和通道注意力，增强了复杂背景下的识别能力。实验结果表明，该系统在5000张玉米种子图像数据集上达到92.6%的mAP，优于主流算法。系统支持多种部署方案，已在多个种植基地应用，为农业生产提供了高效、精准的种子质量检测解决方案。]]></description><category></category></item><item><title><![CDATA[基于DETR的花卉种类识别与分类系统详解]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157514535</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157514535</guid><author>LASDAaaa1231</author><pubDate>Thu, 29 Jan 2026 18:16:08 +0800</pubDate><description><![CDATA[本文详细介绍基于DETR的花卉识别系统构建过程。系统采用Transformer架构实现端到端目标检测，统一了检测和分类任务。数据集包含100多种花卉共5-10万张图像，通过数据增强提升泛化能力。改进的FlowerDETR模型引入多尺度特征融合和注意力机制优化，mAP提升约5%。训练采用两阶段策略和Optuna超参数优化，最终实现高效准确的花卉识别。该系统适用于农业、园艺等领域，为植物分类研究提供新思路。]]></description><category></category></item><item><title><![CDATA[尿液细胞实例分割与识别 - solo_r50_fpn_1x_coco模型实现]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157513775</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157513775</guid><author>LASDAaaa1231</author><pubDate>Thu, 29 Jan 2026 17:40:57 +0800</pubDate><description><![CDATA[本文介绍了基于SOLO模型的尿液细胞实例分割方法，详细阐述了模型选择、训练优化和评估部署等关键环节。SOLO_r50_fpn_1x_coco模型通过ResNet-50骨干网络和FPN特征提取器实现高效分割，采用网格预测机制将实例分割转化为分类问题。训练过程使用SGD优化器和余弦退火学习率策略，配合交叉熵和Dice损失函数处理类别不平衡问题。评估指标包括IoU、Dice系数等，全面衡量分割性能。最后讨论了模型部署时需权衡的推理速度、内存占用等因素，为医学图像分析提供了实用解决方案。]]></description><category></category></item><item><title><![CDATA[【深度学习实战】基于YOLOv10n-HGNetV2的大学证书信息识别与关键元素提取全流程解析]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157512787</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157512787</guid><author>LASDAaaa1231</author><pubDate>Thu, 29 Jan 2026 17:03:07 +0800</pubDate><description><![CDATA[YOLOv10n是YOLO系列中的最新版本，以其高效性和准确性在目标检测领域备受关注。与之前的版本相比，YOLOv10n引入了更先进的特征融合机制和损失函数设计，使其在保持实时检测性能的同时，提高了小目标检测的准确性。YOLOv10n的网络结构主要由三个部分组成：Backbone（骨干网络）、Neck（颈部网络）和Head（检测头）。其中，Backbone负责提取图像的多尺度特征，Neck通过特征金字塔网络（FPN）和路径聚合网络（PAN）进行特征融合，Head则负责生成最终的检测框和类别概率。]]></description><category></category></item><item><title><![CDATA[基于Yolo11-C3k2-EMBC的路基工程干湿状态识别系统研究_1]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157203033</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157203033</guid><author>LASDAaaa1231</author><pubDate>Wed, 21 Jan 2026 09:11:19 +0800</pubDate><description><![CDATA[本文提出了一种基于改进Yolo11-C3k2-EMBC模型的路基工程干湿状态智能识别系统。该系统通过融合计算机视觉与深度学习技术，实现了对路基表面干湿状态的自动检测。核心创新点在于C3k2-EMBC模块，该模块结合通道注意力与空间注意力机制，采用多尺度特征融合策略提升特征提取能力。实验表明，该系统准确率达96.8%，处理速度30帧/秒，显著优于传统检测方法。实际工程应用显示，该系统使路基不合格率从8.5%降至2.3%，检测效率提升10倍以上。未来将优化模型结构并扩展功能，形成更完整的路基质量检测系统。]]></description><category></category></item><item><title><![CDATA[【计算机视觉】基于Mask R-CNN的自动扶梯缺陷检测方法实现]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157134047</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157134047</guid><author>LASDAaaa1231</author><pubDate>Mon, 19 Jan 2026 13:49:52 +0800</pubDate><description><![CDATA[基于Mask R-CNN的扶梯缺陷检测方法为扶梯安全监控提供了有效的技术手段。通过多尺度检测、小目标检测和类别不平衡处理等技术的综合应用，我们的方法在检测精度和实时性方面都取得了良好效果。无监督学习：探索无监督或半监督学习方法，减少对标注数据的依赖。多模态融合：结合红外、振动等多模态数据，提高检测的准确性和可靠性。边缘计算优化：进一步优化模型，使其能够在资源受限的边缘设备上高效运行。预测性维护：结合历史数据，实现缺陷发展趋势的预测，从被动检测转向主动预防。]]></description><category></category></item><item><title><![CDATA[智能家庭安防场景下的多物体检测与识别：基于YOLO11-MSGA的改进方案]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157133663</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157133663</guid><author>LASDAaaa1231</author><pubDate>Mon, 19 Jan 2026 13:27:37 +0800</pubDate><description><![CDATA[智能家庭安防多物体检测系统改进研究 摘要：本研究针对家庭安防场景提出了一种基于YOLO11-MSGA的改进目标检测方案。通过引入多尺度门控注意力机制(MSGA)和优化损失函数，有效提升了模型对家庭环境中多尺度目标的检测能力。实验结果表明，改进后的YOLO11-MSGA在家庭安防数据集上mAP@0.5达到0.786，较原始YOLO11提升5.9%，同时保持42FPS的实时检测性能。消融实验验证了MSGA模块的核心贡献，实际应用案例展示了该方案在家庭入侵检测系统中的有效性，为智能安防系统提供了更精准的目标检测解]]></description><category></category></item><item><title><![CDATA[变电站电气柜门开启状态检测_YOLOv10n_EUCB实现_1]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157022824</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157022824</guid><author>LASDAaaa1231</author><pubDate>Fri, 16 Jan 2026 11:43:08 +0800</pubDate><description><![CDATA[本文介绍了一种基于YOLOv10n和EUCB数据集的变电站电气柜门开启状态检测方法。随着智能电网和变电站自动化程度的提高，对变电站设备状态的实时监控变得尤为重要。电气柜门的异常开启可能导致设备故障甚至安全事故，因此开发高效准确的检测系统具有重要意义。我们采用最新的YOLOv10n模型，结合EUCB数据集，实现了对电气柜门开启状态的实时检测，准确率达到95.3%，推理速度达到28FPS，完全满足实际应用需求。关键词: 变电站监控, 电气柜门检测, YOLOv10n, EUCB数据集, 目标检测, 电力安全。]]></description><category></category></item><item><title><![CDATA[茄子叶片病害识别系统 _ Mask-RCNN与RegNetX结合模型实现_2]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157022354</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/157022354</guid><author>LASDAaaa1231</author><pubDate>Fri, 16 Jan 2026 11:16:32 +0800</pubDate><description><![CDATA[本文提出了一种结合Mask R-CNN与RegNetX的茄子叶片病害识别系统。该系统采用两阶段检测策略，利用RegNetX作为骨干网络提取特征，通过Mask R-CNN进行病害区域定位和分类。实验结果表明，该方法在mAP指标上达到89.2%，优于传统Faster R-CNN和YOLOv5等模型。针对农业应用场景，系统进行了模型量化和边缘设备优化，在树莓派上实现5FPS处理速度。该系统能准确识别5种常见茄子病害，为智能化农业病害检测提供了有效解决方案。]]></description><category></category></item><item><title><![CDATA[【YOLOv11改进系列】：基于ASF算法的木材托盘目标检测与识别（附源码）]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156982493</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156982493</guid><author>LASDAaaa1231</author><pubDate>Thu, 15 Jan 2026 11:55:52 +0800</pubDate><description><![CDATA[本文介绍了YOLOv11结合ASF(Adaptive Scale Fusion)算法改进木材托盘目标检测的方法。ASF算法通过动态调整特征层权重实现多尺度信息融合，显著提升小目标检测精度。文章详细阐述了ASF数学模型、YOLOv11-ASF网络结构及实现代码，包括特征融合模块和温度系数控制。实验采用1000张木材托盘图像数据集，通过多种数据增强策略提升模型泛化能力。训练配置采用余弦退火学习率调度和SGD优化器，损失函数包含分类、回归和DFL三部分。该方法在保持检测速度的同时有效提升了木材托盘的检测精度。]]></description><category></category></item><item><title><![CDATA[【YOLOv10n】墙面植物生长识别与检测_MSGA改进方法_1]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156981748</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156981748</guid><author>LASDAaaa1231</author><pubDate>Thu, 15 Jan 2026 11:17:01 +0800</pubDate><description><![CDATA[本研究提出了一种基于改进YOLOv10n的墙面植物生长检测方法MSGA。针对墙面植物检测中存在的背景复杂、目标尺度多变等问题，通过构建专用数据集（5000张图像）并采用GAN数据增强技术，结合多尺度空间注意力和门控注意力机制，显著提升了检测性能。实验表明，该方法有效解决了墙面植物生长状态监测的难题，在测试集上mAP提升了3.2个百分点，为城市绿化监测提供了高效的技术方案。]]></description><category></category></item><item><title><![CDATA[YOLO13-C3k2-AdditiveBlock：铜材料智能检测与识别系统的创新实现与应用实践]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156941206</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156941206</guid><author>LASDAaaa1231</author><pubDate>Wed, 14 Jan 2026 11:16:47 +0800</pubDate><description><![CDATA[铜材料智能检测与识别系统采用了最新的YOLO13-C3k2-AdditiveBlock架构，结合了C3k2模块和AdditiveBlock的创新设计，专门针对铜材料表面缺陷检测进行了优化。系统不仅能准确识别铜材料的位置，还能对铜材料的表面质量进行评估，包括划痕、氧化、凹陷等常见缺陷类型的识别。如图所示，系统整体架构包括图像采集模块、预处理模块、检测模块和结果输出模块四个主要部分。]]></description><category></category></item><item><title><![CDATA[YOLOv5-HSFPN：卡车车门状态检测与识别系统实战_1]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156939229</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156939229</guid><author>LASDAaaa1231</author><pubDate>Wed, 14 Jan 2026 10:48:12 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLOv5和HSFPN的卡车车门状态检测系统。通过引入HSFPN模块增强多尺度特征融合能力，系统在保持实时性的同时显著提升了检测精度。实验表明，改进模型mAP达到86.7%，较原始YOLOv5提升4.2个百分点。该系统可应用于物流园区、停车场等场景，实现车门状态的智能化监测与管理。未来将探索注意力机制和多模态融合等优化方向，进一步扩展应用范围。]]></description><category></category></item><item><title><![CDATA[YOLOv8墙体损伤检测：模型压缩与精准分级]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156861343</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156861343</guid><author>LASDAaaa1231</author><pubDate>Mon, 12 Jan 2026 14:29:36 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv8的墙体损伤检测与分级方法，通过知识蒸馏、量化和剪枝技术将模型压缩60%以上，同时保持86.7%的mAP精度。设计的多级分类框架可将损伤分为轻微、中等和严重三个等级，平均准确率达92.5%。实验表明，该方法在保持高精度的同时显著提升了推理速度（降低65%），适用于边缘设备部署。该系统已在建筑工地实际应用，为建筑安全评估提供了高效可靠的自动化解决方案。]]></description><category></category></item><item><title><![CDATA[智能消防设备检测与识别_GA-ResNet-X101模型实现]]></title><link>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156860468</link><guid>https://blog.youkuaiyun.com/LASDAaaa1231/article/details/156860468</guid><author>LASDAaaa1231</author><pubDate>Mon, 12 Jan 2026 14:10:55 +0800</pubDate><description><![CDATA[本文提出了一种基于GA-ResNet-X101模型的智能消防设备检测方法。通过遗传算法优化网络结构，结合多任务损失函数和渐进式训练策略，模型在自建数据集上达到89.5%的mAP，优于主流检测算法。实验表明，该方法能有效识别灭火器、消防栓等设备，适用于楼宇监控、仓库巡检等场景。研究还提供了云端和边缘设备两种部署方案，通过模型量化技术实现高效推理，为消防安全智能化管理提供了可行解决方案。]]></description><category></category></item></channel></rss>