机器视觉-一篇小目标检测论文的解读-优快云博客

本文链接：https://blog.youkuaiyun.com/csdnharrychinese/article/details/136230684

研究提出一种风电机组叶片损伤检测新方法，结合CBAM注意力机制与BiFPN改进YOLOV8，增强了小目标提取和多尺度特征融合，实验显示在准确率等关键指标上优于传统模型，证明了方法的有效性和可行性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文

论文地址: https://www.mdpi.com/2227-9717/12/1/205

Research on an Intelligent Identification Method for Wind Turbine Blade Damage Based on CBAM-BiFPN-YOLOV8
Processes ( IF 3.5 ) Pub Date : 2024-01-18 , DOI: 10.3390/pr12010205
Hang Yu, Jianguo Wang, Yaxiong Han, Bin Fan, Chao Zhang

<<基于CBAM-BiFPN-YOLOV8的风电机组叶片损伤智能识别方法研究>>
为了解决风力涡轮机叶片损伤图像检测中复杂背景和多尺度特征分布的挑战，我们提出了一种基于增强型YOLOV8模型的方法。我们的方法侧重于三个关键方面：首先，我们通过将 CBAM 注意力机制集成到主干网络中来增强小目标特征的提取。其次，使用加权双向特征金字塔网络(BiFPN)代替路径聚合网络(PANet)来改进特征融合过程。这种修改优先考虑深层特征中的小目标特征，并促进多尺度特征的融合。最后，我们将损失函数从 CIoU 改进为 EIoU，增强对小目标的敏感性和边界框的抗扰动性，从而缩小计算预测与实际值之间的差距。实验结果表明，与YOLOV8模型相比，CBAM-BiFPN-YOLOV8模型在准确率、召回率、mAP@0.5、mAP@0.5:.95方面分别提高了1.