mahtengdbb1-优快云博客

原创 YOLO11-C3k2-iRMB在花生检测中的应用——改进网络结构实现精准识别与性能优化_2

本文提出了一种改进的YOLO11-C3k2-iRMB网络结构用于花生检测任务。针对花生果实尺寸小、相互遮挡的特点，在YOLO11基础上引入C3k2注意力机制增强特征提取能力，采用iRMB轻量卷积模块提升计算效率。实验结果表明，改进后的模型在自建花生数据集上达到91.5% mAP，相比原始YOLO11提升4.3%，同时计算量减少23.5%，FPS提升至48。文章还设计了边缘-云协同部署架构，为农业智能化提供解决方案。未来将探索多模态数据和模型轻量化技术，进一步优化检测性能。

2026-01-07 12:36:44 683

原创隧道围岩病害识别与分类__mask-rcnn_r50-caffe_fpn_1x_coco实现

本文介绍了基于图像识别的隧道围岩病害检测方法，重点阐述了OpenCV基础操作、边缘检测、亮度提升等预处理技术，以及Mask R-CNN模型的构建与应用。通过Harris角点和SIFT特征点检测提取病害特征，结合5000张标注图像的数据集，采用两阶段训练策略优化模型性能。实验结果表明，该方法能有效识别裂缝、剥落等5类常见隧道病害，为工程检测提供智能化解决方案。

2026-01-07 11:53:41 661

原创基于YOLOv8的激光点检测系统实现与优化

本文提出了一种基于YOLOv8的激光点检测系统优化方法。针对激光点尺寸小、特征不明显的特点，通过引入CBAM注意力机制、改进FPN/PANet结构、优化损失函数（SIoU和Focal Loss）以及多尺度训练策略，显著提升了检测性能。实验表明，优化后的模型mAP@0.5从0.832提升至0.912，同时保持36FPS的实时性能。系统采用PyQt5开发前端界面，后端基于PyTorch实现图像预处理、目标检测和结果后处理功能，为激光点检测提供了高效解决方案。

2026-01-04 16:22:26 640

原创滑坡灾害检测 _ 基于YOLOv10n-CFPT的滑坡灾害智能识别系统_1

本文提出了一种基于YOLOv10n-CFPT的滑坡灾害智能识别系统。该系统通过引入特征金字塔注意力机制(CFPT)优化目标检测算法，显著提升了滑坡检测精度。实验表明，改进后的模型在自建数据集上达到89.6%的mAP@0.5，推理速度仅4.5ms，优于主流YOLO系列算法。系统已成功应用于西南地区滑坡监测，为灾害预警提供技术支持。研究通过算法优化、数据增强和损失函数改进，有效解决了滑坡检测中的尺度变化、样本不平衡等问题，实现了高精度实时检测。

2026-01-04 15:57:47 740

原创家鹅身体部位识别与定位系统：腹部头部颈部喙部翅膀检测与边界框标注_tood_r50_fpn_1x_coco_1

多目标检测：同时识别家鹅的五个关键身体部位精确定位：使用边界框精确标注每个部位的位置实时处理：支持实时视频流分析高精度识别：在复杂环境下保持较高的识别准确率系统采用YOLOv5算法作为基础模型，结合家鹅特点进行了优化，最终模型为，在COCO数据集上进行了预训练，然后在家鹅数据集上进行了微调。家鹅身体部位识别与定位系统基于深度学习技术，实现了对家鹅五个关键部位的精确识别和定位。系统在测试集上取得了90%以上的平均精度，能够满足实际应用需求。增加检测部位：扩展更多身体部位的检测，如腿部、尾部等。

2026-01-02 14:29:31 652

原创 YOLO13-C3k2-ESC：高尔夫球杆识别检测算法详解与实现

本文提出了一种专为高尔夫球杆识别优化的YOLO13-C3k2-ESC目标检测算法。该算法通过引入C3k2模块和ESC注意力机制，显著提升了细长物体的检测精度。C3k2模块采用k2卷积核和跨尺度连接优化特征提取，ESC注意力机制结合空间和通道特征增强识别能力。针对高尔夫球杆特点，设计了包含10,000张图像的数据集和专门的数据增强策略，并提出了包含长宽比损失的改进损失函数。实验表明，该算法在高尔夫球杆检测任务中表现优异，特别是在小目标和复杂场景下具有显著优势。

2026-01-02 14:00:37 602

原创【草莓智能检测】基于YOLO11-C3k2-MSMHSA-CGLU的草莓成熟度与质量检测算法改进

本文提出了一种改进的YOLO11-C3k2-MSMHSA-CGLU算法用于草莓成熟度与质量检测。针对传统人工检测效率低、主观性强等问题，该算法通过引入C3k2模块增强特征提取能力，融合MSMHSA注意力机制提升小目标检测精度，采用CGLU激活函数提高模型非线性表达能力。实验结果表明，改进算法在自建草莓数据集上达到87.2%的mAP，相比标准YOLO11提升4.9个百分点，同时保持了良好的实时性（14.2ms/帧）。该研究为草莓产业智能化提供了有效的技术解决方案。

2025-12-26 12:31:03 558

原创肉类品种识别与分类：基于YOLO11与EMBSFPN的改进方案

本文提出了一种基于YOLO11与EMBSFPN的肉类品种识别改进方案。通过构建包含10种常见肉类、约5000张图像的数据集，采用EMBSFPN增强特征提取能力，实现多尺度特征融合。实验表明，改进后的模型mAP达到89.7%，较基础YOLO11提升4.5%，同时保持较好实时性。该技术可应用于超市自助结账、肉类加工分拣等场景，未来将进一步优化轻量化设计和多模态融合。

2025-12-26 12:02:11 707

原创水稻播种线检测与识别使用yolov8-segmentation改进实现_1

水稻作为我国主要的粮食作物，其播种质量直接关系到后续的生长发育和最终产量。传统的播种质量检测方法主要依靠人工目测，不仅效率低下，而且主观性强，难以实现标准化评估。随着深度学习技术的快速发展，基于计算机视觉的自动检测技术为解决这一问题提供了新的可能。🚀本文介绍了一种基于改进YOLOv8-segmentation的水稻播种线检测与识别方法。该方法结合了目标检测和实例分割的优势，能够准确识别水稻播种线上的种子位置、方向和间距，为播种质量评估提供客观依据。

2025-12-25 19:22:53 777

原创使用Faster R-CNN X101-64x4d FPN 1x COCO进行板球检测训练及优化

本文介绍了使用Faster R-CNN X101-64x4d FPN模型进行板球检测的方法。主要内容包括：1) 环境配置要求；2) 板球检测数据集的准备和标注格式；3) 模型选择依据及其架构特点；4) 训练参数配置和优化策略；5) 性能评估指标和方法。文章详细阐述了从数据准备到模型训练、优化的完整流程，特别针对板球这类小目标检测提出了优化建议，包括混合精度训练、梯度累积等技术。实验结果表明，该方法能有效检测板球及运动员、球棒等目标，为体育分析提供技术支持。

2025-12-25 19:07:13 598

原创基于Faster-RCNN和RegNetX-3.2GF的混凝土裂缝检测与识别模型训练与评估

混凝土裂缝智能检测系统技术解析基于Faster-RCNN与RegNetX-3.2GF的深度学习方案，本文构建了高效的混凝土裂缝检测系统。针对裂缝形态多样、背景复杂等技术难点，系统采用模块化设计：前端交互界面（ui.py）与后端模型训练（mmdetection框架）分离，支持YOLO系列模型优化训练，实测mAP50-95达68%。通过边缘增强网络和注意力机制提升小目标检测能力，结合TensorRT加速实现工程级部署。项目提供完整数据集构建指南（标注工具/数据增强）、训练脚本及B站视频教程，为基建安全监测提供

2025-11-13 09:28:35 601

原创城市交通场景中的车辆检测与识别_YOLOv8-HSFPN模型应用

本文提出了一种改进的YOLOv8-HSFPN模型用于城市交通场景中的车辆检测。针对传统算法在复杂交通场景下的不足，该模型通过引入高效特征金字塔网络(HSFPN)、通道注意力机制和动态权重分配策略，显著提升了检测性能。实验结果表明，模型在mAP@0.5指标上达到0.875，相比原YOLOv8提升3.3个百分点，小目标检测AP提升4.5个百分点，同时保持11.8ms/帧的实时性能。该模型尤其擅长处理光照变化、遮挡等复杂场景，为智能交通系统提供了一种高效可靠的解决方案。文章还提供了完整的开源实现和详细的技术文档。

2025-11-13 08:55:29 1025

原创【智能停车】YOLO11多骨干网络DAF实现停车场车位状态与车牌识别系统详解

本文提出了一种基于YOLO11多骨干网络和DAF注意力机制的智能停车系统，用于实时检测车位状态和识别车牌信息。系统采用分层架构设计，结合CSPDarknet、ResNet和MobileNet三种骨干网络的优势，并创新性地引入DAF(Deformable Attention Fusion)注意力机制自适应调整感受野。通过构建包含10,000张停车场图像的数据集并采用多种数据增强策略，系统能够有效识别不同光照和角度下的车位状态及车牌信息。实验表明，该系统在保持较高精度的同时满足实时性要求，为解决城市停车难问题提

2025-11-12 22:01:33 953

原创基于YOLO11与多骨干网络的车位状态检测系统详解

YOLO系列目标检测模型从v1到v13经历了显著进化，从YOLOv1的网格预测机制到YOLOv8的Anchor-Free设计，在速度和精度间不断寻求平衡。本文系统梳理了YOLO家族发展历程，对比了v5到v8的关键指标（如YOLOv8x达到0.837 mAP），并分析了MMDetection框架中的经典模型（如Cascade R-CNN）。针对车位检测场景，详细介绍了一个基于YOLO11的系统，采用多骨干网络架构（ResNet50+MobileNetV2）和自适应特征融合机制，通过注意力加权实现多尺度特征优化

2025-11-12 21:15:56 607

原创【计算机视觉】集装箱及其部件检测与识别：基于YOLOv8-PST的智能识别系统_1

YOLOv8-PST是一种基于YOLOv8的改进目标检测模型，专门针对集装箱及其部件的检测任务进行了优化。该模型引入了PST(Position-Sensitive Transformer)模块，显著提升了小目标和密集目标的检测性能。本文详细介绍了一种基于YOLOv8-PST的集装箱及其部件智能识别系统。通过引入PST模块和多种优化策略，该系统在保持较高推理速度的同时，显著提升了检测精度，特别是在小目标和密集目标的检测任务中表现突出。

2025-11-11 23:44:14 782

原创雪豹检测与识别：基于libra-faster-rcnn_r50_fpn_1x_coco模型的实现与优化

本文介绍了基于libra-faster-rcnn_r50_fpn_1x_coco模型的雪豹检测系统开发。针对雪豹这一濒危物种的野外监测需求，研究构建了包含227张标注图像的专用数据集，并详细阐述了数据预处理流程（包括标准化尺寸调整至416×416像素）和数据增强方法（水平/垂直翻转、随机裁剪、椒盐噪声）。模型采用改进的Faster R-CNN框架，集成LIBRA模块解决样本不平衡问题，通过ResNet-50骨干网络和FPN特征金字塔实现多尺度目标检测。实验配置包括PyTorch环境搭建、MMDetectio

2025-11-11 23:10:49 1038

原创 YOLO11-ASF蚕茧质量检测与分类系统实战教程

本文介绍了一个基于改进YOLO11-ASF模型的蚕茧质量自动检测与分类系统。该系统采用CSPDarknet作为骨干网络，引入ASF注意力机制增强小目标检测能力，并优化了损失函数设计。系统架构包含图像采集、预处理、检测分类和结果输出四大模块，支持对正常茧和三类缺陷茧的识别。文章详细阐述了数据集准备要求（1000+图像，COCO标注格式）、模型改进要点（ASF注意力机制、Focal Loss和CIoU损失）以及训练环境配置，为蚕茧质量检测提供了一套完整的计算机视觉解决方案。项目通过注意力机制和自定义损失函数显著

2025-11-09 22:57:59 705

mahtengdbb1的博客