- 博客(111)
- 收藏
- 关注
RSS订阅原创 基于YOLO12-FCM的电梯状态识别与分类系统
摘要 本文详细介绍了基于YOLO12-FCM的电梯状态识别与分类系统的环境配置过程。主要内容包括：1）资源准备（提供百度云下载链接，含CUDA、cuDNN、Anaconda、PyCharm安装包及YOLOv5源码）；2）开发环境搭建步骤（Anaconda虚拟环境创建、PyCharm工程配置）；3）CUDA 10.2和cuDNN 7.6.5的安装与验证；4）PyTorch 1.5.1及其他依赖库的多版本安装方案。特别强调路径中不能含中文，并提供不同CUDA版本切换的解决方案。适用于Windows平台，配置完整
2025-11-18 12:04:05
581
原创 地震灾害后建筑坍塌检测：YOLOv10n-StarNet-BiFPN模型应用与实现
本文提出了一种基于YOLOv10n-StarNet-BiFPN模型的地震灾害后建筑坍塌检测方法。该模型整合了YOLOv10n的高效检测能力、StarNet注意力机制和BiFPN特征融合优势，通过多任务损失函数优化训练。在包含10,000张图像的数据集上测试显示，该模型达到0.856 mAP@0.5，优于YOLOv5s和YOLOv8n等基准模型。消融实验验证了各模块的有效性，实际部署中通过量化剪枝等技术实现了边缘设备30FPS实时检测。该方法显著提升了灾后救援效率，未来可结合多模态数据进一步优化性能。
2025-11-18 11:35:41
707
原创 易拉罐识别与检测——基于YOLOv8的智能识别系统实现_2
本文提出了一种基于YOLOv8的易拉罐智能识别系统。该系统采用深度学习技术，通过构建包含5类常见易拉罐（10,000张图像）的数据集，对YOLOv8模型进行优化训练，实现了工业生产线上易拉罐的高效识别与分类。系统在NVIDIA Jetson Nano边缘设备上部署，经TensorRT优化后推理速度达15ms/帧（66.7 FPS），测试集上mAP达92.5%。评估显示，系统在不同光照和角度条件下均保持良好性能，可满足饮料生产线、回收站等多场景需求。未来计划拓展小尺寸识别、状态检测及移动端应用等功能。
2025-11-18 11:08:21
719
原创 多旋翼无人机目标检测_yolov10n-HAFB-1_改进YOLOv10n模型实现
上图展示了我们智慧图像识别系统的主界面，可以看到系统包含了三个核心模块：用户管理模块、模型训练模块和模型识别模块。😊 这就像给无人机配备了一个完整的"视觉管家"，从用户权限到模型训练再到实际识别，一站式搞定！在这个项目中，我们主要聚焦于模型训练模块，特别是对YOLov10n模型的改进工作。🔧 YOLO系列模型以其出色的实时检测性能而闻名，而我们的改进版本——YOLov10n-HAFB-1，在保持轻量级的同时，进一步提升了检测精度，特别适合资源有限的无人机平台。💪。
2025-11-18 10:36:16
679
原创 基于YOLOv8-VanillaNet的水印检测与识别系统详解（附源码）
本文提出了一种基于YOLOv8-VanillaNet的水印检测与识别系统，通过引入极简架构设计和可学习激活函数，显著提升了算法的轻量化和实时性。系统采用改进的YOLOv8骨干网络，结合简化卷积结构和通道注意力机制，在保持92.5%检测精度的同时，推理速度提升25%，模型体积减小40%。实验表明，该系统在数字版权保护、内容审核等场景具有广泛应用前景。作者提供了完整的开源实现和预训练模型，支持在不同硬件平台部署。未来工作将探索更先进的轻量化结构和无监督学习方法，进一步扩展应用场景。
2025-11-18 10:04:54
1015
原创 【化学实验装置】YOLOv10n-HAFB-2蒸馏设备部件检测系统
本文介绍了基于YOLOv10n-HAFB-2的蒸馏设备部件检测系统，该系统利用深度学习技术识别化学实验中的蒸馏装置部件。系统采用优化的YOLOv10n架构，包含Darknet53特征提取网络和专门设计的检测头，能够实时检测蒸馏装置中的7类关键部件。研究构建了包含1000张图像的数据集Distillation-2，通过精确率、召回率、F1分数和mAP等指标评估系统性能。实验结果表明，该系统在复杂场景下仍能保持高检测精度和实时性，已成功应用于化学实验教学。研究团队开源了部分数据和代码，并计划进一步扩展系统功能，
2025-11-18 09:33:12
979
原创 有毒生物识别与分类：基于YOLOv8-LSKNet的蛇类与蘑菇物种检测系统
本文提出了一种基于改进YOLOv8架构的有毒生物检测系统，通过结合ResNet50特征提取器和注意力机制（SE和CBAM），实现了对蛇类与蘑菇物种的准确识别。网络采用多尺度特征融合策略和残差连接结构，解决了深度网络退化问题，同时提高了对小目标和相似物种的区分能力。实验表明，该系统在有毒生物检测任务中表现优异，为野外安全防护和生态研究提供了有效的自动化解决方案。核心创新点包括：融合ResNet50特征提取能力、注意力机制增强关键特征提取，以及多尺度检测架构设计。
2025-11-18 09:02:50
865
原创 ✅ YOLO11-Seg-Slimneck连接器缺陷检测系统：f类和p类缺陷识别实战项目（附源码）
本项目基于YOLO11-Seg-Slimneck架构，成功实现了连接器f类和p类缺陷的高精度检测，系统已在实际生产环境中得到验证。通过结合目标检测与图像分割技术，系统能够同时提供缺陷的位置信息和精确分割结果，为质量评估提供了全面的数据支持。未来，我们将继续优化系统性能，扩展检测范围，并探索更多工业应用场景。随着深度学习技术的不断发展，我们有理由相信，基于AI的视觉检测将在工业质量控制中发挥越来越重要的作用。了解更多技术细节和最新进展。
2025-11-17 13:05:08
1125
原创 地震破坏检测新突破：Yolov10n-SPPF-LSKA模型实现建筑物坍塌状态识别
摘要：本文提出了一种改进的YOLOv10n-SPPF-LSKA模型用于地震后建筑物坍塌状态识别，通过引入SPPF-LSKA模块结合空间金字塔池化和自注意力机制，显著提升了特征提取能力。模型采用轻量化设计，在保持高精度的同时运行效率提升31.7%（158 FPS）。实验显示该模型mAP达到68.5%，优于基准模型2.3个百分点，并已成功应用于地震应急系统，能在15秒内完成1平方公里区域的损伤评估。项目代码和模型已开源，为地震救援决策提供了高效技术支持。🚀
2025-11-17 12:38:20
818
原创 【深度学习】【目标检测】鸟蛤(Cockles)自动识别与分类系统
本文介绍了一种基于FCOS算法的鸟蛤自动识别与分类系统。通过摒弃锚点机制，引入中心度预测，FCOS在鸟蛤检测任务上取得了优异的性能。实验结果表明，FCOS在检测精度和推理速度上都优于传统算法，能够满足实际生产需求。数据增强：针对鸟蛤图像的特点，设计更有效的数据增强策略，提高模型的泛化能力。模型轻量化：探索更轻量级的网络结构，使系统能够在资源受限的嵌入式设备上运行。多任务学习：将鸟蛤的成熟度、大小等属性检测纳入系统，实现更全面的自动化分拣。
2025-11-17 12:10:14
789
原创 榴莲树叶病害识别与分类-Cascade RCNN模型优化实现
榴莲树叶病害识别数据集与技术优化 摘要 本文介绍了一个专门针对榴莲树病害识别的图像数据集，包含200张YOLOv8格式标注的图像，涵盖藻斑病、叶枯病、叶斑病和无病害四类。数据经预处理调整为640×640像素，分为训练集、验证集和测试集。文章重点阐述了基于Cascade RCNN模型的优化方法，包括特征金字塔网络(FPN)实现和多阶段检测器级联结构，通过损失函数优化增强小目标检测能力，有效解决榴莲树叶病害斑点大小差异大的识别难题。该研究为农业病害自动监测提供了技术支持。
2025-11-17 11:36:40
986
原创 基于Faster R-CNN改进模型的圆形农田识别与农业灌溉系统分析_1
本文针对农业灌溉需求提出了一种基于改进Faster R-CNN模型的圆形农田识别方法。通过引入多尺度训练策略和余弦退火学习率优化，显著提升了模型对不同尺度农田的检测精度。实验结果表明，改进模型mAP达到85.9%，较原模型提高7.3个百分点，小农田检测召回率提升9.5%。该系统已成功集成于智能灌溉决策平台，实现农田面积精准计算和按需灌溉，初步应用显示水资源利用效率提高25%，作物产量增长8%。未来将进一步优化模型轻量化设计，提升系统实时性能。
2025-11-17 11:05:37
907
原创 花点斑鳍石斑鱼目标检测与识别 - 基于改进DINO模型的实现
本文提出了一种基于改进DINO模型的花点斑鳍石斑鱼目标检测方法。通过多尺度特征融合、自适应类别权重损失和轻量级注意力机制等改进，模型在自建数据集上达到92.7%的mAP和22.4FPS的推理速度。实验表明，该方法优于YOLOv5和Faster R-CNN等主流算法，成功应用于实际养殖监测系统。未来将探索模型轻量化、多模态融合等技术以进一步提升性能。
2025-11-17 10:43:09
1058
原创 芯片检测实战_yolo11-C3k2-MambaOut-FDConv实现芯片引脚识别与分类
摘要： 本文提出基于改进YOLO11的芯片引脚检测系统，创新性引入C3k2、MambaOut和FDConv模块提升检测性能。C3k2通过自适应通道重组优化特征提取，MambaOut增强长距离特征建模能力，FDConv在频域动态调整卷积核参数。实验采用10,000张多类型芯片图像，结合专业数据增强策略，最终模型达到94.8%的mAP，较基线YOLOv5提升10.6个百分点。该系统解决了传统方法对高密度芯片检测精度不足的问题，在定位精度和分类准确率上分别提升6.7%和5.2%，为工业自动化质检提供了高效解决方案
2025-11-17 10:13:58
1200
原创 基于Faster R-CNN的鸡只跛足检测系统_X101-64x4d_FPN_2x_Coco模型训练与部署
摘要：本文基于改进的Faster R-CNN模型（ResNeXt-101-64x4d骨干网络+FPN结构）开发了一套鸡只跛足检测系统。通过构建包含10,000张图像的数据集，采用两阶段训练策略，模型在测试集上达到92.6%的mAP@0.5。经剪枝和量化优化后，模型体积减少65%，推理速度提升40%，精度仅降1.2%。实际养殖场测试显示，系统检测速度比人工快60倍，准确率92.6%，已成功部署于边缘设备。该技术为养殖业智能化提供了有效解决方案。
2025-11-17 09:45:36
921
原创 樱桃果实目标检测-基于Cornernet和Hourglass104模型的改进方法
本文提出一种改进的樱桃果实检测方法，结合CornerNet和Hourglass104模型优势，通过特征融合、注意力机制和多尺度预测等创新点，显著提升检测精度。实验结果表明，改进模型在自建樱桃数据集上达到92.3% mAP，较原始模型提升5.7%，同时保持实时性。该方法已成功应用于采摘机器人视觉系统和果园产量预估，为智慧农业提供技术支持。未来可进一步优化模型轻量化、多模态融合等方向，推动农业自动化发展。
2025-11-17 09:03:16
1068
原创 使用Mask R-CNN进行鱼子酱自动检测与识别——基于改进的mask-rcnn_r101-gcb-r4-c3-c5_fpn_1x_coco模型_1
本文介绍了一个基于深度学习的智慧图像识别系统，专注于鱼子酱自动检测与识别。系统采用YOLOv8和Mask R-CNN等先进模型，通过图像预处理、深度学习模型和后处理等模块协同工作，实现高效准确的检测。文章详细阐述了改进的mask-rcnn_r101-gcb-r4-c3-c5_fpn_1x_coco模型，该模型引入全局上下文注意力机制优化骨干网络。系统具备用户友好的交互界面，在食品工业、质量控制和科研等领域有广泛应用，检测准确率达96.5%，处理速度仅50毫秒/帧。未来将扩展3D检测和移动端适配功能。
2025-11-17 01:27:45
1165
原创 黄金珠宝首饰检测识别：基于Faster R-CNN的四种首饰目标检测模型详解
本文详细探讨了基于Faster R-CNN的黄金珠宝首饰检测识别方法。针对传统Faster R-CNN在特征提取、多尺度适应、边界框回归等方面的局限性，提出了四种改进方案：注意力机制增强、多尺度特征融合优化、边界框回归优化及数据增强与训练策略优化。实验结果表明，改进后的模型在10,000张包含手镯、耳环、项链和戒指的数据集上性能显著提升，mAP平均提高8.7个百分点，小目标检测精度提升12.3个百分点，边界框回归精度提升6.3个百分点。这些改进有效解决了珠宝检测中的复杂纹理、尺度变化和精确定位等挑战。
2025-11-16 13:08:23
1192
原创 基于YOLOv5的燕窝杂质检测与识别系统实现
本文介绍了基于YOLOv5的燕窝杂质检测系统实现，包括算法原理、数据集构建、模型训练与实验结果。YOLOv5通过改进的CSPDarknet53结构和Mosaic数据增强等技术，显著提升了小目标检测性能。实验采用5000张标注图像，通过数据增强和超参数调优，模型在5类杂质检测中平均精确率达90%，mAP达0.89。该系统有效解决了传统人工检测效率低、主观性强的问题，为燕窝品质控制提供了高效自动化解决方案，特别在塑料碎片检测中表现优异(F1分数0.92)。
2025-11-16 12:27:43
843
原创 工业皮带输送机中铁钎焊缺陷检测_YOLO11-Seg-RFCAConv模型应用
摘要：本文提出YOLO11-Seg-RFCAConv模型用于工业皮带输送机铁钎焊缺陷检测。该模型在YOLOv11基础上融合分割模块和RFCAConv注意力机制，通过改进的CSPDarknet主干、BiFPN多尺度特征融合及多任务损失函数设计，有效解决小目标检测、形态多样性等挑战。实验表明，相比基线模型，改进方案mAP@0.5提升4.4%至89.7%，FPS提高17.7%至73，参数量减少6%。消融实验验证各组件有效性，系统支持边缘计算部署，满足工业产线实时检测需求，为输送机安全运行提供智能化解决方案。（14
2025-11-16 11:43:41
1103
原创 基于Yolo11-HSPAN-DySample的网球自动拾取机器人视觉系统开发_1
本文开发了一种基于Yolo11-HSPAN-DySample的网球自动拾取机器人视觉系统。系统采用改进的Yolo11目标检测算法，结合HSPAN分层空间注意力机制和DySample动态采样技术，提高了网球检测精度。构建了包含5000张图像的数据集，并采用多种数据增强策略提升模型鲁棒性。硬件平台采用NVIDIA Jetson Xavier NX计算单元和RGB摄像头，通过ROS实现软硬件集成。实验表明，该系统能有效识别网球位置，为机器人拾取提供精准视觉引导。
2025-11-15 15:13:07
891
原创 工程图纸识别与分类系统 使用RPN_R101_FPN_2x_COCO模型实现
本文提出了一种基于RPN_R101_FPN_2x_COCO模型的工程图纸识别与分类系统。该系统通过ResNet-101特征提取网络结合特征金字塔网络(FPN)，实现了对多类型工程图纸的高效识别。文章详细介绍了数据预处理流程、模型架构设计以及训练优化策略，包括多任务损失函数、学习率调度等技术。实验结果表明，该系统在建筑、机械和电气三类图纸上的平均准确率达93.7%，mAP达到94.7%，展现了良好的识别性能。为方便使用，系统还提供了简洁的API接口，支持单图和批量分类功能。
2025-11-15 14:40:08
816
原创 超详解_Yolo11-LSCSBD模型调参_军事装备与人员目标检测训练教程
本文详细介绍了YOLOv11-LSCSBD模型在军事装备与人员目标检测中的应用与优化方法。首先阐述了目标检测技术的发展历程，重点分析了军事目标检测的特殊需求。然后深入解析了YOLOv11模型的基础架构和损失函数设计，提出了LSCSBD改进策略，包含轻量化空间注意力、通道注意力机制和双线性特征融合模块，有效提升了小目标检测能力。在数据准备方面，详细说明了军事目标数据集的采集、标注和预处理方法。最后介绍了模型训练的关键参数设置和优化策略，包括学习率调度、批量大小和优化器选择等。实验表明，改进后的模型在军事目标检
2025-11-15 11:44:34
1212
原创 从零到实战：使用CornerNet-Hourglass实现槟榔果实品质检测与分类_1
本文详细介绍了如何使用CornerNet-Hourglass网络实现槟榔果实的品质检测与分类。通过对原始CornerNet算法的改进和优化，我们的模型在检测精度和推理速度上都取得了显著提升。实验结果表明，该方法能够有效解决槟榔品质检测中的实际问题，为农业自动化提供了有力的技术支持。🌟 这个项目不仅展示了深度学习在农业领域的应用潜力，也为其他农产品的自动检测提供了借鉴。随着技术的不断进步，我们有理由相信，计算机视觉将在现代农业中发挥越来越重要的作用！海神之光Matlab王者学习之路获取更多资源！
2025-11-15 11:14:40
683
原创 【深度学习实战】使用Cascade R-CNN模型实现胸部X光片气胸检测——基于改进的ResNet101骨干网络与FPN特征金字塔结构
本文提出了一种基于改进Cascade R-CNN的气胸自动检测方法，通过优化ResNet101骨干网络与FPN特征金字塔结构，显著提升了胸部X光片中气胸区域的识别精度。针对医学影像特点，模型采用深度可分离卷积、注意力机制和多尺度特征融合等技术，有效改善了小目标检测性能。实验结果表明，该方法在10,000张胸部X光片数据集上取得了优于传统Faster R-CNN的检测效果，为气胸的计算机辅助诊断提供了可靠解决方案。
2025-11-14 13:58:02
765
原创 协议签名检测改进模型_YOLO11-C3k2-RCB实现与优化_1
本文提出了一种改进的YOLO11-C3k2-RCB目标检测模型，通过引入C3k2模块和RCB结构优化特征提取能力。实验结果表明，该模型在协议签名检测任务中mAP@0.5达到0.893，相比YOLOv8和YOLOv9分别提升4.1%和2.6%。模型在保持58FPS实时性能的同时，显著提高了检测精度。改进的C3k2模块通过多分支卷积增强多尺度特征提取，RCB结构结合空洞卷积和注意力机制提升了特征表达能力。研究还探讨了Mosaic、MixUp等数据增强技术和Focal Loss、CIoU Loss等优化策略。未来
2025-11-14 13:19:47
1019
原创 攻击行为识别_YOLOv10n-PST改进方法详解
本文提出了一种基于YOLOv10n-PST改进的攻击行为识别方法，通过引入PST（Pyramid Spatial-Temporal）注意力机制，显著提升了模型性能。实验结果表明，改进后的YOLOv10n-PST在保持较高检测速度（105FPS）的同时，mAP达到78.6%，较原始模型提升8.6个百分点。该方法在室内监控、公共区域和夜间场景等复杂环境下均表现出色，特别适合实时攻击行为检测任务。文中详细介绍了PST注意力机制原理、模型架构改进及代码实现，为安全监控系统提供了高效的异常行为识别解决方案。
2025-11-14 12:43:10
1119
原创 YOLO11-SPDConv：水上漂浮物体检测与识别技术详解_1
摘要 YOLO11-SPDConv提出了一种改进的水上漂浮物体检测技术，通过集成空间金字塔空洞卷积(SPDConv)提升多尺度目标检测能力。该研究采用包含12,502张图像的数据集，涵盖塑料垃圾、船只等5类目标，并应用随机裁剪、旋转等数据增强方法优化训练效果。实验表明，空洞率组合(1,3,6)在检测精度上表现最佳，小目标AP达0.715。技术亮点包括：基于CSP-Darknet的高效Backbone设计、FPN+PAN多尺度特征融合结构，以及Anchor-Free检测头，使其在复杂水域环境中保持实时性（64
2025-11-14 12:16:16
1936
原创 【AI】基于YOLO11-SEG的PCB缺陷检测与分类系统实现_3
本文详细介绍了一种基于YOLO11-SEG的PCB缺陷检测与分类系统的实现方法。系统采用最新的目标检测与分割技术，实现了对PCB表面缺陷的高精度检测和分类。通过构建大规模数据集、采用先进的训练策略和优化方法，系统在测试集上取得了95%以上的检测准确率，同时保持了较快的处理速度。系统的成功实现不仅提高了PCB检测的效率和准确性，还减少了人工成本，为电子制造业的智能化升级提供了有力支持。未来，我们将继续优化系统性能，扩展应用范围，为电子制造业的发展做出更大贡献。
2025-11-14 11:06:02
752
原创 交通事故自动识别_YOLO11分割_DRB实现
本文提出了一种基于YOLO11分割算法和DRB模块的交通事故自动识别系统。系统核心采用改进的YOLO11架构，结合动态区域选择(DRB)模块增强关键区域检测能力，实现了对交通事故场景的高效识别。实验结果表明，该系统在16100张图像数据集上达到了87.3%的mAP检测精度。通过ONNX转换和TensorRT优化，模型成功部署到边缘设备，可实时处理交通监控视频。该系统为智能交通管理提供了准确、高效的事故检测解决方案，具有重要的实际应用价值。
2025-11-14 10:33:15
1095
原创 自动驾驶环境下的多目标检测与识别_YOLOv8改进实践
本文探讨了基于改进YOLOv8算法的自动驾驶多目标检测技术。文章首先介绍了目标检测的基本原理和评价指标，分析了YOLOv8的网络架构及其在自动驾驶中的应用潜力。针对自动驾驶场景的特殊需求，提出了多尺度特征增强、动态阈值调整和语义增强等改进策略，通过引入注意力机制、自适应阈值和场景语义信息，显著提升了小目标检测率和复杂场景下的识别准确率。实验数据表明，改进后的模型在KITTI和Cityscapes等标准数据集上性能提升明显，为自动驾驶系统的环境感知提供了更可靠的解决方案。
2025-11-14 09:52:11
1373
原创 YOLOv8-SOEP-RFPN-MFM水果智能分类与检测模型实现
本文提出了一种基于YOLOv8的水果智能分类与检测模型YOLOv8-SOEP-RFPN-MFM，通过引入SOEP自组织进化池化、RFPN递归特征金字塔网络和MFM多尺度特征融合模块，显著提升了水果检测性能。模型在包含10类水果的数据集上达到93.2%的mAP@0.5，相比基线YOLOv8提升5.2个百分点，尤其在小水果检测上提升15%。系统已成功应用于智能超市结算、果园产量估测等场景，并提供了完整的训练框架和部署方案。未来将进一步优化模型结构并扩展数据集规模。
2025-11-14 09:11:16
1659
原创 战场目标检测：Faster R-CNN与RegNetX-800MF融合实现建筑物人员坦克车辆识别_2
在现代战争中，战场环境的复杂性和动态性对目标检测技术提出了极高要求。传统的目标检测方法在复杂战场环境下往往难以满足实时性和准确性的双重需求。近年来，深度学习技术的快速发展为战场目标检测提供了新的解决方案。Faster R-CNN作为一种经典的两阶段目标检测算法，以其高精度特点在目标检测领域占据重要地位。然而，其计算复杂度较高，难以满足实时检测需求。而RegNetX-800MF作为一种高效的网络架构，在保持较高性能的同时显著降低了计算复杂度。
2025-11-13 20:13:17
1660
原创 YOLO11-MSAM：印尼传统蜡染图案智能识别系统实现
YOLO11-MSAM系统成功实现了对印尼传统蜡染图案的智能识别，为文化遗产数字化保护提供了有效的技术手段。系统结合了最新的深度学习技术和传统工艺知识，实现了高精度的图案自动分类，大大提高了蜡染艺术的研究和传承效率。通过模块化设计和友好的用户界面，系统不仅满足了专业研究需求，也为普通用户了解蜡染艺术提供了便捷途径。未来，我们将继续优化系统性能，拓展应用场景，为传统文化的保护和传承做出更大贡献。文化遗产保护是一项长期而艰巨的任务，需要政府、研究机构、民间组织和社会各界的共同努力。
2025-11-13 19:40:23
812
1
原创 基于YOLOv10n-Unireplknet的蜡染布料瑕疵检测方法
摘要：本文提出一种基于YOLOv10n-Unireplknet的蜡染布料瑕疵检测方法，通过改进目标检测网络结构，有效提升了复杂纹理背景下瑕疵检测的精度与速度。研究构建了包含5类瑕疵、5000张图像的数据集，采用改进的损失函数和优化策略进行模型训练。实验结果表明，该方法在保持较高检测精度的同时显著提升检测效率，为蜡染产业自动化质检提供了可行的解决方案。模型通过融合YOLOv10的高效检测能力和UniRepLKNet的强特征表达能力，平衡了检测性能与计算复杂度。
2025-11-13 18:57:57
944
原创 篮球比赛场景智能分析：YOLO11-RepHMS实现实时目标检测与动作识别
篮球比赛智能分析数据集及应用研究摘要 本研究基于5762张预处理图像构建了篮球比赛场景目标检测与动作识别数据集，采用YOLOv8格式标注，包含篮球、球篮、运动员等5类关键目标。数据集通过多尺度调整（640×640像素）、EXIF校正及多种数据增强技术（水平翻转、随机旋转、亮度调整、椒盐噪声）优化样本多样性。该资源划分为标准训练-验证-测试集，支持YOLO11-RepHMS模型开发，实现运动员定位、动作识别等实时分析功能。系统整合了YOLO11的目标检测能力和RepHMS的时序动作识别优势，通过特征提取与融合
2025-11-13 18:10:39
1080
原创 基于FCOS的商品条形码识别与方向检测改进方法
本文提出了一种改进的FCOS算法用于商品条形码识别与方向检测。传统条形码识别方法依赖复杂预处理，难以适应复杂环境。FCOS算法基于无锚框设计，将检测转化为像素级分类问题，显著提升条形码定位精度。研究引入特征金字塔网络(FPN)增强多尺度检测能力，并提出方向感知模块直接预测条形码角度。实验表明，改进方法在标准数据集上达到92.3%的mAP，比原始FCOS提升5.7个百分点，特别是在倾斜条形码检测上提升8.2%。通过模型轻量化和部署优化，系统在零售场景实现30FPS实时处理。未来工作将聚焦极端光照条件优化和二维
2025-11-13 17:32:59
819
原创 基于Fovea算法的AI机械手目标检测模型详解
Fovea算法是一种基于锚框的目标检测方法，其名称来源于人眼视网膜上的中央凹区域，象征着对关键区域的精细关注。与传统目标检测算法相比，Fovea算法在精度和速度之间取得了更好的平衡。基于Fovea算法的AI机械手目标检测模型通过自适应锚框生成、改进的特征金字塔网络和优化的损失函数设计，实现了高精度、高效率的目标检测。在实际应用中，该算法在工业分拣、医疗手术辅助和智能仓储等领域都取得了显著成果。未来，随着算法优化、硬件加速和跨领域应用的深入，Fovea算法将在工业自动化和其他领域发挥更大的作用。
2025-11-13 17:04:32
834
原创 基于YOLO11-Hyper的油罐车类型识别与状态检测系统_1
本文提出了一种基于YOLO11-Hyper深度学习模型的油罐车类型识别与状态检测系统。该系统通过创新的混合注意力机制和改进的特征金字塔网络，实现了对油罐车类型（如汽油罐车、化工品罐车等）和装载状态（满载、半载、空载）的准确识别。实验结果表明，在1331张增强图像的数据集上，系统达到89.7%的mAP和45FPS的实时检测性能，优于传统算法。该系统可应用于智能交通监控、危险品运输安全管理等领域，为油罐车识别和监管提供了高效的技术解决方案。未来将进一步优化模型在复杂场景下的泛化能力。
2025-11-13 16:13:22
1044
原创 草莓病害智能识别与分类_Cascade-RCNN_HRNetV2p-W18-20e_COCO实现
本文提出了一种基于Cascade-RCNN和HRNetV2p-W18-20e的草莓病害智能识别系统。通过改进HRNetV2p网络结构并引入注意力机制，结合Cascade-RCNN多级检测框架，在自建数据集上实现了高精度的病害检测与分类。实验表明，该系统mAP指标较原始HRNet提升5.7%，同时参数量减少28.3%，推理速度提升23.5%。优化后的模型已成功部署于移动端，在草莓种植基地试点应用中表现出90%以上的识别准确率，有效提高了病害防治效率。未来将进一步扩展病害种类识别能力，并优化模型在复杂环境下的鲁
2025-11-13 15:45:59
1039
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人