期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
重参数化YOLOv5s的森林火灾检测算法
1
作者
杨武
余华云
+2 位作者
赵昕宇
何勇
徐红牛
《无线电工程》
2024年第2期284-293,共10页
目前森林火灾多发,建立日常监测尤为重要,但是边缘智能检测设备算力和内存较低,限制了检测模型的推理和部署。针对以上问题,提出一种改进的重参数化YOLOv5s的森林火灾检测算法,结合重参数化、通道重排和深度可分离卷积(Depthwise Separa...
目前森林火灾多发,建立日常监测尤为重要,但是边缘智能检测设备算力和内存较低,限制了检测模型的推理和部署。针对以上问题,提出一种改进的重参数化YOLOv5s的森林火灾检测算法,结合重参数化、通道重排和深度可分离卷积(Depthwise Separable Convolution,DSC)等轻量化思想分别设计新的骨干和颈部网络,增强特征提取能力,提高模型检测精度,使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失,根据空洞卷积提出特征增强模块,增强多尺度特征融合能力。为进一步提高模型性能,加入轻量化的CA注意力机制,更准确定位目标。当前公开的火焰烟雾数据集存在针对性不强的问题,为了更好地提高模型的检测效率,制作了一个新的森林火灾数据集,在数据集上利用结构相似性算法剔除了相似度过高的图片,保证了模型的泛化能力。实验结果表明,改进后的重参数化YOLOv5s以原网络约76%的参数量提高了4.0%的精确度,推理权重下降至10.5 MB,更适合于设备性能差、容量小的边缘设备,提高了森林火灾巡检的效率。
展开更多
关键词
森林火灾
YOLOv5s
重参数化
深度可分离卷积
多尺度特征融合
下载PDF
职称材料
基于改进YOLO模型的工业铝片缺陷检测
2
作者
徐红牛
余华云
《组合机床与自动化加工技术》
北大核心
2023年第9期106-111,共6页
针对目前铝片表面缺陷的目标检测存在很多问题,包括现场大规模算法和计算设备的不适用性,以及检测速度和精度之间的平衡等,提出了一种基于注意力机制的新颖轻量级检测方法。在YOLOv4框架的基础上提出GBANet主干网络,其基于一个新的卷积G...
针对目前铝片表面缺陷的目标检测存在很多问题,包括现场大规模算法和计算设备的不适用性,以及检测速度和精度之间的平衡等,提出了一种基于注意力机制的新颖轻量级检测方法。在YOLOv4框架的基础上提出GBANet主干网络,其基于一个新的卷积Ghost模块构建并将改进的注意力模块嵌入在堆叠的Ghost块中。对颈部网络进行了特征融合的重新设计和轻量化,增加感受野,通过SPPF-PANet模块简化网络并通过改进anchor box和损失函数等措施增强模型对缺陷对象精确性。实验表明,所提方法较原YOLOv4提高1.06%的mAP,检测速度达到了36.6 fps,模型体积减少了82.72%,并能有效识别铝型材表面不同种类的缺陷。所提方法能够满足铝型材工厂生产现场缺陷检测要求。
展开更多
关键词
目标检测
铝材表面缺陷
YOLOv4
注意力机制
卷积神经网络
下载PDF
职称材料
基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测
被引量:
4
3
作者
龙宇
许浩然
+2 位作者
余华云
何勇
徐红牛
《科学技术与工程》
北大核心
2023年第25期10879-10886,共8页
为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先,使用差分整合移动平均自回归(autoregressive integrated moving average, A...
为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先,使用差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型对中国铁路货运量进行初步预测;其次,利用长短时间记忆(long short-term memory, LSTM)神经网络对残差进行校正,并将其与极端梯度提升(extreme gradient boosting, XGBoost)模型结合,采用误差倒数法确定权重,构建一种加权组合模型;最后,将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(mean square error, MSE)、均方根误差(root mean squared error, RMSE)、平均绝对值误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)对上述模型的预测精度进行对比分析。使用2007—2021年全国铁路货运量月度数据进行实验,实验结果表明:组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。
展开更多
关键词
铁路货运量预测
ARIMA
LSTM
XGBoost
组合模型
下载PDF
职称材料
题名
重参数化YOLOv5s的森林火灾检测算法
1
作者
杨武
余华云
赵昕宇
何勇
徐红牛
机构
长江大学计算机科学学院
出处
《无线电工程》
2024年第2期284-293,共10页
基金
国家自然科学基金(61440023)
中国高校产学研创新基金——新一代信息技术创新项目(2020ITA03012)。
文摘
目前森林火灾多发,建立日常监测尤为重要,但是边缘智能检测设备算力和内存较低,限制了检测模型的推理和部署。针对以上问题,提出一种改进的重参数化YOLOv5s的森林火灾检测算法,结合重参数化、通道重排和深度可分离卷积(Depthwise Separable Convolution,DSC)等轻量化思想分别设计新的骨干和颈部网络,增强特征提取能力,提高模型检测精度,使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失,根据空洞卷积提出特征增强模块,增强多尺度特征融合能力。为进一步提高模型性能,加入轻量化的CA注意力机制,更准确定位目标。当前公开的火焰烟雾数据集存在针对性不强的问题,为了更好地提高模型的检测效率,制作了一个新的森林火灾数据集,在数据集上利用结构相似性算法剔除了相似度过高的图片,保证了模型的泛化能力。实验结果表明,改进后的重参数化YOLOv5s以原网络约76%的参数量提高了4.0%的精确度,推理权重下降至10.5 MB,更适合于设备性能差、容量小的边缘设备,提高了森林火灾巡检的效率。
关键词
森林火灾
YOLOv5s
重参数化
深度可分离卷积
多尺度特征融合
Keywords
forest fire
YOLOv5s
re-parameterization
DSC
multi-scale feature fusion
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于改进YOLO模型的工业铝片缺陷检测
2
作者
徐红牛
余华云
机构
长江大学计算机科学学院
出处
《组合机床与自动化加工技术》
北大核心
2023年第9期106-111,共6页
基金
国家自然科学基金项目(61440023)
中国高校产学研创新基金-新一代信息技术创新项目(2020ITA03012)。
文摘
针对目前铝片表面缺陷的目标检测存在很多问题,包括现场大规模算法和计算设备的不适用性,以及检测速度和精度之间的平衡等,提出了一种基于注意力机制的新颖轻量级检测方法。在YOLOv4框架的基础上提出GBANet主干网络,其基于一个新的卷积Ghost模块构建并将改进的注意力模块嵌入在堆叠的Ghost块中。对颈部网络进行了特征融合的重新设计和轻量化,增加感受野,通过SPPF-PANet模块简化网络并通过改进anchor box和损失函数等措施增强模型对缺陷对象精确性。实验表明,所提方法较原YOLOv4提高1.06%的mAP,检测速度达到了36.6 fps,模型体积减少了82.72%,并能有效识别铝型材表面不同种类的缺陷。所提方法能够满足铝型材工厂生产现场缺陷检测要求。
关键词
目标检测
铝材表面缺陷
YOLOv4
注意力机制
卷积神经网络
Keywords
target detection
aluminum surface defects
YOLOv4
attention mechanism
convolutional neural network
分类号
TH165 [机械工程—机械制造及自动化]
TG659 [金属学及工艺—金属切削加工及机床]
下载PDF
职称材料
题名
基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测
被引量:
4
3
作者
龙宇
许浩然
余华云
何勇
徐红牛
机构
长江大学计算机科学学院
出处
《科学技术与工程》
北大核心
2023年第25期10879-10886,共8页
基金
国家自然科学基金(61440023)
中国高校产学研创新基金-新一代信息技术创新项目(2020ITA03012)。
文摘
为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先,使用差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型对中国铁路货运量进行初步预测;其次,利用长短时间记忆(long short-term memory, LSTM)神经网络对残差进行校正,并将其与极端梯度提升(extreme gradient boosting, XGBoost)模型结合,采用误差倒数法确定权重,构建一种加权组合模型;最后,将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(mean square error, MSE)、均方根误差(root mean squared error, RMSE)、平均绝对值误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)对上述模型的预测精度进行对比分析。使用2007—2021年全国铁路货运量月度数据进行实验,实验结果表明:组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。
关键词
铁路货运量预测
ARIMA
LSTM
XGBoost
组合模型
Keywords
railway freight volume prediction
ARIMA
LSTM
XGBoost
combination model
分类号
TP391 [自动化与计算机技术—计算机应用技术]
U294.13 [交通运输工程—交通运输规划与管理]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
重参数化YOLOv5s的森林火灾检测算法
杨武
余华云
赵昕宇
何勇
徐红牛
《无线电工程》
2024
0
下载PDF
职称材料
2
基于改进YOLO模型的工业铝片缺陷检测
徐红牛
余华云
《组合机床与自动化加工技术》
北大核心
2023
0
下载PDF
职称材料
3
基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测
龙宇
许浩然
余华云
何勇
徐红牛
《科学技术与工程》
北大核心
2023
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部