研究论文开放获取
基于改进YOLO11的白坯布缺陷检测研究
Zeyang SHI, 华北理工大学 电气工程学院,河北 唐山 063210, Xiaolong ZHANG, Chuanjin Cui, Yuanzhao Zhang
North China University of Science and Technology
来源Journal of Applied Optics
年份2026
阅读操作
确认中在文库中上传 PDF 后可生成中文音频讲解。
摘要与影响
摘要 · 完整
针对白坯布瑕疵缺陷识别难度大、精度低且漏检率高的问题,对YOLO11模型进行了系统性的优化与改进,以提升目标检测模型在复杂场景中的检测精度与速度。首先,在主干网络中引入C3K2-DCNv2模块,利用可变形卷积增强模型对目标形变与复杂背景的适应能力。其次,在颈部网络部分,融合自适应尺度融合(adaptive scale fusion,ASF)模块与DySample模块形成ASF-DySample模块,实现了多尺度特征的动态采样与空间自适应融合,保留细节信息,进一步提升小目标检测精度,有效提升了特征表达能力。最后,检测头采用MultiSEAMHead,通过多分支语义解耦和上下文聚合策略,进一步强化目标表征能力。实验结果表明,改进后的DAM-YOLO模型的mAP@0.5较原始YOLO11模型提升了2.3%,验证了该模型在目标检测任务中的有效性与实用价值。
逐年被引趋势
暂无年度引用数据
关键指标
0
被引次数 · OpenAlex
0.00
领域内被引倍数
同类平均 = 1
同类平均 = 1
前 100%
引用位次
同领域 · 同年份 · 同类型
同领域 · 同年份 · 同类型
13
参考文献
Google Scholar 与 OpenAlex 的被引统计范围不同,数值存在差异属正常。
AI 辅助阅读
依据:摘要
论文问答
当前基于摘要回答
可就本文提问;依据不足时会说明。
学术脉络
学科主题
工程Industrial Vision Systems and Defect Detection
Advanced Neural Network Applications · Infrastructure Maintenance and Monitoring
参考文献 13
暂无参考文献明细
引用本文 -
暂无引用本文的记录