基于改进YOLO-V5深度学习模型的靶丸快速筛选方法

刘一郡; 赵维谦; 刘子豪; 罗杰; 李兆宇; 王允

doi:10.13741/j.cnki.11-1879/o4.2023.05.012

您当前的位置：

首页 >

文章列表页 >

基于改进YOLO-V5深度学习模型的靶丸快速筛选方法

光学传感与测量 | 更新时间：2025-09-01

- 基于改进YOLO-V5深度学习模型的靶丸快速筛选方法
- Rapid screening method of ICF capsule based on improved YOLO-V5 deep learning model
- 光学技术 2023年49卷第5期页码：591-595
- 作者机构：
  
  1:北京理工大学光电学院“复杂环境智能感测技术”工信部重点实验室
- 作者简介：
- 基金信息：
  
  高性能激光差动共焦拉曼光谱显微成像关键技术及系统研究项目(U22A6006);机械测试理论、方法与技术项目(51825501)
- DOI：10.13741/j.cnki.11-1879/o4.2023.05.012
  中图分类号： TL62;TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
刘一郡, 赵维谦, 刘子豪, 等. 基于改进YOLO-V5深度学习模型的靶丸快速筛选方法[J]. 光学技术, 2023,49(5):591-595.

Rapid screening method of ICF capsule based on improved YOLO-V5 deep learning model[J]. 2023, 49(5): 591-595.
刘一郡, 赵维谦, 刘子豪, 等. 基于改进YOLO-V5深度学习模型的靶丸快速筛选方法[J]. 光学技术, 2023,49(5):591-595. DOI： 10.13741/j.cnki.11-1879/o4.2023.05.012.

Rapid screening method of ICF capsule based on improved YOLO-V5 deep learning model[J]. 2023, 49(5): 591-595. DOI： 10.13741/j.cnki.11-1879/o4.2023.05.012.

摘要

针对激光惯性约束核聚变实验中海量靶丸筛选效率低的问题，提出一种基于改进YOLO-v5深度学习模型的靶丸快速筛选方法。方法通过控制靶丸在不同的景深处成像，并将图像拼接在一起以获得其清晰图像；同时引入通道注意力机制来增强模型的特征提取能力，建立了SE-YOLOV5s深度学习靶丸表面缺陷识别模型，并对靶丸缺陷按照缺陷种类进行了分类和评估从而实现对海量靶丸的筛选。靶丸表面缺陷检测的准确率为94.4%

每秒可检测到约50张靶丸图像(分辨率3072×4096)

为激光惯性约束核聚变试验提供一种快速、准确筛选海量靶丸的方法。

Abstract

关键词

Keywords

references

浏览量

114

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

激光聚变靶丸快速筛选方法与技术研究

基于多角度偏振差值曲线的目标识别初探

基于高光谱遥感的荒漠化草原草种类分类模型研究

基于3D全卷积神经网络的肺叶自动分割方法

L形光源大面积矩形探测光幕灵敏度空域分布分析

基于改进YOLO-V5深度学习模型的靶丸快速筛选方法

Rapid screening method of ICF capsule based on improved YOLO-V5 deep learning model

DOI：10.13741/j.cnki.11-1879/o4.2023.05.012

摘要

Abstract

关键词

Keywords

references