共查询到20条相似文献，搜索用时 234 毫秒
1.
基于深度学习和无人机遥感技术的玉米雄穗检测研究 总被引：1，自引：0，他引：1
《福建农业学报》2020,(4)
【目的】玉米雄穗在玉米的生长过程和最终产量中起关键作用,使用无人机采集玉米抽穗期的RGB图像,研究不同的目标检测算法,构建适用于无人机智能检测玉米雄穗的模型,自动计算图像中雄穗的个数。【方法】使用无人飞行器(UAV)在25 m飞行高度下获得大量玉米抽穗时期的RGB图像,裁剪并标注出图像中玉米雄穗的位置和大小,训练数据和测试数据按照3:1的比例划分数据集;在深度学习框架MXNet下,利用这些数据集,分别训练基于ResNet50的Faster R-CNN、基于ResNet50的SSD、基于mobilenet的SSD和YOLOv3等4种模型,对比4种模型的准确率、检测速度和模型大小。【结果】使用无人机采集了236张图像,裁剪成1 024×1 024大小的图片,去除成像质量差的图像,利用标注软件labelme获得100张标注的玉米雄穗数据集;最终得到4个模型的mAP值分别为0.73、0.49、0.58和0.72。在测试数据集上进行测试,Faster R-CNN模型的准确率最高为93.79%,YOLOv3的准确率最低,仅有20.04%,基于ResNet50的SSD和基于mobilenet的SSD分别为89.9%和89.6%。在识别的速度上,SSD_mobilenet最快(8.9 samples·s-1), Faster R-CNN最慢(2.6 samples·s-1), YOLOv3检测速度为3.47samples·s-1, SDD_ResNet50检测速度为7.4 samples·s-1。在模型大小上,YOLO v3的模型最大,为241 Mb, SSD_mobilenet的模型最小,为55.519 Mb。【结论】由于无人机的机载平台计算资源稀缺,综合模型的速度、准确率和模型大小考虑,SSD_mobilenet最适于部署在无人机机载系统上用于玉米雄穗的检测。 相似文献
2.
【目的】成熟草莓的快速、准确识别是高效机械采摘的关键技术,针对草莓生长环境中果实堆叠、叶片遮挡和小目标等问题,提出一种改进YOLOv7-Tiny的成熟草莓识别模型。【方法】该模型在YOLOv7-Tiny模型的基础上,将骨干网络中CBL卷积块的LeakeyReLU激活函数替换为SiLU函数,提高模型的非线性拟合程度与特征学习能力。为降低模型的参数量和计算量,实现模型轻量化,提高识别速度,引入轻量化RepGhost网络。在YOLOv7-Tiny模型的小目标层加入C3模块,降低模型参数量,增加网络深度,增强模型对小目标的信息提取能力,从而提高被遮挡草莓以及小目标草莓的识别准确度,进一步提高模型的识别速度。以设施草莓为试验样本对改进YOLOv7-Tiny模型进行对比试验。【结果】相较于YOLOv7-Tiny模型,改进YOLOv7-Tiny模型训练的收敛速度快,模型拟合后损失曲线的波动幅度小且稳定,训练的损失值小,模型的鲁棒性好。与原模型的对比试验结果表明,改进YOLOv7-Tiny模型的参数量降低26.9%,计算量降低55.4%,识别速度提高26.3%,识别平均准确率（mAP）为89.8%。消... 相似文献
3.
针对现有的卷积神经网络模型过于依赖设备的计算和存储能力、水稻病虫害形状大小不一、遮挡造成的病害特征显著性弱、漏检率高等问题,采用轻量化、易部署的YOLOv4-tiny模型检测和识别水稻病虫害。首先收集831张4种不同的水稻病害叶片图像样本,为了使模型具有更好的泛化能力,对已有数据进行数据增强,将样本数量扩增到了5 320张。然后构建YOLOv4-tiny轻量化模型,与经典的YOLOv4算法模型相比,其主干特征提取网络CSPDarkNet53模块替换为CSPDarkNet53＿tiny,使用CPSnet进行通道的分割,实现了网络模型的压缩并提高了训练速度;添加了FPN结构,对有效特征层进行特征融合;依据模型评价指标,通过试验将YOLOv4-tiny轻量化网络与经典的YOLOv4网络、Faster-RCNN网络、YOLOv4-MobileNet系列轻量化网络、YOLOv4-GhostNet轻量化网络和SSD轻量化网络进行对比。结果表明,YOLOv4-tiny的平均准确率可以达到81.79%,检测速度可以达到90.03帧/s,模型权重大小为22.4 MB,能够比较精准地识别水稻胡麻斑病、白叶... 相似文献
4.
【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大,难以实现在移动设备上部署的问题,提出一种基于SSD(Single shot multibox detector)目标检测的改进模型,以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构,采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16),降低主干网络的参数量与计算量,同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系,构建RFB模块,用该模块替换原SSD模型框架顶部卷积层,从而增强网络深层特征,提高轻量化模型的检测精度与检测速度,实现多尺度三七病害检测。【结果】与SSD模型相比,RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现,改进模型的准确率提高了4.6个百分点,召回率提高了6.1个百分点,F1精度提高了5.4个百分点,单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s,尺寸仅为SSD模型的54.6%。【结... 相似文献
5.
为了解决电动车驾乘人员头盔佩戴检测问题,提出了一种基于改进YOLOv5s模型的电动车头盔佩戴检测方法.该方法以YOLOv5s模型为基础,首先使用GhostBottleneck模块替换YOLOv5s中的卷积模块以减少参数量;其次设计了 GhostCSP-Bottleneck来优化特征提取结构;最后在主干网络增加注意力机制... 相似文献
6.
针对复杂环境下目前现有的玉米病虫害检测方法的精度不理想、模型复杂、难以在移动端部署等问题,本研究提出了基于轻量化改进型YOLOv5s的玉米病虫害检测方法。首先,采用轻量级网络GhostNet替换原始YOLOv5s模型中特征提取网络和特征融合网络的卷积层,降低模型的计算量和参数量,提高运行速度,以满足移动端的部署要求;其次,为弥补GhostNet所带来的检测精度下降缺陷,在模型的主干特征提取网络中引入注意力机制,更加全面地评估特征权值,以增强玉米病虫害的特征,减弱无关信息的干扰,提升检测性能;最后,将模型的损失函数由CIOU替换为EIOU,以增强模型对目标的精确定位能力,从而提升模型的收敛速度和回归精度。试验结果表明,改进模型相比原始YOLOv5s模型在对供试玉米病虫害检测中,P、R和mAP分别提高了1.9个百分点、2.2个百分点和2.0个百分点,分别达到了94.6%、80.2%和88.8%;在保持较高检测精度的同时,模型的计算量、参数量和模型大小分别减少了50.6%、52.9%和50.4%,解决了检测模型在移动端的部署问题。 相似文献
7.
为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。 相似文献
8.
【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。 相似文献
9.
针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。 相似文献
10.
为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。 相似文献
11.
【目的】提出一种基于改进YOLOv5＿OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5＿OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5＿OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。 相似文献
12.
基于边缘设备的轻量化小目标果实检测模型 总被引：1，自引：0，他引：1
【目的】随着计算机视觉和智慧农业的快速发展,果实检测技术已成为研究热点。然而在果园实际应用场景中,存在模型计算量大、目标果实尺度小的问题,导致模型难以在边缘设备上实时运行且小目标果实检测精度低,因此文章通过改进Yolov3模型,设计并实现一种轻量化小目标果实检测模型RegNet-Yolov3,能够在边缘设备上实时运行并实现高精度果实检测。【方法】该模型通过构建轻量化特征提取网络,有效降低模型参数计算量,满足在边缘设备上实时运行要求;并针对柑橘果实小尺度特点,通过添加浅层网络检测分支优化模型小目标检测性能,提升检测精度。【结果】将模型部署在边缘设备Jetson TX2 nano上进行测试,模型m AP值和网络推理速度分别为96.0%和122 ms,均优于原先Yolov3网络测试结果。【结论】实验结果表明,该研究模型能够实现在保持较高检测精度下,在边缘设备Jetson TX2 nano上实时运行,满足果园作业平台果实检测工作。 相似文献
13.
【目的】利用空地RGB影像探索病害香蕉植株精准监测方法,为构建面向大面积香蕉种植区域中发病香蕉高效精准监测的智能系统提供技术支撑。【方法】通过无人机和地面移动设备拍摄,建立空地多视角病害香蕉植株RGB影像数据集,综合注意力机制和深度可分离卷积策略开发出检测大面积种植区域中病害香蕉植株数量的轻量化深度学习模型,运用多视角目标校对计算实际病害香蕉植株数量及发病率信息。【结果】改进后的模型比YOLOv3、YOLOv4和YOLOv5中最优基础模型性能指标更优。在空地多视角病害香蕉植株目标检测试验中,该模型全类平均精确率（m AP）达94.95%。基于该模型完成了大面积种植区域病害香蕉植株的监测,且发现病害香蕉植株多位于曾遭受过病害影响而形成的秃斑一样的区域内或其边界上,表明病害香蕉植株具有传染性。此外,完成了规范化小型试验地块中处于缓苗和营养生长期的中蕉4号香蕉的病害信息统计,模型检测所得香蕉发病率误差为0.31%,需人工巡检校对的数量大幅下降82.98%～100.00%,且发现该品种香蕉也表现出典型的多年生作物生长特征。【建议】为解决大面积种植区域中病害香蕉植株精准监测难和检测模型泛化能力不... 相似文献
14.
骏枣外观的品质检测对其提升经济价值，实现优质优价起着至关重要的作用。为实现骏枣快速、多数量实时检测，并解决表面皱褶和缺陷尺度不同的问题，本研究在YOLOv5模型的基础上进行改进，提出了Ghost-YOLOv5-BiFPN模型。根据骏枣数据集目标大小特点，采用K-means++算法生成骏枣数据集先验框，提高聚类速度。利用Ghost模块替换传统卷积，减少模型参数量和计算量，应用双向特征金字塔网络进行多尺度特征融合，更好识别骏枣缺陷部分。结果表明，改进后的Ghost-YOLOv5-BiFPN模型的平均精度达到93.4%，低算力设备检测速度为37 ms，改进后的模型能更好地平衡准确性和实时性。 相似文献
15.
针对现有生猪检测跟踪算法参数量多、网络相对复杂、计算量大，不利于部署在嵌入式边缘节点的问题，文章提出一种改进YOLOv5s识别算法，结合DeepSort算法，适用于嵌入式边缘计算部署的群养生猪多目标识别跟踪算法。该算法在YOLOv5s主干网络中引入空洞卷积替代普通卷积，降低网络中参数量与计算量；添加CA协调注意力机制使模型锁定重点关注候选区域，提升模型精确度；对YOLOv5s算法主干网络中BN层进行不同比例剪枝操作，减少模型计算量，最后得到最优识别模型。将优化后识别模型结合DeepSort组成Tracking By Detecting算法并移植到Jetson AGX Xavier边缘计算节点中进行试验测试。结果表明，改进的YOLOv5s相较于YOLOv5s模型减少65.3%，模型识别精确度达到96.6%，跟踪消耗时间46 ms左右，跟踪帧率约21.7帧·s-1。研究改进识别跟踪算法可满足在嵌入式边缘计算节点中稳定实时运行，加速推进深度学习算法在畜牧养殖业中的实际应用，为后期生猪预警疾病及其应对措施奠定基础。 相似文献
16.
为解决温室环境下草莓果实快速准确识别问题，提出一种基于改进YOLOv5s的草莓成熟度检测方法。在主干中引入Shuffle_Block作为特征提取网络，从而实现模型轻量化。同时，在颈部结构中使用全维度动态卷积模块（omni-dimensional dynamic convolution， ODConv），以提高网络对草莓目标的信息挖掘能力，降低计算量，并进一步实现轻量化。结果显示，改进后的YOLO-ODM（YOLO with ODConv module）模型的平均精度均值达97.4%，模型体积是7.79 Mb，在GPU上的单张平均检测时间仅11 ms，浮点运算量为6.9×109。与原网络相比，轻量化的YOLO-ODM方法在提高检测精度的同时，模型大小缩减43%，浮点运算量降低52%。以上结果表明，该轻量化方法可快速准确地对温室环境下草莓果实的成熟度进行检测，实现草莓的生长状态监测。 相似文献
17.
大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块（Mixed attention module,MAM）,提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。 相似文献
18.
【目的】为改良玉米雄穗性状.【方法】以雄穗一级分枝数有显著差异的超甜玉米自交系T4和T19为亲本,构建了包含232个单株的F2群体,考察雄穗一级分枝数,利用复合区间作图法进行QTL定位.【结果和结论】结果获得一张包含77个SSR标记的遗传连锁图谱,全长868.7 cM,标记平均间距为11.28 cM,共检测到4个与超甜玉米雄穗一级分枝数相关的QTL位点,分别位于玉米第4、7、8染色体上,可解释5.08%~17.71%的表型变异.主效QTL位点qTBN-4位于第8染色体,可解释17.71%的表型变异.这些QTLs将为雄穗一级分枝数的分子标记辅助选择提供依据. 相似文献
19.
20.
【目的】探究云南不同生态条件下玉米穗部性状表达的差异，明确纬度、海拔、光照、温度和降水因子对穗部不同性状表达的作用和影响程度。【方法】基于DUS测试技术，在云南省4个玉米生态区，研究2个甜玉米品种的26个穗部性状的表达及其与生态因子的关系。【结果】质量性状“果穗：籽粒颜色数量”的表达稳定；假质量性状“果穗：籽粒顶端主要颜色”“果穗：籽粒背面主要颜色”“果穗：籽粒形状”的差异不大，较适用于品种特异性判定；数量性状“雄穗：小穗密度”“雄穗：侧枝与主轴夹角”“雄穗：一级侧枝数目”“雄穗：侧枝长度”不适合用来判定品种真实性；保山点的生态因子特征较有利于参试甜玉米幼穗分化；出苗—抽雄期，生态因子对果穗和籽粒性状影响显著；出苗—抽丝期，生态因子对雄穗和果穗性状的影响显著。回归模型表明，8个性状模型的决定系数R2较高，能有效地对性状的表达状态进行模拟预测。【结论】不同生态区玉米穗部性状表达情况存在差异，不同性状在不同生态区表达的稳定性不同，因此在进行玉米品种真实性的田间鉴定时，应重点关注表达稳定的质量性状和假质量性状，而大部分数量性状不适用于品种田间鉴定。在进行品种真实性鉴定时... 相似文献