共查询到20条相似文献，搜索用时 265 毫秒
1.
针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法。该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注。基于所设计的方法构建了半监督图像标注系统,在试验中对系统进行性能评测和分析。结果表明:迭代更新后的检测模型在测试集上的检测准确率为98.1%,召回率为88.5%,平均准确率为88.3%;利用所构建的半监督图像标注系统可以实现15s/幅的标注速度,单幅图像的标注耗时仅为纯手工标注耗时的2.5%,图像标注时间代价大幅降低。研究结果为深度学习研究中的训练样本标注提供了高效的标注方法和工具,有助于提高图像标注效率,减少人力成本投入。 相似文献
2.
针对YOLO v5检测模型存在的漏检率和误检率问题,改进目标检测技术,提升苹果叶部病害早期发现及定位的准确性和速度,从而减少经济损失。先采用加权双向特征金字塔网络(BiFPN)特征融合方法,有效改善PANet对多尺度特征融合的不良影响,并引入Transformer机制,有效改进原始网络结构,使其专注于有用的信息,并增强特征融合效果。再使用ATCSP模块和自上而下的特征融合方法,增强模型对多尺度疾病的检测效果,并将强大的语义信息传达至模型底层,进一步提高检测精度。使用数据集由实验室采集的苹果树叶样本构成,包含3 331张标记图像的矩形位置来标记病害。由于图像亮度分布不均匀,采用直方图均衡化和改进的直方图均衡化处理,使图像对比度得到增强,大幅降低后续图像特征提取的计算量。在训练和测试过程中,还对原始病害图像进行旋转、随机亮度增强、随机色度增强、随机对比度增强和锐化等数据增强操作。结果表明,改进的YOLO v5检测算法可以显著提高苹果叶部病害检测的精度,对比原始算法,平均精度mAP@0.5提高20.8%。改进YOLO v5苹果叶部病害检测算法能够及时发现和定位苹果叶部病害,进而为深度学习技术... 相似文献
3.
分级是保证工厂化穴盘育苗质量的重要环节，本文根据番茄穴盘苗分级检测过程存在智能化水平低的问题，基于Darknet框架YOLOv3-Tiny卷积神经网络进行了算法改进。改进的算法进行了K-Means++聚类，增加YOLO检测层的数量，引入不同的SPP结构和CIOU损失函数。实验表明，与YOLOv3-Tiny算法相比，改进的YOLOv3-Tiny算法对番茄苗分级检测的mAP指标提高了9.8%，对壮苗的检测准确率为98.1%，无苗的检测准确率为94.80%，弱苗的检测准确率为93.62%。该算法能够对番茄苗的分级检测起到良好效果，为番茄穴盘苗高效识别提供了参考。 相似文献
4.
[目的]针对广佛手在田间真实环境下病虫害识别较为困难的问题,提出一种基于改进SSD(single shot MultiBox detector)算法——SSD-Res50-3C的广佛手病虫害检测方法。[方法]SSD-Res50-3C算法主干网络部分用ResNet50网络替换原有的VGG16网络,增加模型在田间真实环境下对广佛手病虫害特征的提取能力;在预测特征层之前加入一种轻量高效的特征融合模块提升SSD算法的多尺度特征融合能力,进一步提高SSD算法在田间真实环境下的抗干扰能力。[结果]SSD-Res50-3C算法平均精度均值达到92.86%,相较原始的SSD算法提升6.61%,FPS(frames per second)达到64.1。相比YOLO v3、YOLO v4、YOLO v5x6、Faster R-CNN和EfficientDet-D3模型,SSD-Res50-3C算法的平均精度均值分别高6.41%、2.01%、0.79%、0.58%和5.10%,FPS分别高16.20、40.280、24.40、36.20和54.84。[结论]基于改进SSD算法的广佛手病虫害检测方法能够弱化田... 相似文献
5.
鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24%,模型存储空间为15.1 MB,每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。 相似文献
6.
农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关.复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效.为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集.通过减少YOLOv4网络的输出张量为13×13和52×52两个尺度匹配玉米苗和杂草,并用制作数据集作网络训练.训练结果表明,改进后YOLOv4网络训练得到的检测模型在综合性能上优于YOLO v3、原本YOLO v4和主干网络为VGG19的Faster R-CNN;其F1值为0.828,较修改前提升0.031,检测时间缩短0.014s.此外,根据试验可知数据量和数据增强方式均对模型产生不同程度影响;不同类别的目标进行单一训练比多类别目标组合训练得到检测效果更好. 相似文献
7.
针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题，提出一种改进的YOLO v5方法。首先，在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块，加强网络对特征信息的提取能力；其次，在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积，能够在保证精度的前提下，降低模型参数量；再次，在预测头前加入ECA(efficient channel attention)注意力模块，能够更加准确定位目标信息；最后，引入EIOU(efficient intersection over union)损失函数加速预测框的收敛，提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见，所提出的改进网络在橙子检测上更有优势，能为今后智能采摘机器人的研发提供理论支撑和技术参考。 相似文献
8.
植物病害影响农业生产的产量和质量。针对现有小样本植物病害识别方法大多数都是基于监督式学习模型以及少数半监督学习方法未判别伪标注样本的可信度的问题,提出一种基于实例置信度推断的半监督学习小样本植物病害图像识别方法。首先构建ResNet-12网络提取有标注样本和无标注样本的特征;其次利用极少数有标签的植物病害样本训练SVM分类器,用分类器推断无标注样本的类别并赋予伪标签;然后采用实例置信度推断(ICI)算法获取伪标注样本的置信度,迭代选择可信的伪标签样本加入训练拓展支持集;最后应用训练后的网络模型对植物病害图像进行识别。该方法能够反映无标注病害样本的真实分布,迭代选择最可信的伪标注样本进行模型训练,从而提高模型的识别性能。试验采用Plant Village公开数据集进行10-way-5-shot试验。结果显示：在unlabel=50的情况下识别准确率为89.34%,病害的各项评价指标均随着无标注样本数量的增加而增加。结果表明本研究提出的方法从无标注样本中获取到的信息是鲁棒的,且识别准确率优于传统迁移学习,能有效提升小样本条件下植物病害图像的识别效果。 相似文献
9.
10.
【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
11.
新鲜烟叶的成熟度对烤后烟叶的质量有显著影响,可于烘烤前完成不同成熟度的新鲜烟叶分选,并对各成熟度采用特定烘烤工艺,以提高烘烤后的烟叶质量。以云烟87的新鲜烟叶为试验样本,将采集的新鲜烟叶分为上部叶、中部叶、下部叶,并依据不同部位成熟度划分为欠熟、成熟、过熟。采用YOLO v5s目标检测算法,利用卷积神经网络提取新鲜烟叶的不同成熟度特征,完成不同部位新鲜烟叶的成熟度识别试验,并与Faster-RCNN、Mask-RCNN检测模型的测试结果进行对比。结果表明,YOLO v5s对云烟87不同部位新鲜烟叶成熟度检测的总体mAP值分别为99.1%、97.5%、98.5%,单幅图像检测平均时间为29～30 ms。3种模型的对比试验中,Mask-RCNN、Faster-RCNN测试的mAP值均低于YOLO v5s,单幅图像检测平均时间均远高于YOLO v5s。采用YOLO v5s训练的不同部位新鲜烟叶的检测模型,在检测速度与精准度方面基本满足对新鲜烟叶成熟度识别的生产要求。 相似文献
12.
【目的】对受松材线虫病影响的树木进行快速、高效和精确的检测。【方法】利用深度学习技术中的YOLO v4(you only look once version 4)目标检测模型,对高分辨率影像中的松材线虫病变色木进行检测,并与SSD(single shot multibox detector)模型进行对比。【结果】YOLO v4模型的检测精度较高,精确度(P)为0.961 3,召回率(R)为0.764 9,F1分数为0.851 9。【结论】YOLO v4可准确地识别和定位松材线虫病变色木,且精确度比SSD高。 相似文献
13.
为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi-head self-attention,多头自注意力)替换了SPPF(Spatial pyramid pooling-fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self-attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。 相似文献
14.
为区分浙贝母外观品质等级，本研究利用数字电子眼系统及图像标注工具构建浙贝母数据集，选择若干统计学习算法和目标检测算法在该数据集上进行训练与测试。结果表明：目标检测算法YOLO(you only look once)系列YOLO-X所得模型的效果最佳。为优化YOLO-X，根据浙贝母数据集的特点，针对性地向YOLO-X的主干特征提取网络末端嵌入空洞卷积结构，以加强模型对尺度特征的敏感度。改进后模型（空洞率为4）的平均精确率均值为99.01%，对于特级、一级、二级、虫蛀、霉变、破碎浙贝母的平均精确率分别为99.97%、98.33%、98.47%、98.71%、99.73%、98.85%，精确率和召回率的加权调和平均数（F1）分别为0.99、0.92、0.94、0.97、0.99、0.97。本研究在不增加参数量、计算量或者对算法进行大规模改动的情况下，改善了模型的检测效果，为后续浙贝母检测平台的搭建提供了科学依据。 相似文献
15.
传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大，基于此，提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先，利用Vgg-16、Swin Transformer网络，将玉米叶片病害图片映射到全局和局部特征空间；然后，利用多尺度特征融合网络，实现全局和局部特征的深度融合，强化特征的分类能力；最后，利用无参数元学习网络，实现待测玉米叶片病害图片与特征集之间的度量，根据度量结果，实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试，所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销；相比其他经典玉米叶片病害识别模型，具有更强的鲁棒性和泛化性能。 相似文献
16.
张琴 《河北北方学院学报(自然科学版)》2023,(3):10-14
针对传统识别检测技术对较小目标的检测准确度不足,且检测速度较慢的问题,提出利用小波变换进行图像整合得到原始的背景图像,并引入图像特征融合机制和感受野增强机制优化YOLO算法。对改进像素直方图方法的性能验证结果表明,像素直方图+小波变换检测方法在数据集1～4中的准确率分别为90.39%、94.29%、96.69%和96.60%。在数据集1～4中改进的YOLO算法在目标检测的准确度和检测速度高于YOLOv2和RetinaNet算法。从结果可以看出,改进后的方法具有较高的准确性,可以实现对较小目标的检测,在视觉图像识别技术中可以得到较好的应用,具有较高的应用价值。 相似文献
17.
为了实现自然环境下疏果前苹果的快速识别和精确定位，满足果园智能化种植需求，提出了一种基于改进的YOLOv5深度学习的检测模型。首先，为了解决苹果的尺度大小不一带来的问题，改进目标检测层，在YOLOv5的第17层之后对特征图进行上采样，在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作，以生成不同尺寸的检测层。其次，为了克服复杂环境的影响，改进特征融合网络，使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合，来更有效地提取目标信息。最后，将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明，改进的模型经过8 274幅图像训练，在2 759幅测试集上的检测准确率为94.2%,召回率为95.2%,F1值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络，准确率分别提高了4.4%、7.0%、2.3%,F1值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络，图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明，在... 相似文献
18.
[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题，提出一种具有轻量化结构的育肥猪采食行为检测模型，实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础，构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响，选取性能最优的模型；改进ShuffleNet V2网络结构基本单元，采用Mish激活函数提高模型泛化能力与推理速度，引入SE注意力机制给予目标特征更高的权重以提高目标识别精度；对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后，猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求，可在复杂养殖环境中全天候识别育肥猪采食行为。 相似文献
19.
针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。 相似文献
20.
基于YOLO的贻贝（Mytilus edulis）识别与检测技术,是实现贻贝分级、分苗等作业环节机械化和智能化的关键。然而,贻贝因外部特征不够清晰明确,给识别准确率的提高带来了挑战。本文提出一种基于改进YOLOv5算法的贻贝目标检测模型（CST-YOLO）。该算法融合CoordAttention注意力机制,以增强特征表达能力;采用SIoU作为边界框回归损失函数,以减少边界框回归损失,提高模型的检测速度;将Head替换为改进的解耦头TSCODE Head来提高检测准确率。并在自制的贻贝数据集上进行算法测试,实验结果显示：相比YOLOv5算法,CST-YOLO算法的准确率P提高了0.428%,mAP＿0.5:0.95达到92.221%,提高了1.583%。实验表明CST-YOLO算法在保证检测速度的前提下,有效提高了贻贝目标的检测精度。本研究有助于机器视觉技术在贻贝养殖业自动化与智能化生产加工中的应用。 相似文献