排序方式: 共有18条查询结果,搜索用时 46 毫秒
11.
畜牧业自动化管理面临的一个关键挑战是如何准确地检测大规模放牧养殖牲畜的种群,确定其数量和实时更新群体信息。牲畜规模化、自动化检测受环境场地等因素影响,当前目标检测算法经常出现漏检、误检等情况。该研究基于YOLOV5s目标检测网络设计了一种牲畜检测算法LDHorNet(livestock detect hor net),参考HorNet的递归门控卷积设计了HorNB模块对网络模型进行改进,以提高检测算法的空间交互能力和检测精度。然后在网络结构中嵌入CBAM(convolutional block attention module)注意力机制,以提高小目标的检测精度和注意力权重,并利用Repulsion 损失函数提高目标检测网络的召回率和预测精度。试验结果表明,所提出的LDHorNet算法的精准率、召回率分别为95.24%、88.87%,平均精准率均值mAP_0.5、mAP_0.5:0.95分别为94.11%、77.01%,比YOLOv5s、YOLOv8s、YOLOv7-Tiny精准率分别提高了2.83、2.93和9.79个百分点,召回率分别提高了6.66和4.95、13.42个百分点,平均精准率均值mAP_0.5:0.95分别提高12.46、5.26和20.97个百分点。该算法对于小目标和遮挡场景下的牲畜检测效果优于原算法与对比算法,表现出良好的鲁棒性,具有广泛的应用前景。 相似文献
12.
13.
针对土默川平原地区的土壤盐分含量提出了偏最小二乘与随机森林相结合(RF-PLSR、PLSR-RF)对土壤盐分含量进行预测的回归反演模型.该研究共采集45份土壤样本,随机选取35份为建模集,10份为验证集.试验首先对采集到的高光谱土壤图像进行分割处理提取出土壤在400~1000 nm的原始反射光谱,其次对原始反射光谱进行4种光谱变换(一阶微分、多元散射校正的一阶微分、SG平滑去噪的一阶微分、对数的一阶微分),并与土壤的实测盐分量进行相关性分析(CA),利用相关系数选取敏感波段,最后建立偏最小二乘与随机森林结合的回归反演模型.结果表明,与偏最小二乘回归、随机森林回归单独建模相比,2种模型结合后的预测精度有明显的改善.光谱经过对数的一阶微分变换建立的PLSR-RF反演模型更为明显,其建模集决定系数Rc 2为0.852,均方根误差RMSEc为0.102 g/kg,相对分析误差RPDc为2.600,验证集决定系数Rv 2为0.941,均方根误差RMSEv为0.049 g/kg,相对分析误差RPDv为4.117. 相似文献
14.
15.
16.
针对传统机器学习算法对高光谱数据建模步骤繁琐、常规的卷积神经网络在高光谱图像上细节表现力不强等问题,设计一种基于多尺度特征融合的网络结构.通过采样和池化层参数优化,将1D-CNN中不同深度的特征层进行融合,获得更加丰富的高光谱的判别特征.网络训练采用独热编码进行标记训练,解决了分类器处理属性数据困难的问题,在一定程度上... 相似文献
17.
马铃薯典型病害图像自适应特征融合与快速识别 总被引:3,自引:0,他引:3
针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。 相似文献
18.
叶绿素含量是评价植物生长状况以及光合作用能力的重要指标。通过叶绿素测定仪实地测定表征紫丁香叶片的叶绿素含量的SPAD(soil plant analysis development)值,利用高光谱图像技术和机器学习算法反演推算紫丁香叶片叶绿素的含量。针对数据采集时噪声信息的干扰、相邻波段间相关性强、冗余信息多的问题,利用空洞卷积去噪自动编码器(Atrous Convolutional Denoising Auto Encoder,Atrous-CDAE)将原始高光谱数据由204维减少到51维,并减少噪声干扰。结合1DCNN建立紫丁香叶片叶绿素含量的预测模型,并与原始数据和其他4种数据处理方法进行比较。结果表明:相比于原始高光谱数据和其他数据处理方法,经Atrous-CDAE处理后的数据预测结果最佳,预测集中决定系数R2为0.972 3,均方根误差RMSE为1.326 6。利用Atrous-CDAE处理的数据与其他经典预测模型组合均取得较优的预测结果,表明Atrous-CDAE可有效地提取数据潜在表征。对其他数据结合本文所提1DCNN模型进行预测,其R2均在0.94以上,RMSE均在2以下,表明该预测模型具有一定的适应性。 相似文献