排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
种子质量是影响作物产量关键因素之一,而传统种子质量检测方法难以满足其快速检测的要求,采用光谱检测技术可有效降低种子检验成本、提高检验效率。以玉米种子为研究对象,基于玉米种子光谱检测流程,阐述光谱检测技术在玉米种子活力、含水率与病害、品种与产地等方面的研究现状及现存问题。光谱检测技术已应用于玉米种子质量检测,预测模型的准确率90%左右,但存在着系统性不够,应用局限性、数据处理效率低等问题,从研究系统化、增强实用性、融合新算法等方面分析光谱检测技术在玉米种子质量检测中的发展趋势。光谱检测技术应用于种子质量检验具有重要的理论和实际意义。 相似文献
2.
基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别 总被引：9，自引：9，他引：0
对密集圣女果遮挡、粘连等情况下的果实进行快速识别定位，是提高设施农业环境下圣女果采摘机器人工作效率和产量预测的关键技术之一，该研究提出了一种基于改进YOLOv4-LITE轻量级神经网络的圣女果识别定位方法。为便于迁移到移动终端，该方法使用MobileNet-v3作为模型的特征提取网络构建YOLOv4-LITE网络，以提高圣女果果实目标检测速度；为避免替换骨干网络降低检测精度，通过修改特征金字塔网络（Feature Pyramid Networks，FPN）+路径聚合网络（Path Aggregation Network，PANet）的结构，引入有利于小目标检测的104×104尺度特征层，实现细粒度检测，在PANet结构中使用深度可分离卷积代替普通卷积降低模型运算量，使网络更加轻量化；并通过载入预训练权重和冻结部分层训练方式提高模型的泛化能力。通过与YOLOv4在相同遮挡或粘连程度的测试集上的识别效果进行对比，用调和均值、平均精度、准确率评价模型之间的差异。试验结果表明：在重叠度IOU为0.50时所提出的密集圣女果识别模型在全部测试集上调和均值、平均精度和准确率分别为0.99、99.74%和99.15%，同比YOLOv4分别提升了0.15、8.29个百分点、6.54个百分点，权重大小为45.3 MB，约为YOLOv4的1/5，对单幅416×416像素图像的检测，在图形处理器（Graphics Processing Unit，GPU）上速度可达3.01 ms/张。因此，该研究提出的密集圣女果识别模型具有识别速度快、识别准确率高、轻量化等特点，可为设施农业环境下圣女果采摘机器人高效工作以及圣女果产量预测提供有力的保障。 相似文献
1