排序方式： 共有4条查询结果，搜索用时 11 毫秒
1
1.
基于迁移学习与YOLOv8n的田间油茶果分类识别 总被引：1，自引：1，他引：0
为降低视觉引导式油茶果采摘机器人采摘被遮挡油茶果时造成的果树和抓取装置损伤,该研究提出了一种基于迁移学习和YOLOv8n算法的油茶果分类识别方法,将油茶果分成无遮挡和遮挡两类。首先,采用COCO128目标检测数据集作为源域,苹果数据集为辅助域的迁移学习方法训练模型。其次,将学习方法、训练数据量、学习率和训练轮数这4种因素组合,共进行了52组YOLOv8n检测性能的消融试验。最后,将YOLOv8n模型与YOLOv3-tiny、YOLOv5n和YOLOv7-tiny等模型进行比较。试验结果表明,随机权重初始化方式受训练数据量和学习率影响较大,学习率为0.01时模型检测效果最好;而迁移学习方法仅用随机权重初始化1/2的数据量即可达到与其相当的平均精度均值;迁移学习方式下,YOLOv8n模型的平均精度均值最高达到92.7%,比随机权重初始化方式提升1.4个百分点。与YOLOv3-tiny、YOLOv5n和YOLOv7-tiny等模型相比,YOLOv8n模型的平均精度均值分别提高24.0、1.7和0.4个百分点,研究结果可为YOLOv8n模型训练参数优化和油茶果分类识别提供参考。 相似文献
2.
当前,在我国经济社会用水量持续增长、水资源供需矛盾和水污染日益加剧、水资源开发利用程度不断提高、生态环境不断退化的背景下,分区对水资源的开发利用及其影响评价有着极其重要的意义,它不仅可以反映已有水资源开发利用成果的合理性,同时也是未来水资源规划利用、管理和保护必不可少的参考依据,因此,我们要不断深化评价内容、完善评价体系、量化评价指标,真正的为水资源的合理开发利用及其与生态环境的融洽相处做出贡献。 相似文献
3.
基于多模态图像的自然环境下油茶果识别 总被引：1，自引：1，他引：0
针对自然条件下油茶果生长条件复杂,存在大量遮挡、重叠的问题,提出了一种基于RGB-D（red green blue-depth）多模态图像的双主干网络模型YOLO-DBM（YOLO-dual backbone model）,用来进行油茶果的识别定位。首先,在YOLOv5s模型主干网络CSP-Darknet53的基础上设计了一种轻量化的特征提取网络。其次,使用两个轻量化的特征提取网络分别提取彩色和深度特征,接着使用基于注意力机制的特征融合模块将彩色特征与深度特征进行分级融合,再将融合后的特征层送入特征金字塔网络（feature pyramid network,FPN）,最后进行预测。试验结果表明,使用RGB-D图像的YOLO-DBM模型在测试集上的精确率P、召回率R和平均精度AP分别为94.8%、94.6%和98.4%,单幅图像平均检测耗时0.016 s。对比YOLOv3、YOLOv5s和YOLO-IR（YOLO-InceptionRes）模型,平均精度AP分别提升2.9、0.1和0.3个百分点,而模型大小仅为6.21MB,只有YOLOv5s大小的46%。另外,使用注意力融合机制的YOLO-DBM模型与只使用拼接融合的YOLO-DBM相比,精确率P、召回率R和平均精度AP分别提高了0.2、1.6和0.1个百分点,进一步验证该研究所提方法的可靠性与有效性,研究结果可为油茶果自动采收机的研制提供参考。 相似文献
4.
高品质的DNA是分子生物学研究的关键,大豆及豆制品中含有较多的蛋白质、酚类、糖类和脂类物质,从中提取高品质的DNA比较困难。拟采用十二烷基硫酸钠(sodium dodecyl sulfate,简称SDS)法、改良CTAB法、十六烷基三甲基溴化铵(hexadecyl trimethyl ammonium bromide,简称CTAB)法、SDS-聚乙烯吡咯烷酮(简称SDS-PVP)法和TIANGEN试剂盒法对大豆MON 89788、小黄豆、豆腐及大豆油中的DNA进行提取,对试验过程中的蛋白酶K、RNA酶A的浓度进行优化,并对DNA浓度及纯度进行综合分析。结果表明,对于大豆MON 89788、小黄豆和豆腐,用SDS法提取的DNA的D_(260 nm)/D_(280 nm)值在1.8左右,DNA产量最高,用改良CTAB法提取的DNA的D_(260 nm)/D_(280 nm)值在1.8左右,用TIANGEN试剂盒法提取的DNA的D_(260 nm)/D_(280 nm)值在1.75左右,2种方法的DNA产量均比SDS法低,而用SDS-PVP法与CTAB法提取的DNA含有较多杂质。综合分析可知,大豆油的最佳DNA提取方法为改良CTAB法。 相似文献
1