排序方式： 共有55条查询结果，搜索用时 859 毫秒
1.
2.
3.
基于改进YOLO v3的自然场景下冬枣果实识别方法 总被引：4，自引：0，他引：4
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3（YOLO v3-SE）的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。 相似文献
4.
基于BMV特征的西瓜成熟度无损检测方法 总被引：2，自引：1，他引：1
针对西瓜成熟度无损测定的难度较大这一问题,提出了一种基于音频响应频带幅值向量（BMV）特征的西瓜成熟度无损检测方法。搭建了一套简单的音频采集平台,检验了BMV音频特征与西瓜成熟度的相关性,并与4种已用于西瓜无损检测的音频特征进行了比较;测定了不同打击力度对音频响应和BMV的影响;使用PNN算法对2个品种西瓜的BMV样本进行了成熟度检测。试验结果表明：经过音频特征间的比较,BMV与西瓜成熟度相关性最高,并且打击力度对特征的影响较小,整套算法对2个品种的成熟度检测准确度较高。 相似文献
5.
6.
7.
8.
9.
传统农业效率低、工作量大、难度高,已经不能满足现代农业的生产要求。介绍了物联网的概念、特征以及基于RFID技术、传感器技术的物联网技术在现代农业中的应用。将物联网技术应用到农业生产是现代农业依托智能化应用的一大进步,能够提高动植物生产能力,确保农产品质量安全,从而促进现代农业的发展。 相似文献
10.