排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
基于YOLOV4模型的果园樱桃实时检测研究 总被引：1，自引：0，他引：1
为解决在自然环境下对樱桃不同生长时期的状态监测受环境影响存在目标识别困难、检测准确率低的问题,提出了一种基于CSPDarknet53改进的卷积神经网络樱桃分类检测模型。经典YOLOV4所使用的特征提取网络层数较深,能够提取更高级的抽象特征,但是对目标局部感知能力较弱,通过在CSPDarknet53网络结构上融合CBAM注意力机制,增强了目标局部特征感知能力,进一步提升目标检测精度,其特征提取和目标检测能力优于原算法,调整特征提取网络的特征层输出,将第三层输出变为第二层输出以增加小目标语义信息的获取,利用k-means算法优化先验框尺寸以适应樱桃目标大小,并进行了消融实验分析。结果表明,改进的YOLOV4樱桃检测模型模型的平均精度达到了92.31%,F1分数达到了87.3%,优于Faster RCNN、YOLOV3和原来的YOLOV4算法,检测速度为40.23幅·s-1,适用于自然环境下的樱桃监测,为实现果园水果生长状态自动监测提供了理论和技术基础。 相似文献
2.
为评估日光温室蓝莓开花窗口期内授粉蜜蜂投放量的合理性,基于机器视觉对蓝莓的蜜蜂授粉次数进行统计。针对检测环境复杂、目标尺度小、易被遮挡等问题,对数据集进行改进泊松融合数据增强处理;并优化设计YOLOv5模型结构,通过引入GAM注意力机制和Transformer模块,增强模型特征提取能力,特征金字塔网络采用BiFPN结构及CARAFE模块补充上下文信息;使用EIoU损失函数和Soft NMS边界框筛选算法,提高边界框的定位精度,解决目标遮挡漏检问题。结果显示,改进后网络的平均精度均值达到96.6%,较原网络提高3.5个百分点,在GPU上对单张蓝莓授粉图像的平均检测时间为11.4 ms。研究结果表明,本研究建立的模型的识别准确度、检测速度及鲁棒性能满足对蓝莓的蜜蜂授粉次数的实时监测。 相似文献
3.
为了实现番茄病害的精准识别,本研究提出一种轻量级网络自适应特征提取方法。该方法首先对图片进行正形处理,然后基于SqueezeNet模型构建轻量级网络模型GKFENet。GKFENet模型包含全局特征提取和关键特征提取2个模块,其中全局特征提取模块逐层提取番茄病害叶片的全局特征,关键特征提取模块通过学习评估出特征图各通道的重要程度,计算出权重值,最后将该值加权到原特征图上,从而实现病害关键特征的自适应提取。结果显示,正形机制有助于神经网络学习特征,本研究构建的GKFENet模型的平均识别准确率为97.90%,模型大小仅为2.64 MB,且在强噪声环境下,其识别准确率仍能保持在78.00%以上。GKFENet模型在训练过程中相对稳定,对8种番茄病害的识别准确率均超过96.00%。相比Bayes、KNN、LeNet、SqueezeNet、MobileNet模型,本研究构建的GKFENet模型的识别精度高,稳定性强且占用内存小,对于移动端未来的应用具有较高的实际价值。 相似文献
1