排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
为解决传统人工计数存在效率低、成本高、对虾有损伤等问题,提出一种基于YOLOv5框架的养殖虾目标检测方法。利用高清摄像机采集高分辨率虾的图像数据样本,并针对高分辨率图像训练集设计自适应图片裁切预处理算法,通过将训练集进行自适应裁切,扩增训练数据量,减少原始图像训练过程中细节特征损失,提升目标检测准确度。结果表明：研究所提方法可以实现少量高分辨率图像下养殖虾的准确识别与计数,采用该算法对图像样本进行预处理,相比于原始数据集训练所得检测模型,在相同运算硬件条件下,具有更高的检测准确率,识别准确率为92.55%,召回率为98.78%,平均精度均值为97.5%。 相似文献
2.
海珍品检测对海洋牧场的智能化建设至关重要,在实时性和准确性方面仍有待提高。该研究提出一种改进的YOLOv3海珍品检测方法。利用深度可分离卷积替代YOLOv3中的标准卷积,得到一个轻量化网络模型DSC-YOLO(Depthwise Separable Convolution-YOLO);在数据预处理方面,采用图像增强方法 UGAN提升海珍品图像清晰度,采用Mosaic数据增广方法丰富数据的多样性。在海珍品数据集上的试验结果显示,相较YOLOv3而言,所提模型大小减少70%,推理时间降低16%,召回率R提高了2.7%,平均准确率提高了2.4%,F1分数提高了0.4%。可见该方法模型小、实时性好,具有部署到移动设备上的潜力。 相似文献
3.
为解决红鳍东方鲀养殖密度不均导致图像分割精度低和小目标分割效果差的问题,提出一种改进的轻量版SOLOv2实例分割方法。首先进行可变形卷积（deformable convolutional networks,DCN）网络结构的优化调整,通过在卷积核上增加偏移参数,调整卷积的感受野,使感受野与物体的实际形状更加贴近;再在残差模块最后一层引入无参数注意力机制SimAM,捕捉图像中更多的局部信息,获得不同尺度的目标特征,优化模型对小目标分割的性能。试验结果显示,改进后的轻量版SOLOv2模型较原有模型平均分割精度提高了3.7个百分点,对小目标的分割精度提升了1.4个百分点,同时加入DCN和SimAM注意力模块后,模型的分割精度提高到65.2%。结果表明,改进后的SOLOv2模型可以提高边界处的细节感知能力,强化模型对小目标鱼群特征的提取能力,可用于高密度场景下的精准实例分割,实现红鳍东方鲀鱼群目标精准像素级分割。 相似文献
1