排序方式： 共有7条查询结果，搜索用时 15 毫秒
1
2.
3.
基于区域亮度自适应校正的茶叶嫩芽检测模型 总被引：2，自引：2，他引：0
自然光照下不同时间采集的茶叶图像存在亮度不均的现象。由于高亮度图像对比度差且嫩芽特征显著性弱,造成高亮度图像中存在较多嫩芽的漏检。针对现有茶叶嫩芽图像自动检测方法对光照变化的敏感性,该研究提出一种基于区域亮度自适应校正的茶叶嫩芽检测模型。首先,对不同时间采集的龙井43茶叶图像进行灰度化;然后,计算灰度图的平均灰度（Average Gray,AG）值,对AG值在[170,230]的高亮度图像进行不同尺寸的分块处理和局部区域伽马亮度自适应校正;最后,在相同的训练集和测试集训练多个深度学习检测模型。测试结果表明,基于YOLOv5+CSPDarknet53的检测模型比SSD+VGG16、Faster RCNN+VGG16、YOLOv3+Darknet53和YOLOv4+CSPDarknet53模型具有更优的嫩芽检测性能,精确率和召回率分别为88.2%和82.1%。对YOLOv5检测结果进行检测抑制,有效避免了同一目标被多次框选的冗余现象。[30,90)和[90,170)亮度区间内嫩芽图像具有较强的显著性特征和较高的检测精度与召回率。相较于AG值在[170,230)的高亮度原始图像的检测结果,对高亮度图像进行2×3分块和局部区域亮度自适应校正后,YOLOv5嫩芽检测召回率提高了19.2个百分点。对不同光照条件下采集的茶叶图像进行测试,基于区域亮度自适应校正的茶叶嫩芽YOLOv5检测模型获得了92.4%的检测精度和90.4%的召回率。该模型对光照强度变化具有较强的鲁棒性,研究结果为自然光照条件下茶叶嫩芽机械采摘作业提供参考。 相似文献
4.
针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。 相似文献
5.
为确定合理有效的茶叶嫩芽采摘时间,提出一种基于AlexNet卷积神经网络的茶叶嫩芽状态智能识别方法。首先,建立自然环境下全开面、半开面和未开面三种状态茶叶嫩芽图像集;然后,训练茶叶嫩芽状态AlexNet网络识别模型;最后,利用测试集样本进行模型检测,训练集和测试集中三种状态嫩芽平均识别率分别为97.8%和88%。实验结果表明,该方法能够有效地识别自然环境下茶叶嫩芽状态,为嫩芽智能采摘提供理论依据。 相似文献
6.
针对水稻灯诱害虫姿态各异、样体残缺及硬判别对分类器的影响,提出基于后验概率SVM的害虫识别方法。对4种害虫进行图像预处理和特征提取,建立支持向量机识别模型,统计并分析测试集所有样本的后验概率。结果表明,利用SVM方法识别四种水稻灯诱害虫的平均识别率为96.8%,针对姿态各异造成的误判情况,当后验概率值全部小于0.7时,应考虑第二最大值所属种类作为识别输出。该方法能够提高识别率,为实际应用提供理论基础。 相似文献
7.
精准检测茶叶嫩芽是茶叶机械智能采摘的重要前提。针对茶叶大小不一、遮挡造成的小尺度嫩芽特征显著性弱、漏检率高等问题,提出一种基于改进YOLOv4-tiny的茶叶嫩芽检测模型。该模型在颈部网络添加52×52的浅层特征层以提高YOLOv4-tiny网络对小目标嫩芽的关注度,通过引入卷积块注意力机制（Convolutional block attention module,CBAM）以抑制背景噪声,提高嫩芽特征的显著性,采用双向特征金字塔网络（Bidirectional feature pyramid network,BiFPN）以融合不同尺度的特征信息,从而提出一个高性能轻量化的茶叶嫩芽检测模型YOLOv4-tiny-Tea。对同一训练集与测试集进行模型训练与性能测试,结果表明YOLOv4-tiny-Tea模型检测精确率和召回率分别为97.77%和95.23%,相比改进之前分别提高了5.58个百分点和23.14个百分点。消融试验验证了网络结构改进对不同尺度嫩芽检测的有效性,并将改进后的YOLOv4-tiny-Tea模型与3种YOLO系列算法进行对比,发现改进后的YOLOv4-tiny-Tea模型F1值比YOLOv3、YOLOv4、YOLOv5l模型分别提高了12.11、11.66和6.76个百分点,参数量仅为3种网络模型的13.57%、13.06%和35.05%。试验结果表明,YOLOv4-tiny-Tea模型能有效提高不同尺度下嫩芽检测的精确率,大幅度减少小尺寸或遮挡嫩芽的漏检情况,在保持轻量化计算成本的基础上获得较为明显的检测精度,能够满足农业机器人的实时检测和嵌入式开发的需求,可以为茶叶嫩芽智能采摘方法提供参考。 相似文献
1