-
题名基于改进YOLOv5的柑橘采摘机器人识别定位方法
被引量：2
- 1
-
-
作者
潘海鸿
钱广坤
陈希良
申毅莉
高港
陈琳
-
机构
广西大学机械工程学院
梧州学院机械与资源工程学院
-
出处
《传感器与微系统》
北大核心
2025年第5期57-61,共5页
-
基金
广西创新驱动发展专项项目(桂科AA18118002)
2022年梧州市科学研究与技术开发计划项目(202202064,202202039)。
-
文摘
为实现柑橘果实的准确识别与定位,提出一种结合YOLOv5模型与Realsense深度相机的识别定位方法。针对户外场景下的适用性问题,对YOLOv5模型进行改进,引入RepGhost结构以提高算法推理速度;在颈部网络中以双向特征金字塔网络(BiFPN)替换原始特征融合网络,充分融合高层和底层特征;改进GSConv卷积模块,保证算法提取能力的前提下,减小算法参数。以识别算法获取的目标像素坐标为基础,通过深度对齐原理与空间定位原理,获取柑橘中心点的距离与三维空间坐标,进而定位柑橘目标的空间位置。实验结果表明:改进算法识别精度达到97.5%,推理速度达到9.8 ms/帧,可满足实时柑橘目标识别定位需求,可为柑橘果园自动采摘提供技术支持。
-
关键词
定位识别
自动采摘
深度相机
果实识别
-
Keywords
localization and recognition
automatic picking
depth camera
fruit identification
-
分类号
TP391.46
[自动化与计算机技术—计算机应用技术]
-
-
题名TDR波形传输时间的切线法判定与实现
被引量：3
- 2
-
-
作者
沈绍祥
冯炜
纪奕才
方广有
-
机构
中国科学院电子学研究所
中国科学院研究生院
-
出处
《科学技术与工程》
2009年第24期7537-7541,共5页
-
基金
国家自然科学基金(40701072)资助
-
文摘
采用变步长切线法来判定脉冲在时域反射仪(简称TDR)探针上的传输时间,并通过程序实现了该方法的自动判定过程,完成介电常数的自动计算。最后将时域反射仪TDR-I系统所采集的数据对该方法进行测试,效果良好。
-
关键词
时域反射仪
介电常数
切线法
一阶差分
-
Keywords
time domain reflectometry（TDR） dielectric constant tangent method first difference
-
分类号
TP391.46
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8n的轻量化茶叶嫩芽检测方法
被引量：2
- 3
-
-
作者
潘海鸿
陈希良
钱广坤
申毅莉
陈琳
-
机构
广西大学机械工程学院
梧州学院机械与资源工程学院
-
出处
《电子测量技术》
北大核心
2024年第7期149-156,共8页
-
基金
广西创新驱动发展专项(AA18118002)
2022年梧州市科学研究与技术开发计划项目(202202064,202202039)资助。
-
文摘
为解决自然环境下茶叶嫩芽检测场景复杂,模型参数量大无法在嵌入式设备部署等问题,提出一种基于改进YOLOv8n的轻量化茶叶嫩芽检测方法。构建一种MFBNet轻量化骨干网络,引入MBConv模块后大大减少了模型计算量。同时在骨干网中加入CBAM注意力模块,抑制无效信息,提高了模型检测精度;其次引入AKConv模块对VoVGSCSPC结构进行改进,提出全新的AVCStem模块,并将其替换颈部网络的C2f模块,进一步减少模型参数,提升嵌入式设备部署效率;最后采用GSConv模块替换颈部网络结构中的全部Conv模块,帮助模型进行快速计算,提高茶叶嫩芽的检测速率。结果表明,本文提出的模型比YOLOv8n原模型的mAP50和FPS分别提升了3.5%、55.6%,参数量减少了14.3%,且模型鲁棒性强,满足复杂场景下茶叶嫩芽的轻量化快速检测。
-
关键词
茶叶嫩芽检测
轻量化
注意力机制
深度学习
YOLOv8n
-
Keywords
tea bud detection
lightweight
attention mechanism
deep learning
YOLOv8n
-
分类号
TN919.8
[电子电信—通信与信息系统]
TP391.46
[自动化与计算机技术—计算机应用技术]
-
-
题名基于YOLOv5s的番茄采摘机器人目标检测技术
被引量：28
- 4
-
-
作者
朱智惟
单建华
余贤海
孔德义
王琼
谢晓轩
-
机构
合肥工业大学微电子学院
安徽工业大学机械工程学院
中国科学院合肥智能机械研究所
中国科学院种子创新研究院
-
出处
《传感器与微系统》
CSCD
北大核心
2023年第6期129-132,共4页
-
基金
中国科学院种子创新研究院委托项目(E12E0J11)
安徽省科技重大专项项目(202203a06020002)。
-
文摘
为了实现番茄采摘机器人高效自动化采摘,针对当前番茄采摘机器人果实识别准确率较低、漏检率较高等问题,提出了一种基于YOLOv5s深度神经网络的番茄识别算法改进模型,通过对网络的Neck部分增加跨层连接,实现多尺度特征融合,并采用软性非极大值抑制,可对番茄果实进行快速准确的识别。在植物工厂全光谱光照条件下,进行实际采摘实验,其识别准确率达97.62%以上,比YOLOv5s高2.38%;同时,在漏检率方面降低了4.76%。将改进后的识别算法应用于自主研发的番茄采摘机器人系统中,可实现对番茄果实的准确采摘。
-
关键词
智慧农业
深度学习
目标检测
番茄采摘机器人
-
Keywords
intelligent agriculture
deep learning
target detection
tomato picking robot
-
分类号
TP212
[自动化与计算机技术—检测技术与自动化装置]
TP391.46
[自动化与计算机技术—计算机应用技术]
-
