期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进YOLOv8的复杂果园环境下杏果的目标检测
1
作者
买买提·沙吾提
阿尔庆·西力克
《中国农机化学报》
北大核心
2025年第3期246-252,270,共8页
为解决复杂果园环境中,因遮挡、重叠导致杏果识别误检率较高、检测精度较低的问题,提出一种基于改进YOLOv8n网络模型的杏果检测算法。该算法采用轻量化模块MobileViT—XS替换原有骨干网络,保证特征提取能力,同时降低模型的参数量与计算...
为解决复杂果园环境中,因遮挡、重叠导致杏果识别误检率较高、检测精度较低的问题,提出一种基于改进YOLOv8n网络模型的杏果检测算法。该算法采用轻量化模块MobileViT—XS替换原有骨干网络,保证特征提取能力,同时降低模型的参数量与计算量,并且将原始的损失函数CIoU替换为WIoUv3,动态优化损失权重提高模型的检测精度。为验证改进方法的有效性,选取6种主流的目标检测模型、5种骨干网络的轻量化改进模型以及5种不同的损失函数进行对比试验。结果表明,改进后的模型相比原始模型在F 1、平均精度均值mAP上提升1.25%、1.48%,参数量、浮点运算量、模型大小分别降低28.06%、0.1 G、1.48 MB。改进后的算法能够精准、快速地在复杂的果园环境中识别出杏果。
展开更多
关键词
杏果
目标检测
复杂果园环境
轻量化网络
YOLOv8算法
损失函数
在线阅读
下载PDF
职称材料
基于YOLO v7-ST-ASFF的复杂果园环境下苹果成熟度检测方法
被引量：
5
2
作者
苗荣慧
李港澳
+2 位作者
黄宗宝
李志伟
杜慧玲
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第6期219-228,共10页
针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题,本文提出一种改进的YOLO v7网络模型用于苹果成熟度(未成熟、半成熟、成熟)检测。以YOLO v7为基线网络,在特征提取结构中引入窗口多头自注意力机制(Swin transformer,ST),极大...
针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题,本文提出一种改进的YOLO v7网络模型用于苹果成熟度(未成熟、半成熟、成熟)检测。以YOLO v7为基线网络,在特征提取结构中引入窗口多头自注意力机制(Swin transformer,ST),极大地降低网络参数量与计算量;为提高模型对远景图像中小目标的检测能力,在特征融合结构中引入自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块优化Head部分,有效利用图像的浅层特征和深层特征,加强特征尺度不变性;采用WIoU(Wise intersection over union)代替原始CIoU(Complete intersection over union)损失函数,在提高检测准确率的同时加快模型收敛速度。试验结果表明,本文改进的YOLO v7-ST-ASFF模型在苹果图像测试集上的检测速度和准确率均有显著提高,不同成熟度检测精确率、召回率和平均精度均值可达92.5%、84.2%和93.6%,均优于Faster R-CNN、SSD、YOLO v3、YOLO v5、YOLO v7以及YOLO v8目标检测模型;针对多目标、单目标、顺光、逆光、远景、近景以及套袋、未套袋苹果目标的检测效果都较好;本文网络模型内存占用量为53.4MB,模型平均检测时间(Average detection time,ADT)为45.ms,均优于其他目标检测模型。改进的YOLO v7-ST-ASFF模型能够满足复杂果园环境下苹果目标的检测,可为果蔬机器人自动化采摘提供技术支撑。
展开更多
关键词
苹果
成熟度检测
复杂果园环境
YOLO
v7
窗口多头自注意力机制
ASFF
在线阅读
下载PDF
职称材料
基于Swin-TDL算法的果园环境下葡萄病害检测方法
3
作者
胡国玉
刘广
+2 位作者
周星光
董娅兰
周建平
《中国农机化学报》
北大核心
2024年第8期234-239,共6页
为在果园复杂环境因素下准确检测葡萄病害,提出一种基于Swin Transformer的葡萄病害检测模型Swin-TDL。采用Kmeans++聚类算法计算模型输入图像的锚框以提高检测精度;以Swin Transformer网络作为Swin-TDL的骨干网络更准确地获取目标特征...
为在果园复杂环境因素下准确检测葡萄病害,提出一种基于Swin Transformer的葡萄病害检测模型Swin-TDL。采用Kmeans++聚类算法计算模型输入图像的锚框以提高检测精度;以Swin Transformer网络作为Swin-TDL的骨干网络更准确地获取目标特征信息;特征金字塔网络和路径聚合网络用于融合骨干网络中不同深度的特征层信息以增强检测目标的语义信息和定位信息;使用SIoU损失函数作为边界回归预测损失函数用于提高训练的速度和模型推理的准确性;使用Soft-NMS对目标边界框后处理以提高遮挡及重叠目标的检出率。在田间葡萄病害数据集中进行模型训练和性能测试,结果表明,Swin-TDL模型的平均精度均值为92.7%,平均检测时间为15.3 ms,综合性能优于对比检测算法,可以为葡萄植保装备研究提供参考。
展开更多
关键词
葡萄病害检测
果园
复杂
环境
图像增强
深度学习
Swin
Transformer
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv8的复杂果园环境下杏果的目标检测
1
作者
买买提·沙吾提
阿尔庆·西力克
机构
新疆大学地理与遥感科学学院
新疆绿洲生态重点实验室
智慧城市与环境建模自治区普通高校重点实验室
出处
《中国农机化学报》
北大核心
2025年第3期246-252,270,共8页
基金
新疆自然科学计划(自然科学基金)联合基金项目(2021D01C055)。
文摘
为解决复杂果园环境中,因遮挡、重叠导致杏果识别误检率较高、检测精度较低的问题,提出一种基于改进YOLOv8n网络模型的杏果检测算法。该算法采用轻量化模块MobileViT—XS替换原有骨干网络,保证特征提取能力,同时降低模型的参数量与计算量,并且将原始的损失函数CIoU替换为WIoUv3,动态优化损失权重提高模型的检测精度。为验证改进方法的有效性,选取6种主流的目标检测模型、5种骨干网络的轻量化改进模型以及5种不同的损失函数进行对比试验。结果表明,改进后的模型相比原始模型在F 1、平均精度均值mAP上提升1.25%、1.48%,参数量、浮点运算量、模型大小分别降低28.06%、0.1 G、1.48 MB。改进后的算法能够精准、快速地在复杂的果园环境中识别出杏果。
关键词
杏果
目标检测
复杂果园环境
轻量化网络
YOLOv8算法
损失函数
Keywords
apricots
target detection
complex orchard environment
lightweight network
YOLOv8 algorithm
loss function
分类号
S662.2 [农业科学—果树学]
在线阅读
下载PDF
职称材料
题名
基于YOLO v7-ST-ASFF的复杂果园环境下苹果成熟度检测方法
被引量：
5
2
作者
苗荣慧
李港澳
黄宗宝
李志伟
杜慧玲
机构
山西农业大学信息科学与工程学院
山西农业大学农业工程学院
山西农业大学基础部
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第6期219-228,共10页
基金
财政部和农业农村部:国家现代农业产业技术体系建设项目(CARS-06-14.5-A21)
中央引导地方科技发展资金项目(YDZJSX20231A042)
+2 种基金
山西省谷子现代农业产业技术体系建设项目(2023CYJSTX04-04)
山西省重点研发重大项目(2022ZDYF119)
山西省基础研究计划项目(202203021212428)。
文摘
针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题,本文提出一种改进的YOLO v7网络模型用于苹果成熟度(未成熟、半成熟、成熟)检测。以YOLO v7为基线网络,在特征提取结构中引入窗口多头自注意力机制(Swin transformer,ST),极大地降低网络参数量与计算量;为提高模型对远景图像中小目标的检测能力,在特征融合结构中引入自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块优化Head部分,有效利用图像的浅层特征和深层特征,加强特征尺度不变性;采用WIoU(Wise intersection over union)代替原始CIoU(Complete intersection over union)损失函数,在提高检测准确率的同时加快模型收敛速度。试验结果表明,本文改进的YOLO v7-ST-ASFF模型在苹果图像测试集上的检测速度和准确率均有显著提高,不同成熟度检测精确率、召回率和平均精度均值可达92.5%、84.2%和93.6%,均优于Faster R-CNN、SSD、YOLO v3、YOLO v5、YOLO v7以及YOLO v8目标检测模型;针对多目标、单目标、顺光、逆光、远景、近景以及套袋、未套袋苹果目标的检测效果都较好;本文网络模型内存占用量为53.4MB,模型平均检测时间(Average detection time,ADT)为45.ms,均优于其他目标检测模型。改进的YOLO v7-ST-ASFF模型能够满足复杂果园环境下苹果目标的检测,可为果蔬机器人自动化采摘提供技术支撑。
关键词
苹果
成熟度检测
复杂果园环境
YOLO
v7
窗口多头自注意力机制
ASFF
Keywords
apple
maturity detection
complex orchard environment
YOLO v7
ST
ASFF
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于Swin-TDL算法的果园环境下葡萄病害检测方法
3
作者
胡国玉
刘广
周星光
董娅兰
周建平
机构
新疆大学机械工程学院
新疆大学新疆维吾尔自治区农牧机器人及智能装备研究中心
出处
《中国农机化学报》
北大核心
2024年第8期234-239,共6页
基金
新疆维吾尔自治区创新团队项目(2022D14002)
国家级大学生创业训练项目(202210755005X)。
文摘
为在果园复杂环境因素下准确检测葡萄病害,提出一种基于Swin Transformer的葡萄病害检测模型Swin-TDL。采用Kmeans++聚类算法计算模型输入图像的锚框以提高检测精度;以Swin Transformer网络作为Swin-TDL的骨干网络更准确地获取目标特征信息;特征金字塔网络和路径聚合网络用于融合骨干网络中不同深度的特征层信息以增强检测目标的语义信息和定位信息;使用SIoU损失函数作为边界回归预测损失函数用于提高训练的速度和模型推理的准确性;使用Soft-NMS对目标边界框后处理以提高遮挡及重叠目标的检出率。在田间葡萄病害数据集中进行模型训练和性能测试,结果表明,Swin-TDL模型的平均精度均值为92.7%,平均检测时间为15.3 ms,综合性能优于对比检测算法,可以为葡萄植保装备研究提供参考。
关键词
葡萄病害检测
果园
复杂
环境
图像增强
深度学习
Swin
Transformer
Keywords
grape disease detection
orchard complex environment
image enhancement
deep learning
Swin Transformer
分类号
S436.631 [农业科学—农业昆虫与害虫防治]
TN911.73 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进YOLOv8的复杂果园环境下杏果的目标检测
买买提·沙吾提
阿尔庆·西力克
《中国农机化学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于YOLO v7-ST-ASFF的复杂果园环境下苹果成熟度检测方法
苗荣慧
李港澳
黄宗宝
李志伟
杜慧玲
《农业机械学报》
EI
CAS
CSCD
北大核心
2024
5
在线阅读
下载PDF
职称材料
3
基于Swin-TDL算法的果园环境下葡萄病害检测方法
胡国玉
刘广
周星光
董娅兰
周建平
《中国农机化学报》
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
