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
2
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
QMDF-YOLO11:复杂场景下水稻害虫检测算法
被引量：
1
1
作者
熊干
陈慈发
张上
《计算机工程与应用》
北大核心
2025年第13期113-123,共11页
在复杂场景下的水稻害虫检测中,传统YOLOv11模型面临小目标识别能力不足和多尺度特征融合效果不佳的挑战。为解决这些问题,提出了一种基于YOLOv11的改进检测模型QMDF-YOLO11。提出了全新的特征融合网络(QS-RepGFPN),替换原模型的neck结...
在复杂场景下的水稻害虫检测中,传统YOLOv11模型面临小目标识别能力不足和多尺度特征融合效果不佳的挑战。为解决这些问题,提出了一种基于YOLOv11的改进检测模型QMDF-YOLO11。提出了全新的特征融合网络(QS-RepGFPN),替换原模型的neck结构,通过多层次特征的高效融合,显著增强了对小目标的感知能力和检测效果。主干网络引入调制可变形卷积(MDConv),增强了网络对变形目标的鲁棒性和表达能力,同时采用动态上采样(DySample)替代传统上采样方法,提高了多尺度特征融合过程中的插值精度。此外,结合QS-RepGFPN结构创新设计了四检测头——QASFFHead(quadruple adaptive spatial fusion head),进一步优化了多尺度特征的利用和融合,提升了模型在不同尺度目标检测中的精度和效率。实验结果表明,改进后的模型在RicePests数据集上的mAP@0.5达到94.57%(提升了5.26个百分点),P(精度)和mAP@0.5:0.95分别提升了5.89个百分点和7.46个百分点,在复杂背景和密集小目标场景中表现尤为突出。同时,模型参数量和计算量的增加保持在合理范围内,确保了高效的推理速度。实验结果表明改进模型适用于资源有限的农业监测平台,具备实时目标检测的潜力,为智慧农业的进一步发展提供参考。
展开更多
关键词
水稻害虫检测
小目标
检测
多尺度特征融合
YOLOv11
智慧农业
在线阅读
下载PDF
职称材料
基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测
被引量：
3
2
作者
李鑫
南新元
《山东农业科学》
北大核心
2024年第6期133-142,共10页
为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized ...
为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。
展开更多
关键词
水稻害虫检测
改进YOLOv7-tiny算法
部分卷积
极化自注意力机制
特征融合
迁移学习
在线阅读
下载PDF
职称材料
题名
QMDF-YOLO11:复杂场景下水稻害虫检测算法
被引量：
1
1
作者
熊干
陈慈发
张上
机构
三峡大学计算机与信息学院
出处
《计算机工程与应用》
北大核心
2025年第13期113-123,共11页
基金
国家级大学生创新创业训练计划(202011075013,202111075012)。
文摘
在复杂场景下的水稻害虫检测中,传统YOLOv11模型面临小目标识别能力不足和多尺度特征融合效果不佳的挑战。为解决这些问题,提出了一种基于YOLOv11的改进检测模型QMDF-YOLO11。提出了全新的特征融合网络(QS-RepGFPN),替换原模型的neck结构,通过多层次特征的高效融合,显著增强了对小目标的感知能力和检测效果。主干网络引入调制可变形卷积(MDConv),增强了网络对变形目标的鲁棒性和表达能力,同时采用动态上采样(DySample)替代传统上采样方法,提高了多尺度特征融合过程中的插值精度。此外,结合QS-RepGFPN结构创新设计了四检测头——QASFFHead(quadruple adaptive spatial fusion head),进一步优化了多尺度特征的利用和融合,提升了模型在不同尺度目标检测中的精度和效率。实验结果表明,改进后的模型在RicePests数据集上的mAP@0.5达到94.57%(提升了5.26个百分点),P(精度)和mAP@0.5:0.95分别提升了5.89个百分点和7.46个百分点,在复杂背景和密集小目标场景中表现尤为突出。同时,模型参数量和计算量的增加保持在合理范围内,确保了高效的推理速度。实验结果表明改进模型适用于资源有限的农业监测平台,具备实时目标检测的潜力,为智慧农业的进一步发展提供参考。
关键词
水稻害虫检测
小目标
检测
多尺度特征融合
YOLOv11
智慧农业
Keywords
rice pest detection
small object detection
multi-scale feature fusion
YOLOv11
smart agriculture
分类号
TP391.41 [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
基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测
被引量：
3
2
作者
李鑫
南新元
机构
新疆大学电气工程学院
出处
《山东农业科学》
北大核心
2024年第6期133-142,共10页
基金
国家自然科学基金项目(52065064)。
文摘
为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。
关键词
水稻害虫检测
改进YOLOv7-tiny算法
部分卷积
极化自注意力机制
特征融合
迁移学习
Keywords
Pest detection
Improved YOLOv7-tiny algorithm
Partial convolution
Polarized self-attention
Feature
分类号
S434.112 [农业科学—农业昆虫与害虫防治]
TP391.41 [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
作者
出处
发文年
被引量
操作
1
QMDF-YOLO11:复杂场景下水稻害虫检测算法
熊干
陈慈发
张上
《计算机工程与应用》
北大核心
2025
1
在线阅读
下载PDF
职称材料
2
基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测
李鑫
南新元
《山东农业科学》
北大核心
2024
3
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
