O438 94063984激光三维距离图象获取和处理系统的方案设计=Scheme design for laser 3-D range imageacquisition and processing system[刊,中]/李育林,王大勇,薛鸣球(中科院西安光机所.陕西,西安(710068))//光子学报.-1994,23(1).-7-1...O438 94063984激光三维距离图象获取和处理系统的方案设计=Scheme design for laser 3-D range imageacquisition and processing system[刊,中]/李育林,王大勇,薛鸣球(中科院西安光机所.陕西,西安(710068))//光子学报.-1994,23(1).-7-11讨论和比较了三角法测距和激光雷达测距的原理和性能,然后描述了一种新型的基于激光雷达测距并适用于远距离、大体积目标的三维距离图象获取和处理系统。展开更多
[目的/意义]为解决智能化灯诱设备检测密集、遮挡的低分辨率小体积飞虱类害虫时易出现精度低、误检、漏检的问题,基于YOLOv11x提出了一种联合空间深度转换卷积与多尺度注意力机制的水稻飞虱类小体积害虫图像检测识别方法。[方法]首先,...[目的/意义]为解决智能化灯诱设备检测密集、遮挡的低分辨率小体积飞虱类害虫时易出现精度低、误检、漏检的问题,基于YOLOv11x提出了一种联合空间深度转换卷积与多尺度注意力机制的水稻飞虱类小体积害虫图像检测识别方法。[方法]首先,通过使用EMA(Efficient Multi-Scale Attention)机制改进YOLOv11x原网络中的C3k2模块,加强模型在密集、遮挡情况下对小体积害虫特征的感知与融合能力。其次,使用SPD-Conv(Space-to-Depth-Convolution)卷积替换原始模型中Conv普通卷积模块,进一步提升模型对低分辨率小体积害虫特征的提取精度并降低了模型参数量。另外,在原始的网络基础上添加P2检测层并去除P5检测层,从而有针对性地增强模型对小目标的检测性能。最后,通过引入动态非单调聚焦机制损失函数(Wise-Intersection over Union Version 3, WIoUv3),提升模型的定位能力,进而降低误检率和漏检率。[结果和讨论]改进后的模型在自建飞虱类害虫数据集dataset_Planthopper上的准确率P、召回率R、平均检测精度mAP_(50)和mAP_(50-95)分别达到了77.5%、73.5%、80.8%和44.9%,与基准模型YOLOv11x模型相比,分别提高了4.8、3.5、5.5和4.7个百分点,参数量从56 M减小到40 M,减少了29%。与现在主流的目标检测模型YOLOv5x、YOLOv8x、YOLOv10x、YOLOv11x、YOLOv12x、Salience DETR-R50、Relation DETR-R50、RT-DETR-x相比,改进后的模型综合性能最佳。[结论]改进后的YOLOv11x模型,有效提升了在密集、遮挡虫情下检测低分辨率、小体积飞虱类害虫的性能,降低了漏检和误检的概率。展开更多
文摘O438 94063984激光三维距离图象获取和处理系统的方案设计=Scheme design for laser 3-D range imageacquisition and processing system[刊,中]/李育林,王大勇,薛鸣球(中科院西安光机所.陕西,西安(710068))//光子学报.-1994,23(1).-7-11讨论和比较了三角法测距和激光雷达测距的原理和性能,然后描述了一种新型的基于激光雷达测距并适用于远距离、大体积目标的三维距离图象获取和处理系统。
文摘[目的/意义]为解决智能化灯诱设备检测密集、遮挡的低分辨率小体积飞虱类害虫时易出现精度低、误检、漏检的问题,基于YOLOv11x提出了一种联合空间深度转换卷积与多尺度注意力机制的水稻飞虱类小体积害虫图像检测识别方法。[方法]首先,通过使用EMA(Efficient Multi-Scale Attention)机制改进YOLOv11x原网络中的C3k2模块,加强模型在密集、遮挡情况下对小体积害虫特征的感知与融合能力。其次,使用SPD-Conv(Space-to-Depth-Convolution)卷积替换原始模型中Conv普通卷积模块,进一步提升模型对低分辨率小体积害虫特征的提取精度并降低了模型参数量。另外,在原始的网络基础上添加P2检测层并去除P5检测层,从而有针对性地增强模型对小目标的检测性能。最后,通过引入动态非单调聚焦机制损失函数(Wise-Intersection over Union Version 3, WIoUv3),提升模型的定位能力,进而降低误检率和漏检率。[结果和讨论]改进后的模型在自建飞虱类害虫数据集dataset_Planthopper上的准确率P、召回率R、平均检测精度mAP_(50)和mAP_(50-95)分别达到了77.5%、73.5%、80.8%和44.9%,与基准模型YOLOv11x模型相比,分别提高了4.8、3.5、5.5和4.7个百分点,参数量从56 M减小到40 M,减少了29%。与现在主流的目标检测模型YOLOv5x、YOLOv8x、YOLOv10x、YOLOv11x、YOLOv12x、Salience DETR-R50、Relation DETR-R50、RT-DETR-x相比,改进后的模型综合性能最佳。[结论]改进后的YOLOv11x模型,有效提升了在密集、遮挡虫情下检测低分辨率、小体积飞虱类害虫的性能,降低了漏检和误检的概率。
