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
共找到8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：
基于YOLO v7-ST模型的小麦籽粒计数方法研究 被引量：1
1
作者 王玲 张旗 +3 位作者 冯天赐 王一博 李雨桐 陈度 《农业机械学报》 EI CAS CSCD 北大核心 2023年第10期188-197,204,共11页
针对小麦考种过程中籽粒堆积、粘连和遮挡现象导致计数准确率低等问题,本文基于电磁振动原理设计了高通量小麦籽粒振动分离装置,通过分析受力探讨了籽粒离散分离程度的主要影响因素,并引入二阶离散系数建立了籽粒离散度等级评价方法。... 针对小麦考种过程中籽粒堆积、粘连和遮挡现象导致计数准确率低等问题,本文基于电磁振动原理设计了高通量小麦籽粒振动分离装置,通过分析受力探讨了籽粒离散分离程度的主要影响因素,并引入二阶离散系数建立了籽粒离散度等级评价方法。在此基础上,引入Swin Transformer模块构建YOLO v7-ST模型,对不同离散度等级下小麦籽粒进行计数性能测试。试验结果表明,YOLO v7-ST模型在3种离散度等级下平均计数准确率、F1值和平均计数时间的总平均值分别为99.16%、93%和1.19 s,相较于YOLO v7、YOLO v5和Faster R-CNN模型,平均计数准确率分别提高1.03、2.34、15.44个百分点,模型综合评价指标F1值分别提高2、3、16个百分点,平均计数时间较YOLO v5和Faster R-CNN分别减少0.41 s和0.36 s,仅比YOLO v7模型增大0.09 s。因此,YOLO v7-ST模型可实现多种离散度等级下不同程度籽粒遮挡和粘连问题的准确快速检测,大幅提高小麦考种效率。 展开更多
关键词 小麦 籽粒计数 目标检测 离散度等级 电磁振动 YOLO v7-ST
在线阅读 下载PDF
基于圆心定位的籽粒计数方法研究 被引量：5
2
作者 戴文华 吴翔 +1 位作者 裘正军 何勇 《农机化研究》 北大核心 2015年第7期198-202,共5页
作物籽粒数常用于评价农作物的产量和品质。为此,利用机器视觉技术,提出了一种基于圆心定位的籽粒计数方法。针对不粘连、简单粘连和复杂粘连3种情况,各拍摄15张大豆照片,利用Mat Lab进行图像预处理、粒径统计、Freeman链码提取、圆心... 作物籽粒数常用于评价农作物的产量和品质。为此,利用机器视觉技术,提出了一种基于圆心定位的籽粒计数方法。针对不粘连、简单粘连和复杂粘连3种情况,各拍摄15张大豆照片,利用Mat Lab进行图像预处理、粒径统计、Freeman链码提取、圆心定位、圆心筛选和聚类等处理后,计算大豆的籽粒数。实验表明:不粘连和简单粘连准确率均为100%,复杂粘连的平均准确率为97.8%;此方法对于圆形籽粒的计数具有很好的效果。 展开更多
关键词 籽粒计数 机器视觉 FREEMAN链码 大豆
在线阅读 下载PDF
稻麦籽粒计数方法研究现状及展望 被引量：2
3
作者 周麟 武威 +1 位作者 刘涛 孙成明 《现代农业科技》 2020年第12期18-20,22,共4页
作物籽粒计数是作物研究中重要的工作之一。本文在总结国内外常用的籽粒计数方法及原理的基础上,对基于计算机视觉的图像分析法、碰撞声音识别法以及基于红外线的颗粒计数方法进行综合比较、分析。结果表明,图像分析法和碰撞声音法操作... 作物籽粒计数是作物研究中重要的工作之一。本文在总结国内外常用的籽粒计数方法及原理的基础上,对基于计算机视觉的图像分析法、碰撞声音识别法以及基于红外线的颗粒计数方法进行综合比较、分析。结果表明,图像分析法和碰撞声音法操作简单,但易受环境影响;红外计数法被广泛使用,但籽粒下落速度过快时,受光电信息处理电路限制。针对不同的研究需求,采用不同的研究方法是比较合理的选择。 展开更多
关键词 水稻 小麦 籽粒计数 图像分析 机器视觉
在线阅读 下载PDF
智能精播种子计数传感器设计与试验
4
作者 李广涛 赵允贵 +1 位作者 王伟荣 赵景波 《农业与技术》 2025年第12期50-56,共7页
针对国内现有光电式精播种子计数传感器抗灰尘干扰能力弱、小籽粒计数精度低等问题,设计了一种基于CAN通信的智能种子计数传感器。该传感器采用分体式架构,分为发射端与接收端。传感器采用增益可调的跨阻放大电路设计,结合PSO粒子群优化... 针对国内现有光电式精播种子计数传感器抗灰尘干扰能力弱、小籽粒计数精度低等问题,设计了一种基于CAN通信的智能种子计数传感器。该传感器采用分体式架构,分为发射端与接收端。传感器采用增益可调的跨阻放大电路设计,结合PSO粒子群优化的BP神经网络PID控制算法,动态调整发射端光强与接收端信号增益,实现灰尘环境下的自适应补偿。硬件选用国产GD32F407微控制器,支持CAN通信,确保数据传输稳定性与多行扩展能力;软件集成光强监控、信号滤波、堵种缺种报警等功能。通过台架试验模拟不同遮挡条件,验证传感器性能:玉米和大豆在发收端各加2张A4纸遮挡时计数精度仍达99%以上,高粱在单层遮挡下精度保持91.83%。研究表明,该传感器有效提升了抗尘能力与小籽粒计数精度,为农业机械智能化提供了可靠的技术支持。 展开更多
关键词 精播种子计数传感器 小籽粒计数 光电传感器 PSO-BP-PID
在线阅读 下载PDF
基于密度估计和VGG-Two的大豆籽粒快速计数方法 被引量：1
5
作者 王莹 李越 +2 位作者 武婷婷 孙石 王敏娟 《智慧农业（中英文）》 2021年第4期111-122,共12页
为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two(VGG-T)的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结... 为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two(VGG-T)的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约96%的人工工作量,大幅降低时间成本和人工成本;采用VGG-T模型计数,其评估指标在原图和补丁(patch)情况下的平均绝对误差分别为0.6和0.2,均方误差为0.6和0.3,准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中,误差波动较小,仍具有优良的计数性能,同时与人工计数和数粒仪相比,计数11,350个大豆籽粒分别节省大约2.493 h和0.203 h,实现大豆籽粒的快速计数任务。 展开更多
关键词 卷积神经网络 籽粒计数 籽粒图像 点标注 密度图 VGG-Two 育种
在线阅读 下载PDF
基于多种深度学习算法的田间玉米籽粒检测与计数
6
作者 刘晓航 张昭 +4 位作者 刘嘉滢 张漫 李寒 Paulo FLORES 韩雄哲 《智慧农业（中英文）》 2022年第4期49-60,共12页
为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽... 为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask RCNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。 展开更多
关键词 收获损失 田间玉米籽粒 深度学习 籽粒计数 YOLOv5-L YOLOX-L Mask R-CNN EfficientDet-D5
在线阅读 下载PDF
基于机器视觉的油菜籽计数系统开发与设计 被引量：6
7
作者 彭顺正 岳延滨 +3 位作者 冯恩英 李莉婕 孙长青 赵泽英 《计算机应用》 CSCD 北大核心 2020年第S02期142-146,共5页
油菜籽千粒重对于油菜育种、种子质量评定、产量估测具有重要意义。针对目前贵州主要依靠人工测定油菜籽千粒重周期长、工作量大等问题,基于VS2013和OpenCV开发了一套油菜籽粒计数系统。系统功能主要包括图像读取、RGB颜色特征分析、籽... 油菜籽千粒重对于油菜育种、种子质量评定、产量估测具有重要意义。针对目前贵州主要依靠人工测定油菜籽千粒重周期长、工作量大等问题,基于VS2013和OpenCV开发了一套油菜籽粒计数系统。系统功能主要包括图像读取、RGB颜色特征分析、籽粒角点检测、籽粒孔洞检测、籽粒计数。根据油菜籽外观颜色、几何形状、空间排布特性特征,提出一套油菜籽粒计数算法,并将计数算法集成封装嵌入籽粒计数系统。为了分析籽粒计数算法的检测准确率,对100张油菜籽粒图像进行了检测,实验结果表明:籽粒计数算法检测准确率达88%。 展开更多
关键词 油菜籽 千粒重 机器视觉 角点检测 孔洞检测 籽粒计数
在线阅读 下载PDF
基于机器视觉和YOLOv5的油菜角果表型参数分析 被引量：3
8
作者 陈威 朱怡航 +2 位作者 顾清 林宝刚 张小斌 《浙江农业学报》 CSCD 北大核心 2024年第6期1379-1388,共10页
为了更加高效和准确地获取油菜角果表型参数,在图像处理技术和深度学习算法的基础上,以迎春一号油菜角果为实验材料,综合考虑油菜育种对角果外观表型参数的需求,提出了一种基于机器视觉的油菜角果表型分析方法:利用图像处理技术实现了... 为了更加高效和准确地获取油菜角果表型参数,在图像处理技术和深度学习算法的基础上,以迎春一号油菜角果为实验材料,综合考虑油菜育种对角果外观表型参数的需求,提出了一种基于机器视觉的油菜角果表型分析方法:利用图像处理技术实现了油菜角果的柄喙长度、果身长度、果身宽度、弦长、弧长、面积等外观表型性状的提取,使用YOLOv5对单角果籽粒进行无损计数。对角果实物及标定物进行测量验证,结果表明,图像分析出的角果表型指标与人工实际测量值无显著性差异(P>0.05),决定系数(R^(2))均大于0.96,均方根误差(root mean square error,RMSE)均小于3 mm,平均绝对值误差(mean absolute error,MAE)均小于2.80 mm,平均绝对百分比误差(mean absolute percentage error,MAPE)均不超过4%。标定物直径最大RMSE为0.3 mm,MAE均小于0.28 mm,MAPE均小于2.00%,面积指标最大RMSE为12.09 mm^(2),MAE均小于11.56 mm^(2),MAPE均小于5%。YOLOv5识别出的籽粒数与实际值无显著性差异(P>0.05),R^(2)为0.987,RMSE为0.68粒,MAE为0.27粒,MAPE为1%。该研究的油菜角果表型分析方法操作简单、成本较低,能有效地减少人工测量的误差,提高获取表型信息的可靠性和油菜育种工作的效率,为油菜表型信息的定量化分析提供了一定的参考。 展开更多
关键词 油菜角果 表型 图像处理 籽粒计数
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部