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：
一种超轻量化草莓成熟度检测模型YECC
1
作者 谢慰群 彭智朝 《南方农机》 2024年第18期9-17,共9页
【目的】实现在大棚草莓种植环境下,在资源受限的移动设备端如安卓手机端,实时快速精准地识别不同成熟度的草莓。【方法】提出了一种超轻量化草莓成熟度检测模型YECC,该模型基于轻量级网络模型YOLOv8n进行改进,首先使用EfficientNetv2模块... 【目的】实现在大棚草莓种植环境下,在资源受限的移动设备端如安卓手机端,实时快速精准地识别不同成熟度的草莓。【方法】提出了一种超轻量化草莓成熟度检测模型YECC,该模型基于轻量级网络模型YOLOv8n进行改进,首先使用EfficientNetv2模块对Backbone部分进行轻量化改进,使模型的三类轻量化指标大幅优化,同时提升检测速度;然后把头层特征提取层Stem模块继续改用YOLOv8n的Conv模块,提升检测精度;接着使用CBAM注意力机制替换原模型Neck部分最后的C2f模块,进一步优化模型的三类轻量化指标,经过改进后的模型称为YECC。同时将YECC模型部署于安卓手机端,开发了一款名为StrawberryDetect的草莓成熟度检测App,并对比了YECC模型和YOLOv8n模型在图库、拍照、实时视频流三个模式下的草莓成熟度检测结果。【结果】YECC的FLOPs缩减至YOLOv8n的31%,Memorysize缩减至58%,Parameters缩减至56%,同时YECC的AP50(ripe类)识别率达到了0.969,高于YOLOv8n的0.968;并且在安卓平台的对比测试表明,在检测精度近似的情况下,YECC模型的FPS是YOLOv8n的两倍以上,可以精准流畅地进行草莓成熟度检测。【结论】本设计能实现草莓生长自动化监控,为色盲色弱从业人员提供采摘依据,为农业采摘机器人提供技术支持,也为成功把模型泛化到类似的工作场景提供了可行的方案。 展开更多
关键词 YECC YOLOv8n 草莓成熟度检测 三类轻量化指标 AP50(ripe类) FPS
在线阅读 下载PDF
基于改进YOLO v8的温室草莓成熟度智能实时识别
2
作者 沈桂芳 张平 《江苏农业科学》 北大核心 2025年第5期62-72,共11页
为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型... 为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型为基线。首先,在YOLO v8模型的骨干网络和颈部网络中引入动态蛇形卷积(DSConv),替换原有的卷积层,减少模型的参数量,同时增强对细微特征的捕获能力,提高特征学习效率。其次,通过融入多尺度通道注意力(MCA)机制,减轻背景干扰,增强了对目标区域的关注,以应对目标遮挡和背景干扰问题。最后,为了进一步优化模型性能,采用SIoU损失函数替换原有的CIoU损失函数,通过改进惩罚项并利用位置信息,以促使检测框更加准确地逼近目标框,提高模型的回归精度。在自制的草莓成熟度检测数据集上,模型检测精度mAP@0.5高达95.24%,超越Faster-RCNN、SSD、centerNet、YOLOX和原始YOLO v8等5种主流目标检测算法。此外模型的浮点运算次数、参数量和识别速度分别为268.7亿次、10.92 M和55.7帧/s,证明其满足实时检测需求。在嵌入式平台上的进一步测试证实,即便在资源受限的硬件条件下,改进的YOLO v8模型依然能够实现准确性和鲁棒性的实时检测。对农业自动化与智能化的进步具有重要贡献。 展开更多
关键词 草莓成熟度检测 YOLO v8 蛇形卷积 MCA注意力 SIoU
在线阅读 下载PDF
基于改进YOLOv5s的草莓成熟度实时检测算法 被引量：3
3
作者 梁敖 代东南 +3 位作者 牛思琪 许晓琳 周延培 马德新 《山东农业科学》 北大核心 2024年第11期156-163,共8页
本研究提出了一种基于YOLOv5s的草莓成熟度实时检测算法YOLOv5s-SCS,该算法针对检测过程中草莓数量多、体积小、果实之间遮挡、重叠、密集等特点,优化了对小目标和密集目标存在误检和漏检等问题,显著提升了检测速度。首先,引入SimOTA匹... 本研究提出了一种基于YOLOv5s的草莓成熟度实时检测算法YOLOv5s-SCS,该算法针对检测过程中草莓数量多、体积小、果实之间遮挡、重叠、密集等特点,优化了对小目标和密集目标存在误检和漏检等问题,显著提升了检测速度。首先,引入SimOTA匹配算法动态分配成熟草莓正样本,提高成熟草莓的识别能力;其次,将YOLOv5s颈部的部分C3模块替换成C2f模块,实现了模型的轻量化,提升了模型的平均检测精度;最后,在YOLOv5s骨干网络的首个C3模块中添加具有全局感受野的SE(Squeeze-and-Excitation)注意力机制,该机制通过自动学习方式获取每个特征通道的重要程度,并且利用得到的重要程度来提升特征并抑制对当前任务不重要的特征。实验结果表明,改进后的算法平均精度均值、精确率、召回率、模型体积、检测速度分别为98.3%、92.6%、96.6%、13.5 MB和89.3 FPS,相较于原始YOLOv5s平均精度均值提高了1.8个百分点,精确率和召回率分别提升了1.3个和2.1个百分点,模型体积减小了0.3 MB,检测速度提高了82.24%,NMS(非极大值抑制处理)和图像预处理的时间大幅缩减,检测速度达到实时检测要求。该算法与其他算法比较,识别精度及模型体积均优于其他算法,在复杂环境下具有良好的鲁棒性,为开发草莓成熟度实时检测系统提供了解决方案。 展开更多
关键词 深度学习 草莓成熟度检测 YOLOv5s SE注意力机制 SimOTA
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