检索结果-维普期刊中文期刊服务平台

基于YOLOv8n的轻量化葡萄叶片病害检测算法: 1; 作者邓伟豪刘拥民 +1 位作者徐卓农麻海志《湖南农业大学学报(自然科学版)》北大核心 2025年第5期121-128,共8页; 本研究提出一种基于YOLOv8n的轻量化高性能算法Lighter-Faster-YOLO。首先,该算法使用改进的深度可分离部分卷积(DSPConv)替换原C2f中的常规卷积,减少冗余计算和内存访问,从而更加有效地提取网络特征;其次,使用高效多尺度注意力(EMA)模... 展开更多; 关键词葡萄叶片病害智慧农业 YOLOv8n EMA HS-FPN; 在线阅读下载PDF 职称材料

基于YOLO v8n-Grape的葡萄叶片病害小目标检测被引量：1: 2; 作者范明超张和群 +1 位作者踪姿艳高欣峰《江苏农业科学》北大核心 2025年第9期199-207,共9页; 为了提升葡萄叶片病害检测的精度和效率,本研究从葡萄病害表型相似度高、小病斑检测困难出发,提出了优化的YOLO v8n-Grape模型,旨在为智能农业中的病害检测提供更加精准和高效的技术支持。首先,在颈部网络中添加SimAM注意力机制,自适应... 展开更多; 关键词 YOLO v8n 葡萄叶片病害小目标 SimAM NWDLoss损失函数; 在线阅读下载PDF 职称材料

基于改进YOLOv8的葡萄叶片病害轻量化检测: 3; 作者樊宇轩郑喜娟《现代农业研究》 2025年第7期73-79,共7页; 葡萄叶片病害是制约葡萄产业发展的关键因素之一。传统人工识别方法存在效率低下、误判率高且易引发不当治理等问题,而基于目标检测的深度学习技术为病害精准识别提供了高效可靠的解决方案。本研究从数据增强与算法优化两个维度来提高... 展开更多; 关键词葡萄叶片病害 YOLOv8 FasterNet 双线性插值法; 在线阅读下载PDF 职称材料

一种基于改进卷积神经网络的葡萄叶片病害集成识别方法被引量：2: 4; 作者陈诗瑶孔淳 +2 位作者冯峰王志军孙博《山东农业大学学报（自然科学版）》北大核心 2024年第6期950-960,共11页; 为有效提升葡萄叶片病害识别的精度和效率,实现葡萄病害的及时防治进而提高产量和质量,本文提出一种基于改进卷积神经网络的葡萄叶片病害集成识别方法,对常见的三种葡萄叶片病害进行自动准确的识别。首先,利用Bagging集成学习算法生成... 展开更多; 关键词葡萄叶片病害识别卷积神经网络集成学习 BAGGING算法图像识别; 在线阅读下载PDF 职称材料

基于显著性目标检测的葡萄叶片病害分割被引量：7: 5; 作者王书志乔虹 +1 位作者冯全张建华《湖南农业大学学报（自然科学版）》 CAS CSCD 北大核心 2021年第1期101-107,共7页; 为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法。采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶... 展开更多; 关键词葡萄叶片病害分割显著性目标检测; 在线阅读下载PDF 职称材料

题名基于YOLOv8n的轻量化葡萄叶片病害检测算法: 1; 作者邓伟豪刘拥民徐卓农麻海志; 机构中南林业科技大学计算机与数学学院中南林业科技大学智慧林业云研究中心中南林业科技大学电子信息与物理学院; 出处《湖南农业大学学报(自然科学版)》北大核心 2025年第5期121-128,共8页; 基金国家自然科学基金项目(31870532) 长沙市科技计划项目(kq2402265)。; 文摘本研究提出一种基于YOLOv8n的轻量化高性能算法Lighter-Faster-YOLO。首先,该算法使用改进的深度可分离部分卷积(DSPConv)替换原C2f中的常规卷积,减少冗余计算和内存访问,从而更加有效地提取网络特征;其次,使用高效多尺度注意力(EMA)模块替换快速空间金字塔池化(SPPF)前的C2f模块,以较低的计算开销提高性能;最后,使用高级特征融合金字塔网络(HS-FPN)作为新的颈部网络来增强特征融合的效果,并减少计算量。结果表明,采用本文所提算法检测葡萄叶片病害的平均精度达到93.0%,相较于YOLOv8n算法参数量和浮点计算量分别降低66.34%和35.80%。相较于当前主流的轻量化目标检测算法Faster R-CNN、YOLOv5n等,改进后的Lighter-Faster-YOLO算法性能更优越,能有效减少参数量,降低模型复杂度,从而降低计算成本,更易于在智能检测仪器上进行部署。; 关键词葡萄叶片病害智慧农业 YOLOv8n EMA HS-FPN; Keywords grape leaf disease smart agriculture YOLOv8n EMA HS-FPN; 分类号 S436.6 [农业科学—农业昆虫与害虫防治] S663.1 [农业科学—果树学] 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YOLO v8n-Grape的葡萄叶片病害小目标检测被引量：1: 2; 作者范明超张和群踪姿艳高欣峰; 机构青岛农业大学动漫与传媒学院; 出处《江苏农业科学》北大核心 2025年第9期199-207,共9页; 基金 2024年度青岛市科技惠民示范专项(编号:24-1-8-xdny-12-nsh) 国家基础学科公共科学数据中心项目(编号:NBSDC-DB-20)。; 文摘为了提升葡萄叶片病害检测的精度和效率,本研究从葡萄病害表型相似度高、小病斑检测困难出发,提出了优化的YOLO v8n-Grape模型,旨在为智能农业中的病害检测提供更加精准和高效的技术支持。首先,在颈部网络中添加SimAM注意力机制,自适应地增强关键信息的提取,减少特征冗余;其次,在主干网络中添加SimAM注意力机制,并通过引入通道注意力机制、增加可学习参数、结合门控机制和残差连接,同时将激活函数替换为SiLU,进一步优化模型,提升病害区域的特征表达能力;最后,将CIoU损失函数替换为NWDLoss损失函数,使检测框与标注框的匹配更加精确,优化目标定位和分类之间的平衡性。结果表明,YOLO v8n-Grape对葡萄叶片病斑的检测精度达到90.4%;对比SSD、YOLO v5s、YOLO v8n、YOLO v9、YOLO v10n、YOLO v11模型,mAP@0.5分别高出18.9、8.1、2.0、2.1、2.6、1.2百分点。YOLO v8n-Grape模型为精准检测葡萄叶片病害小目标提供了高效且可靠的技术手段,具备广泛的应用前景,为智能农业中的病害检测技术提供了有力支持。; 关键词 YOLO v8n 葡萄叶片病害小目标 SimAM NWDLoss损失函数; 分类号 S126 [农业科学—农业基础科学] 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YOLOv8的葡萄叶片病害轻量化检测: 3; 作者樊宇轩郑喜娟; 机构武昌工学院; 出处《现代农业研究》 2025年第7期73-79,共7页; 基金武昌工学院大学生科研项目“基于YOLOv8的葡萄叶片病害检测方法研究”(项目编号:(2024XS03) 武昌工学院校级科研项目“湖北省数字乡村建设的困境与路径研究”(项目编号:2023KY09)。; 文摘葡萄叶片病害是制约葡萄产业发展的关键因素之一。传统人工识别方法存在效率低下、误判率高且易引发不当治理等问题,而基于目标检测的深度学习技术为病害精准识别提供了高效可靠的解决方案。本研究从数据增强与算法优化两个维度来提高葡萄叶片病害检测准确率,首先通过几何变换来增强数据多样性,其次采用神经网络结构FasterNet对YOLOv8模型的C2f模块中进行改进。研究发现数据增强后,黑麻疹病,黑腐病和叶枯病的检测准确率分别提高了11.25%,2.33%和1.11%,模型的mAp50值为0.941。而且改进后YOLOv8模型的计算量减少了21.9%,模型大小减少了23.43%,在精度与效率上均优于YOLO系列其他对比模型。改进后的YOLOv8模型不仅能够有效减少模型参数量和计算量,还为其他作物病害识别提供理论依据。; 关键词葡萄叶片病害 YOLOv8 FasterNet 双线性插值法; Keywords grape leaf diseases YOLOv8 FasterNet bilinear interpolation; 分类号 S663.1 [农业科学—果树学]; 在线阅读下载PDF 职称材料

题名一种基于改进卷积神经网络的葡萄叶片病害集成识别方法被引量：2: 4; 作者陈诗瑶孔淳冯峰王志军孙博; 机构山东农业大学信息科学与工程学院山东省苹果技术创新中心; 出处《山东农业大学学报（自然科学版）》北大核心 2024年第6期950-960,共11页; 基金山东省重大科技创新工程项目:现代果园智慧种植装备与大数据平台研发及示范应用(2019JZZY010706)。; 文摘为有效提升葡萄叶片病害识别的精度和效率,实现葡萄病害的及时防治进而提高产量和质量,本文提出一种基于改进卷积神经网络的葡萄叶片病害集成识别方法,对常见的三种葡萄叶片病害进行自动准确的识别。首先,利用Bagging集成学习算法生成多个有差异的训练子集;然后,将SE、CA注意力机制分别引入ResNet152、DenseNet121与MobileNetV3模型,得到改进后的三种神经网络基学习模型,并在生成的训练子集上进行训练;最后,利用加权平均的思想将这些模型进行集成。在葡萄叶片病害数据集上进行的实验表明,该集成模型的识别准确率达到了99.38%,因而是一种比较有效的葡萄叶片病害识别方法。; 关键词葡萄叶片病害识别卷积神经网络集成学习 BAGGING算法图像识别; Keywords Grape leaf diseases recognition convolutional neural network ensemble learning bagging algorithm image identification; 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

题名基于显著性目标检测的葡萄叶片病害分割被引量：7: 5; 作者王书志乔虹冯全张建华; 机构西北民族大学电气工程学院甘肃农业大学机电工程学院中国农业科学院农业信息研究所; 出处《湖南农业大学学报（自然科学版）》 CAS CSCD 北大核心 2021年第1期101-107,共7页; 基金国家自然科学基金项目(31971792) 中央高校基本科研业务费项目(31920200043)。; 文摘为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法。采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域,并用形态学方法进行后处理。结果表明,在测试集A上,所建立的方法对病斑分割性能指标马修斯相关系数(MCC)为0.625,略低于对比算法全卷积神经网络(FCN)的0.689,但在衡量泛化性能的测试集B上,所建立方法的MCC为0.338,远高于FCN的0.072,说明所建立方法在分割精度和泛化性方面具有较好的平衡性。; 关键词葡萄叶片病害分割显著性目标检测; Keywords grape leaf disease segmentation salient object detection; 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	作者	出处	发文年	被引量	操作
1	基于YOLOv8n的轻量化葡萄叶片病害检测算法	邓伟豪刘拥民徐卓农麻海志	《湖南农业大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于YOLO v8n-Grape的葡萄叶片病害小目标检测	范明超张和群踪姿艳高欣峰	《江苏农业科学》北大核心	2025	1	在线阅读下载PDF 职称材料
3	基于改进YOLOv8的葡萄叶片病害轻量化检测	樊宇轩郑喜娟	《现代农业研究》	2025	0	在线阅读下载PDF 职称材料
4	一种基于改进卷积神经网络的葡萄叶片病害集成识别方法	陈诗瑶孔淳冯峰王志军孙博	《山东农业大学学报（自然科学版）》北大核心	2024	2	在线阅读下载PDF 职称材料
5	基于显著性目标检测的葡萄叶片病害分割	王书志乔虹冯全张建华	《湖南农业大学学报（自然科学版）》 CAS CSCD 北大核心	2021	7	在线阅读下载PDF 职称材料