检索结果-维普期刊中文期刊服务平台

特征增强的低照度爆破现场安全帽检测算法: 1; 作者王新良王璐莹《计算机工程》北大核心 2025年第3期252-260,共9页; 安全帽是保障爆破作业人员人身安全的重要工具。受低照度爆破现场安全帽检测任务中目标视觉信息模糊、图像亮度低及对比度低的影响,在目标检测过程中存在目标漏检、误检等问题。基于YOLOX提出了特征增强的安全帽检测算法FEM-YOLOX。首先... 展开更多; 关键词安全帽检测 YOLOX-s算法注意力机制边框回归损失函数置信度损失函数; 在线阅读下载PDF 职称材料

基于改进YOLOv4的苹果采摘机器人树枝障碍物深度识别被引量：1: 2; 作者黄哲唐仕喜 +2 位作者沈冠东高心悦王仕廉《湖北农业科学》 2024年第8期10-16,22,共8页; 为识别特征不明显的树枝,尤其是机械手进行苹果采摘时遮挡住苹果位置的树枝,提出了一种结合语义分割和YOLOv4来获取树枝语义骨架,以及识别出树枝位置框的方法。采用语义分割划分树枝矩形包络的方法,剔除影响树枝识别效果的小树枝和分支... 展开更多; 关键词树枝识别 YOLOv4 语义分割数据集训练 BIOU边框回归损失函数; 在线阅读下载PDF 职称材料

基于深度学习的生姜种芽快速识别及其朝向判定被引量：11: 3; 作者侯加林房立发 +2 位作者吴彦强李玉华席芮《农业工程学报》 EI CAS CSCD 北大核心 2021年第1期213-222,共10页; 针对目前生姜机械化播种难以实现“种芽朝向一致”农艺要求的问题,该研究提出了一种基于深度学习的生姜种芽快速识别及其朝向判定的方法。首先,构建生姜数据集。其次,搭建YOLO v3网络进行种芽的识别,包括:使用Mosaic等在线数据增强方式... 展开更多; 关键词图像识别算法卷积神经网络生姜种芽 DIoU边框回归损失函数; 在线阅读下载PDF 职称材料

基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法被引量：75: 4; 作者吕石磊卢思华 +3 位作者李震洪添胜薛月菊吴奔雷《农业工程学报》 EI CAS CSCD 北大核心 2019年第17期205-214,共10页; 柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框... 展开更多; 关键词神经网络果树算法柑橘 YOLOv3-LITE 混合训练迁移学习 GIoU边框回归损失函数; 在线阅读下载PDF 职称材料

题名特征增强的低照度爆破现场安全帽检测算法: 1; 作者王新良王璐莹; 机构河南理工大学物理与电子信息学院; 出处《计算机工程》北大核心 2025年第3期252-260,共9页; 基金河南省高等学校青年骨干教师培养计划(2019GGJS060) 河南省高等学校重点科研基金项目(21B413005)。; 文摘安全帽是保障爆破作业人员人身安全的重要工具。受低照度爆破现场安全帽检测任务中目标视觉信息模糊、图像亮度低及对比度低的影响,在目标检测过程中存在目标漏检、误检等问题。基于YOLOX提出了特征增强的安全帽检测算法FEM-YOLOX。首先,在主干网络使用软池化构建软空间金字塔池化模块(SSPPM),减少了特征映射中的信息弥散,并在下采样映射中保留了更多上下文信息;其次,设计基于高效通道注意力(ECA)机制的高效特征融合模块(EFFM),加强了模型对目标区域特征的学习,提高了特征融合的效率,减少了模型误检情况的出现;再次,采用VariFocalLoss替代BCEWithlogitsLoss,动态调整正负样本的权重,使得模型关注数量较少的正样本,加速了模型的收敛过程,提升了两类目标的检测精度;最后,采用CIoU作为边框回归损失函数,提高了模型定位目标预测框的精度。实验结果表明,所提算法的均值平均精度(mAP)相较于基线算法提升了2.21百分点,每秒处理的图像数量提升了7.67,满足了低照度爆破现场安全帽实时检测的精度和速度需要。; 关键词安全帽检测 YOLOX-s算法注意力机制边框回归损失函数置信度损失函数; Keywords safety helmet detection YOLOX-s algorithm attention mechanism bounding box regression loss function confidence loss function; 分类号 TP391 [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YOLOv4的苹果采摘机器人树枝障碍物深度识别被引量：1: 2; 作者黄哲唐仕喜沈冠东高心悦王仕廉; 机构南京工业大学机械与动力工程学院盐城师范学院美术与设计学院盐城师范学院信息工程学院; 出处《湖北农业科学》 2024年第8期10-16,22,共8页; 基金江苏省重点研发计划(产业前瞻与关键核心技术)重点项目(BE2021016)。; 文摘为识别特征不明显的树枝,尤其是机械手进行苹果采摘时遮挡住苹果位置的树枝,提出了一种结合语义分割和YOLOv4来获取树枝语义骨架,以及识别出树枝位置框的方法。采用语义分割划分树枝矩形包络的方法,剔除影响树枝识别效果的小树枝和分支,再用labelImg和labelme工具对数据集进行标注;对训练的网络模型添加了3层最大池化层,并在回归损失方面对YOLOv4的CIOU回归损失函数进行了改进,提出了针对复杂特征、适范围提高预测准确率的置信度相关函数BIOU。结果表明,改进的YOLOv4网络模型训练遮挡苹果位置树枝的F1和AP分别比原始网络训练全部树枝高出20.00个百分点和23.36个百分点,获得训练效果更好的数据集和树枝识别网络。; 关键词树枝识别 YOLOv4 语义分割数据集训练 BIOU边框回归损失函数; Keywords branch recognition YOLOv4 semantic segmentation dataset training BIOU frame regression loss function; 分类号 TP391.4 [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

题名基于深度学习的生姜种芽快速识别及其朝向判定被引量：11: 3; 作者侯加林房立发吴彦强李玉华席芮; 机构山东农业大学机械与电子工程学院山东省农业装备智能化工程实验室; 出处《农业工程学报》 EI CAS CSCD 北大核心 2021年第1期213-222,共10页; 基金国家特色蔬菜产业技术体系项目(CARS-24-D-01) 山东省农业重大应用技术创新项目(SD2019NJ004)。; 文摘针对目前生姜机械化播种难以实现“种芽朝向一致”农艺要求的问题,该研究提出了一种基于深度学习的生姜种芽快速识别及其朝向判定的方法。首先,构建生姜数据集。其次,搭建YOLO v3网络进行种芽的识别,包括:使用Mosaic等在线数据增强方式,增加图像的多样性,解决小数据集训练时泛化能力不足的问题;引入DIoU(Distance Intersection over Union)边框回归损失函数来提高种芽识别回归效果;使用基于IoU的K-means聚类方法,经线性尺度缩放得到9个符合种芽尺寸的先验框,减少了先验框带来的误差。最后进行壮芽的选取及其朝向的判定。测试集中的结果表明,该研究提出的生姜种芽识别网络,平均精度和精准率、召回率的加权调和平均值F1分别达到98.2%和94.9%,采用GPU硬件加速后对生姜种芽的检测速度可达112帧/s,比原有YOLO v3网络的平均精度和F1值分别提升1.5%和4.4%,实现了生姜种芽的快速识别及其朝向的判定,为生姜自动化精确播种提供了技术保证。; 关键词图像识别算法卷积神经网络生姜种芽 DIoU边框回归损失函数; Keywords image recognition algorithm convolutional neural networks ginger shoots DIoU bounding box regression loss function; 分类号 S24 [农业科学—农业电气化与自动化] TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法被引量：75: 4; 作者吕石磊卢思华李震洪添胜薛月菊吴奔雷; 机构华南农业大学电子工程学院国家柑橘产业技术体系机械化研究室广东省农情信息监测工程技术研究中心华南农业大学工程学院; 出处《农业工程学报》 EI CAS CSCD 北大核心 2019年第17期205-214,共10页; 基金国家自然科学基金项目(61601189,31971797) 现代农业产业技术体系建设专项资金(CARS-26) +1 种基金广州市科技计划项目(201803020037); 文摘柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。; 关键词神经网络果树算法柑橘 YOLOv3-LITE 混合训练迁移学习 GIoU边框回归损失函数; Keywords neural networks fruits algorithms orange YOLOv3-LITE mixup-training transfer learning GIoU bounding boxregression loss function; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 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	特征增强的低照度爆破现场安全帽检测算法	王新良王璐莹	《计算机工程》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于改进YOLOv4的苹果采摘机器人树枝障碍物深度识别	黄哲唐仕喜沈冠东高心悦王仕廉	《湖北农业科学》	2024	1	在线阅读下载PDF 职称材料
3	基于深度学习的生姜种芽快速识别及其朝向判定	侯加林房立发吴彦强李玉华席芮	《农业工程学报》 EI CAS CSCD 北大核心	2021	11	在线阅读下载PDF 职称材料
4	基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法	吕石磊卢思华李震洪添胜薛月菊吴奔雷	《农业工程学报》 EI CAS CSCD 北大核心	2019	75	在线阅读下载PDF 职称材料