期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进P2PNet的猪只计数方法
1
作者
陈韬
徐爱俊
+1 位作者
周素茵
叶俊华
《农业工程学报》
北大核心
2025年第11期209-218,共10页
猪只计数是现代养猪业的重要任务,对于评估养殖规模、优化饲养策略和提升经济效益具有关键作用。然而,复杂的猪场环境中,猪群密度高、遮挡多等因素使得计数准确性面临挑战。为此,该研究提出了一种基于人群计数模型P2PNet改进的猪只计数...
猪只计数是现代养猪业的重要任务,对于评估养殖规模、优化饲养策略和提升经济效益具有关键作用。然而,复杂的猪场环境中,猪群密度高、遮挡多等因素使得计数准确性面临挑战。为此,该研究提出了一种基于人群计数模型P2PNet改进的猪只计数模型PIG-P2PNet。首先,通过在P2PNet主干网络中引入高效通道注意力机制,有效捕捉通道间的依赖关系,增强了模型对重叠猪只的识别能力。其次,在P2PNet特征金字塔中集成坐标通道混洗注意力模块,强化了空间位置信息和通道特征的提取与交互能力,提升了模型在不同密度场景下的适应性;此外,设计了一种基于情景感知的匈牙利匹配算法,通过引入加权距离惩罚、不确定性成本和自适应密度惩罚,提高了匹配精度。最后,为应对背景与目标样本不平衡的问题,使用Focal Loss替换交叉熵损失,进一步提升了模型的分类准确性。PIG-P2PNet在自建的包含多种场景、视角和密度级别的猪只点标注数据集上的测试结果表明,其平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和归一化绝对误差(normalized absolute error,NAE)分别为0.873、1.502和0.040,比改进前分别降低了33.9%、22.1%和39.4%。相较于经典计数模型CSRNet、CANNet和CLTR,PIGP2PNet在MAE上分别降低了63.3%、54.5%和26.7%,在RMSE上降低了49.7%、47.1%和13.7%,在NAE上降低了73.5%、56.5%和35.5%。因此,该研究提出的PIG-P2PNet猪只计数模型准确性高、鲁棒性强,为猪只计数提供了一种创新性的技术方案。
展开更多
关键词
猪只计数
注意力机制
深度学习
匈牙利匹配算法
p2pnet
在线阅读
下载PDF
职称材料
基于FE-P2Pnet的无人机小麦图像麦穗计数方法
被引量：
4
2
作者
鲍文霞
苏彪彪
+2 位作者
胡根生
黄承沛
梁栋
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第4期155-164,289,共11页
针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的...
针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。
展开更多
关键词
麦穗计数
无人机图像
FE-
p2pnet
FEM
Wheat-ZWF数据集
在线阅读
下载PDF
职称材料
题名
基于改进P2PNet的猪只计数方法
1
作者
陈韬
徐爱俊
周素茵
叶俊华
机构
浙江农林大学数学与计算机科学学院
浙江农林大学环境与资源学院
全省农业智能感知与机器人重点实验室
出处
《农业工程学报》
北大核心
2025年第11期209-218,共10页
基金
浙江省“领雁”研发攻关计划项目(2022C02050)。
文摘
猪只计数是现代养猪业的重要任务,对于评估养殖规模、优化饲养策略和提升经济效益具有关键作用。然而,复杂的猪场环境中,猪群密度高、遮挡多等因素使得计数准确性面临挑战。为此,该研究提出了一种基于人群计数模型P2PNet改进的猪只计数模型PIG-P2PNet。首先,通过在P2PNet主干网络中引入高效通道注意力机制,有效捕捉通道间的依赖关系,增强了模型对重叠猪只的识别能力。其次,在P2PNet特征金字塔中集成坐标通道混洗注意力模块,强化了空间位置信息和通道特征的提取与交互能力,提升了模型在不同密度场景下的适应性;此外,设计了一种基于情景感知的匈牙利匹配算法,通过引入加权距离惩罚、不确定性成本和自适应密度惩罚,提高了匹配精度。最后,为应对背景与目标样本不平衡的问题,使用Focal Loss替换交叉熵损失,进一步提升了模型的分类准确性。PIG-P2PNet在自建的包含多种场景、视角和密度级别的猪只点标注数据集上的测试结果表明,其平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和归一化绝对误差(normalized absolute error,NAE)分别为0.873、1.502和0.040,比改进前分别降低了33.9%、22.1%和39.4%。相较于经典计数模型CSRNet、CANNet和CLTR,PIGP2PNet在MAE上分别降低了63.3%、54.5%和26.7%,在RMSE上降低了49.7%、47.1%和13.7%,在NAE上降低了73.5%、56.5%和35.5%。因此,该研究提出的PIG-P2PNet猪只计数模型准确性高、鲁棒性强,为猪只计数提供了一种创新性的技术方案。
关键词
猪只计数
注意力机制
深度学习
匈牙利匹配算法
p2pnet
Keywords
pig counting
attention mechanism
deep learning
hungarian matching algorithm
p2pnet
分类号
S24 [农业科学—农业电气化与自动化]
S818.9 [农业科学—畜牧学]
在线阅读
下载PDF
职称材料
题名
基于FE-P2Pnet的无人机小麦图像麦穗计数方法
被引量：
4
2
作者
鲍文霞
苏彪彪
胡根生
黄承沛
梁栋
机构
安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第4期155-164,289,共11页
基金
安徽省自然科学基金项目(2208085MC60)
安徽省科学技术厅高校科研计划项目(2023AH050084)
国家自然科学基金项目(62273001、32372632)。
文摘
针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。
关键词
麦穗计数
无人机图像
FE-
p2pnet
FEM
Wheat-ZWF数据集
Keywords
ear count of wheat
UAV images
FE-
p2pnet
FEM
Wheat-ZWF dataset
分类号
S127 [农业科学—农业基础科学]
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
基于改进P2PNet的猪只计数方法
陈韬
徐爱俊
周素茵
叶俊华
《农业工程学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于FE-P2Pnet的无人机小麦图像麦穗计数方法
鲍文霞
苏彪彪
胡根生
黄承沛
梁栋
《农业机械学报》
EI
CAS
CSCD
北大核心
2024
4
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
