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201篇文章
< 1 2 … 11 >
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：
基于改进YOLO v8n网络的番茄成熟度实时检测算法 被引量：1
1
作者 任晶秋 万恩晗 +2 位作者 单蜜 张光华 卢为党 《农业机械学报》 北大核心 2025年第3期374-382,450,共10页
为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO... 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。 展开更多
关键词 番茄成熟度 目标检测 YOLO v8n 注意力模块 轻量化 Jetson Nano
在线阅读 下载PDF
基于改进YOLO v8的玉米大豆间套复种作物行导航线提取方法
2
作者 朱惠斌 李仕 +3 位作者 白丽珍 王明鹏 贾宇轩 兰冀贤 《农业机械学报》 北大核心 2025年第6期205-217,共13页
针对玉米大豆间套复种场景下导航线提取算法在复杂农田环境中精度低和适应性差等问题,提出一种基于改进YOLO v8的作物行间导航线提取方法,以提升自主移动底盘在田间作业中的导航精度。针对玉米大豆作物行间专项分割任务,以YOLO v8为基... 针对玉米大豆间套复种场景下导航线提取算法在复杂农田环境中精度低和适应性差等问题,提出一种基于改进YOLO v8的作物行间导航线提取方法,以提升自主移动底盘在田间作业中的导航精度。针对玉米大豆作物行间专项分割任务,以YOLO v8为基础融合StarNet网络,并优化检测头构建了StarNet-YOLO主干网络。通过自主设计的ASPPFE模块、深度可分离卷积和CSE结构等策略优化,同时利用LAMP剪枝算法对其轻量化。此外,引入Douglas-Peucker算法获取逼近作物行间轮廓,并提出评分机制确定轮廓的起始线段和终点线段中点,进而实现作物行导航线的精确拟合。消融试验结果表明,ASPPFE的mAP50seg(交并比为0.5时实例分割的平均精度均值)达到99.5%,其mAP50-95seg(交并比为0.5~0.95时实例分割的平均精度均值)比SPPELAN、SPPF和ASPPF分别提升1.0、1.0、0.4个百分点。经剪枝率25%优化后的StarNet-YOLO网络,mAP50-95seg仅降低0.02个百分点,而推理速度从390 f/s提升至563 f/s,浮点运算量从7.2×10^(9)降至4.7×10^(9)。在同一数据集下对YOLO v5、YOLO v7、YOLO v8和改进YOLO v8进行对比发现,StarNet-YOLO网络mAP50-95seg比其他3种算法分别提升5.5、4.8、2.8个百分点。作物行间导航线拟合验证结果表明,平均角度误差和距离误差分别为2.01°和23.17像素。在复杂农田环境下本文导航线提取算法表现出优异性能,实现检测速度与精度平衡,为玉米大豆等农作物田间作业自主机器人视觉导航提供了新的技术思路。 展开更多
关键词 玉米大豆间套复种 作物行间检测 导航线提取 改进YOLO v8 多尺度融合
在线阅读 下载PDF
基于CBCW-YOLO v8的猪只行为识别方法研究 被引量：1
3
作者 仝志民 徐天哲 +3 位作者 石传淼 李盛章 谢秋菊 荣丽红 《农业机械学报》 北大核心 2025年第2期411-419,共9页
随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标... 随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标的语义信息提取能力。其次,在特征融合网络中添加加权双向特征金字塔网络(BiFPN),强化模型特征融合能力。此外,结合上采样算子CARAFE,进一步提升模型在行为识别过程中特征提取能力。最后,使用WIoUv3作为损失函数,优化模型检测精度。经实验验证,改进后模型准确率、召回率、平均精度均值和F1值分别达到89.6%、88.0%、91.9%和88.8%,与TOOD、YOLO v7和YOLO v8模型相比,平均精度均值分别提高10.9、6.3、3.7个百分点,显著提高猪只行为识别精度。消融实验表明,各项改进均对模型的识别性能有提升效果,ConvNeXt V2主干特征提取网络对模型的提升效果最明显。综上所述,CBCW-YOLO v8模型在猪只行为识别任务中展现出优良的综合性能,为猪只健康管理和疾病预警提供有力的技术支持。 展开更多
关键词 猪只行为识别 YOLO v8 特征提取网络 CARAFE WIoUv3 目标检测
在线阅读 下载PDF
基于改进YOLO v8的复杂温室环境黄瓜果实分割方法
4
作者 夏天 谢纯 +2 位作者 李琳一 陆声链 钱婷婷 《农业机械学报》 北大核心 2025年第5期433-442,共10页
黄瓜果实的检测与分割对于表型分析和黄瓜生长管理至关重要。然而,在复杂温室环境下,果实往往与茎叶相互遮挡,且果实与背景颜色相似,导致传统方法在复杂环境下难以准确识别果实边界并实现高效分割。为此,提出了一种基于改进YOLO v8的黄... 黄瓜果实的检测与分割对于表型分析和黄瓜生长管理至关重要。然而,在复杂温室环境下,果实往往与茎叶相互遮挡,且果实与背景颜色相似,导致传统方法在复杂环境下难以准确识别果实边界并实现高效分割。为此,提出了一种基于改进YOLO v8的黄瓜果实分割方法。该方法引入可变形卷积(Deformable convolution network v4,DCNv4)增强模型空间适应性;同时采用RepNCSPELAN4模块串联额外的C2F模块,细化特征提取与融合;从而提升了模型在复杂温室环境下对黄瓜果实图像的分割性能。实验结果显示,在玻璃温室和塑料连栋大棚两个实验场景中的多个类别上均有出色表现。其中,在玻璃温室场景中的精确率为96.3%,召回率为93.1%,平均精度均值mAP50为96.2%,mAP50-95为85.3%;在塑料大棚场景中的精确率为86.8%,召回率为81.9%,平均精度均值mAP50为90.0%,mAP50-95为77.0%。本研究提出的改进方法在处理边界、多重遮挡和多尺度分割方面具有更强的鲁棒性和泛化性,使模型能适应复杂性不同的多样化种植环境而准确分割黄瓜果实。精确的果实图像分割有助于表型参数的获取,为黄瓜果实的表型分析提供了可靠的技术支持,从而促进农业表型机器人的应用。 展开更多
关键词 黄瓜 果实遮挡 设施温室 图像分割 YOLO v8 可变形卷积
在线阅读 下载PDF
基于YOLO v8-STSF的多类别害虫识别算法与监测系统研究
5
作者 王兴旺 查海涅 +5 位作者 卢浩男 王禹彬 吴东昇 王旭峰 胡灿 陈学永 《农业机械学报》 北大核心 2025年第6期228-236,共9页
水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种... 水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种基于YOLO v8-STSF模型的水稻害虫智能识别方法。通过引入Swin Transformer模块增强骨干网络的多尺度特征提取能力,结合分布移位卷积(DSConv)优化颈部网络特征融合,并采用Focal EIoU损失函数提升密集小目标定位精度。构建了包含多类水稻害虫的7000幅图像数据集进行识别验证,YOLO v8-STSF模型在测试集上的精确率为95.45%、召回率为90.45%、F1值为90.03%,较原YOLO v8模型分别提升2.13、0.33、3.09个百分点,在PC端的推理速度为32 f/s,满足实时需求。同时以Web端监测系统为基础,设计基于Android移动端的虫情监测系统,在田间测试中系统平均响应时间为1.38 s,识别准确率为96.34%,漏检率为3.86%。研究结果可为水稻害虫精准防控提供高效技术支持,推动农业病虫害监测智能化发展。 展开更多
关键词 多类别害虫 害虫识别 YOLO v8-STSF 监测系统 ANDROID
在线阅读 下载PDF
基于改进YOLO v8n的非结构环境下杭白菊检测方法
6
作者 喻陈楠 伍永红 +3 位作者 周杰 姚坤 郇晓龙 陈建能 《农业机械学报》 北大核心 2025年第5期405-414,共10页
在非结构环境下,由于杭白菊的簇状生长特性导致相互遮挡严重,使得杭白菊检测算法的检测精度较低。针对该问题,提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n(Hangzhou white chrysanthemum-YOLO v8n)。首先,提出通过增加标签的方式... 在非结构环境下,由于杭白菊的簇状生长特性导致相互遮挡严重,使得杭白菊检测算法的检测精度较低。针对该问题,提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n(Hangzhou white chrysanthemum-YOLO v8n)。首先,提出通过增加标签的方式,将实际需求的双类别标签改变为三类别,提升模型对杭白菊各个花期的关键性特征的精细化检测能力;其次,在主干网络中设计一种动态特征提取模块(C2f-Dynamic),以加强模型对被遮挡目标特征缺失情况的动态适应,并在检测头部分增加160像素×160像素的检测头,使得模型具备针对小目标检测的能力;最后,采用角度惩罚度量的损失(SIoU)优化边界框损失函数,提升了模型检测精度和泛化能力。模块位置试验和热力图试验表明,C2f-Dynamic模块能动态适应遮挡目标的特征变化。改进后的Hwc-YOLO v8n模型对遮挡杭白菊识别的平均精度均值提升了1.7个百分点,召回率均值提高了0.88个百分点。模型消融和对比试验结果表明,改进后的Hwc-YOLO v8n模型相比于DETR、SSD、YOLO v5、YOLO v6和YOLO v7,对杭白菊的检测效果更好。平均精度均值相较于DETR、SSD、YOLO v5、YOLO v6和YOLO v7分别提升了5.7、12.6、0.7、0.75、11.25个百分点,召回率均值相较于YOLO v5和YOLO v7提升了2.15、1.4个百分点,可为后续杭白菊智能化采收作业提供技术支撑。 展开更多
关键词 杭白菊 图像识别 目标检测 YOLO v8 遮挡检测
在线阅读 下载PDF
基于改进YOLO v8的苹果叶部病害检测方法
7
作者 曾林涛 马嘉昕 +1 位作者 丁羽 许晓东 《江苏农业科学》 北大核心 2025年第5期147-156,共10页
针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根... 针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根据样本分布特点进行数据增强,引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力,在提高检测性能的同时,不显著增加计算复杂度;在neck末端,使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合,以提升复杂背景下的检测性能,从而提高检测准确度,有效提高模型性能;为克服CIoU损失函数的局限性,采用MPDIoU损失函数,解决CIoU在特定场景下的限制。结果表明,相较于原始YOLO v8算法,本研究算法的平均准确率提升3.5百分点,mAP@0.5∶0.95提升4.6百分点,精确率提升3.6百分点,说明改进的算法在苹果叶部病害检测方面取得有效成果。 展开更多
关键词 YOLO v8 苹果叶部病害 目标检测 Shuffle Attention C2f_DCNV2 MPDIoU
在线阅读 下载PDF
基于改进YOLO v8n的辣椒穴盘育苗播种质量轻量级检测方法
8
作者 孔德航 刘云强 +3 位作者 崔巍 吴海华 张学东 宁义超 《农业机械学报》 北大核心 2025年第2期381-392,共12页
针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高... 针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高训练效率。采用StarNet轻量级网络和上下文增强模块(Context augmentation module,CAM)作为主干网络,在降低模型复杂程度同时,实现深层特征多感受野信息融合;采用空间与通道重建卷积(Spatial and channel reconstruction convolution,SCConv)优化中间层C2f(Cross stage partial network fusion)模块的瓶颈结构,增强模块特征提取能力和提高模型推理速度;融合P2检测层,将基线3个检测头减至1个,增强模型对小目标的检测性能。结果表明,YOLO v8n-SCS模型参数量为1.2×10^(6)、内存占用量为2.7 MB、浮点数运算量为7.6×10^(9),在穴盘单格数据集上,其mAP_(50)为98.3%、mAP_(50-95)为83.8%、帧率为112 f/s,相比基线模型YOLO v8n,参数量降低62.5%、mAP_(50)提升2.5个百分点、mAP_(50-95)提升2.1个百分点、浮点数运算量降低14.6%、帧率提升23.1%;在整盘检测任务中,其检测帧率为21 f/s,检测准确率为98.2%,相比基线模型检测帧率提升8.2%、准确率提升1.1个百分点,对于播种速度800盘/h以内的72穴育苗盘和600盘/h以内的128穴育苗盘,其平均检测准确率大于96%,且单粒率、重播率和漏播率检测误差小于1.8%。本文模型在性能和计算成本之间取得了很好的平衡,降低了部署边缘设备计算要求,满足辣椒穴盘育苗播种质量在线检测需求,为育苗播种生产线智能化升级提供了技术支持。 展开更多
关键词 辣椒种子 穴盘育苗 播种质量检测 改进YOLO v8n 轻量级模型
在线阅读 下载PDF
基于YOLO v8算法的变电站视频监控多目标智能跟踪方法 被引量：1
9
作者 李奕炜 骆立实 +5 位作者 赵波 何红亮 李维江 武建松 王晋元 周可新 《电信科学》 北大核心 2025年第3期179-189,共11页
现阶段我国智能电网建设迅速发展,对变电站视频监控系统提出了更高的多样化、智能化需求。针对现有变电站视频监控摄像头对人员、车辆、异常入侵识别精度不足的问题,提出了一种基于YOLO v8算法的变电站视频监控多目标智能跟踪方法。首先... 现阶段我国智能电网建设迅速发展,对变电站视频监控系统提出了更高的多样化、智能化需求。针对现有变电站视频监控摄像头对人员、车辆、异常入侵识别精度不足的问题,提出了一种基于YOLO v8算法的变电站视频监控多目标智能跟踪方法。首先,利用YOLO v8算法对变电站目标进行监测,通过采样算法加大感受野进而提升数据特征融合能力,采用注意力机制识别远处微小目标;然后,基于卡尔曼滤波器和变电站摄像头运动防抖,将YOLO v8监测到的信息输入BoTSORT算法,完成多场景多目标下的变电站视频监控目标智能跟踪;最后,实验验证表明,该方法相比于YOLO v5、YOLO v7算法,目标识别平均精度均值分别提升了9.73个百分点、5.28个百分点,目标跟踪精度分别提升了12.34个百分点、8.41个百分点,提升了变电站视频监控系统智能化水平。 展开更多
关键词 变电站视频监控系统 YOLO v8算法 多目标智能跟踪 注意力机制 卡尔曼滤波器
在线阅读 下载PDF
基于改进YOLO v8n轻量化模型的苹果识别方法
10
作者 马保建 邱媛媛 +4 位作者 陈棒棒 张鹏 吕亮亮 夏浩 葛云 《石河子大学学报(自然科学版)》 北大核心 2025年第2期143-151,共9页
为解决在计算资源受限条件下部署苹果检测模型的问题,并为自然环境下苹果采摘机器人的目标识别提供技术支撑,设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型,降低原模型的参数量... 为解决在计算资源受限条件下部署苹果检测模型的问题,并为自然环境下苹果采摘机器人的目标识别提供技术支撑,设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型,降低原模型的参数量;然后将Star Blocks模块耦合到C2f模块中构建一个新结构C2f-StarNet,以降低模型复杂度,并且设计了新的检测头Detect_Apple,以进一步降低模型的参数量;最后,结合损失函数Shape IoU优化模型的训练过程,以提升检测的性能。试验结果表明:改进的YOLO v8n-SCD比原模型的精确率与召回率均小幅提升,平均精确率与原模型基本持平,但模型大小、参数量和GFLOPs比原模型分别降低了53.3%、54.4%和44.4%;与YOLO v5、YOLO v7、YOLO v8n、YOLO v9和YOLO v10主流检测模型相比,YOLO v8n-SCD模型的召回率、平均精度有略微的下降,但模型大小分别减少了44%、77.2%、53.3%、36.4%和49.1%,参数量减小了45.3%、77.2%、54.4%、30.5%和39.6%,浮点计算量降低了36.6%、65.9%、44.4%、40.8%和30.8%。本文提出的YOLO v8n-SCD模型在保证苹果识别精度的前提下对原模型进行轻量化,为后续边缘设备的模型部署提供技术依据。 展开更多
关键词 苹果 检测模型 轻量化 YOLO v8n 边缘设备
在线阅读 下载PDF
改进YOLO v8n的无人机高分辨率水稻幼苗数目检测方法
11
作者 王鑫泽 何超 +3 位作者 方国文 黄立闩 李熠璇 张晓青 《江苏农业科学》 北大核心 2025年第5期95-104,共10页
针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先... 针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先,使用动态KWConv代替普通Conv,使卷积参数更加高效,卷积更加适合水稻幼苗数据集;其次,设计全新的C2f_KW模块代替部分C2f,减少模型的计算量,并提高了模型的检测精度;最后,使用WIoU边界损失函数解决了CIoU损失函数对样本质量较差的局限性。试验结果表明,改进YOLO v8n模型的mAP0.5、mAP0.5~0.95分别为99.19%、72.56%;相比原模型YOLO v8n,mAP0.5和mAP0.5~0.95分别提高0.50、4.13百分点,并且模型计算量从8.2 G降到5.8 G,实现了更广泛的无人机部署条件,改进YOLO v8n模型与主流模型Faster R-CNN、YOLO v5n、YOLO v5s、YOLO v7、YOLO v7-tiny、YOLO v8n-Swin Transformer等相比有着不同程度提升,提高35.27、5.01、2.69、9.54、13.14、3.45百分点。本研究方法对无人机监测统计水稻幼苗提供了有效的支持,为水稻种植相关研究提供了借鉴。 展开更多
关键词 水稻幼苗 数量检测 KW卷积 WIoU YOLO v8n
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
12
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YOLO v8n的花生叶片病害检测方法
13
作者 白凯 张玉杰 +2 位作者 苏邓文 秦涛 彭志强 《农业机械学报》 北大核心 2025年第6期518-526,564,共10页
针对花生叶片病害在复杂环境下相似特征难以准确识别的问题,提出一种基于改进YOLO v8n模型的检测算法YOLO-ADM。首先,使用ADown模块代替部分CBS模块,降低下采样中的信息损失,减少了模型的参数量;其次,将可变形注意力(Deformable attenti... 针对花生叶片病害在复杂环境下相似特征难以准确识别的问题,提出一种基于改进YOLO v8n模型的检测算法YOLO-ADM。首先,使用ADown模块代替部分CBS模块,降低下采样中的信息损失,减少了模型的参数量;其次,将可变形注意力(Deformable attention,DA)机制添加到C2f模块组成C2f-DA结构,替换了SPPF上层的C2f模块,使模型聚焦到花生叶片病害的特定区域,准确捕捉其特征;最后,设计了一种全新的多尺度特征融合网络MFI Neck代替了YOLO v8n原有的颈部网络,增强了模型对不同尺度特征的融合能力。通过在花生叶片病害数据集上进行实验,结果表明,改进算法的准确率、召回率、mAP@0.5和mAP@0.5:0.95分别达到92.3%、91.0%、95.6%和85.2%,相比原始的YOLO v8n分别提高4.5、0.2、1.6、3.0个百分点,且模型内存占用量减少0.65 MB,参数量下降3.70×10^(5)。本算法在保证模型轻量化的前提下提升了检测能力,能够有效满足复杂环境下花生叶片病害的识别需求,为叶片病害的检测和监控提供了技术参考。 展开更多
关键词 花生叶片病害 YOLO v8n 目标检测 ADown 可变形注意力
在线阅读 下载PDF
基于YOLO v8-ABSeg的双孢蘑菇表型参数提取方法
14
作者 苗全龙 周扬 +2 位作者 李建涛 周延锁 李玉 《农业机械学报》 北大核心 2025年第3期158-168,共11页
针对双孢蘑菇采摘前人工获取其表型参数效率低、成本高的问题,提出了一种基于实例分割且适用于现代化工厂环境的双孢蘑菇表型参数提取方法。首先,对YOLO v8n-Seg实例分割模型进行改进,引入快速神经网络(Faster neural network,FasterNe... 针对双孢蘑菇采摘前人工获取其表型参数效率低、成本高的问题,提出了一种基于实例分割且适用于现代化工厂环境的双孢蘑菇表型参数提取方法。首先,对YOLO v8n-Seg实例分割模型进行改进,引入快速神经网络(Faster neural network,FasterNet),并采用局部卷积(Partial convolutions,PConv)减少冗余计算和内存访问,引入SE(Squeeze-and-excitation)注意力机制到特征融合网络中,增加了网络对输入信息中重要部分的关注度,降低无关信息的干扰,改进后的模型完成了对双孢蘑菇目标的实例分割。最后,基于分割结果,提出了双孢蘑菇子实体4种表型参数的提取方法,包括菇盖直径、菇盖圆度、菇盖白度以及菇盖表面色斑。实验结果表明,YOLO v8-ABSeg模型在自建双孢蘑菇数据集上的mask精度比原模型提高了1.6个百分点,且参数量、浮点数运算量和内存占用量分别降低了38.7%、25.0%和36.8%,帧率提高了11.3%。此外,双孢蘑菇表型参数计算结果与人工测量结果误差小于10%。该方法可应用于双孢蘑菇表型参数的自动化获取,为生长模型建立、在线实时环境控制等提供技术基础。 展开更多
关键词 双孢蘑菇 表型参数提取 实例分割 轻量化 注意力机制 YOLO v8
在线阅读 下载PDF
基于改进YOLO v8的轻量化棉铃识别模型与产量预测方法研究
15
作者 刘祥 项若雪 +3 位作者 班成龙 田敏 谭明天 黄凯文 《农业机械学报》 北大核心 2025年第5期130-140,共11页
单株总铃数是棉花重要的表型性状之一,也是种植者估算棉花产量的重要参考因素。因此,从真实复杂的棉田图像中高效准确地识别棉花,对于确保棉花产业生产的经济效益和增强农业管理至关重要。然而,许多现有的卷积神经网络在棉花识别方面优... 单株总铃数是棉花重要的表型性状之一,也是种植者估算棉花产量的重要参考因素。因此,从真实复杂的棉田图像中高效准确地识别棉花,对于确保棉花产业生产的经济效益和增强农业管理至关重要。然而,许多现有的卷积神经网络在棉花识别方面优先考虑准确性,缺乏了对识别效率的关注。因此,以脱叶期新疆密植棉花为对象,提出了一种改进的轻量化YOLO(IML-YOLO)棉铃快速识别模型。IML-YOLO模型结合了轻量化卷积特征提取和YOLO模型实时快速识别的优势,构建了一种全新的RepGhostCSPELAN轻量化模块,同时为了降低由轻量化带来的模型识别精度下降的问题,结合CAHSFPN特征融合提高对不同尺度棉铃的识别精度,还提出了一种Focaler-MPDIoU损失函数,有效提高了模型的识别精度。通过消融试验和可解释性分析证实了这些设计的有效性和显著性。与基准YOLO v8n模型相比,IML-YOLO模型在浮点运算次数、模型内存占用量和参数量方面分别显著降低了32.1%、47.5%和50%,同时平均精确度提升了10.1个百分点。将IML-YOLO模型应用于棉花产量预测,平均相对误差为7.22%。该模型为棉铃检测算法与产量预测提供了新途径,为棉花智能化管理提供了技术支持。 展开更多
关键词 棉铃检测 产量预测 YOLO v8 特征融合 无人机遥感
在线阅读 下载PDF
基于YOLO v8n-Grape的葡萄叶片病害小目标检测
16
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... 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。 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
基于改进YOLO v8s模型的玉米病虫害图像识别
17
作者 杨骞云 沈艳 《江苏农业科学》 北大核心 2025年第5期231-243,共13页
针对目标检测模型YOLO v8s在光照变化大和背景杂乱情况下,对玉米病虫害进行识别过程中存在检测漏检率高以及鲁棒性较差的问题,提出了一种基于改进YOLO v8s的玉米病虫害识别模型——DSCGAM-YOLO v8s。DSCGAM-YOLO v8s模型基于YOLO v8s模... 针对目标检测模型YOLO v8s在光照变化大和背景杂乱情况下,对玉米病虫害进行识别过程中存在检测漏检率高以及鲁棒性较差的问题,提出了一种基于改进YOLO v8s的玉米病虫害识别模型——DSCGAM-YOLO v8s。DSCGAM-YOLO v8s模型基于YOLO v8s模型,首先将GAM全局注意力机制加入C2f模块中的Bottleneck之前,构建全新设计的C2f-ATTENTION模块,在充分获取上下文信息的基础上降低复杂背景对病虫害图像识别的干扰;接着在Neck部分网络结构设计并添加DySnakeConv模块,DySnakeConv模块具有自适应调整卷积核的形状特性,更好地捕捉和感知图像中玉米病虫害的目标特征,避免光照和背景杂乱的影响;最后改进了Neck颈部网络结构,建立了160×160尺度的特征融合层以提升检验框对小目标检测的准确性,增强了浅层信息和深层信息的融合同时提高了识别精度,在Head网络中增加微小目标检测模块与160×160尺度的特征融合层进行连接。在使用自建的包含常见7种玉米病虫害数据集进行测试的情况下,DSCGAM-YOLO v8s模型的检测精确度、召回率分别达到了81.2%和71.3%,与YOLO v8s模型相比分别提高了9.9、8.9百分点。对比YOLO v3模型、YOLO v5s模型、YOLO v8s模型mAP分别提升了15.7、11.4、11.1百分点,对比其他研究中提出的玉米病虫害识别模型YOLO v3-Corn、Improved-YOLO v5s、YOLO v8-Extend模型mAP提升了12.8、8.4、6.8百分点。在保证提取相同特征参数,识别计算量提升不大的前提下,DSCGAM-YOLO v8s模型有效提高了识别精度。 展开更多
关键词 玉米 病虫害识别 目标检测 YOLO v8模型
在线阅读 下载PDF
基于改进YOLO-v8的精密管件表面缺陷检测方法
18
作者 刘子豪 张佳欣 +3 位作者 薛峰 张俊 陈伟杰 鹿业波 《浙江大学学报(工学版)》 北大核心 2025年第7期1514-1522,1546,共10页
随机缺陷具有微尺度、形态和类型多样的特点,传统机器学习模型的缺陷检测精度和泛化性能欠佳,为此提出基于改进YOLO-v8的多源管件表面缺陷检测方法.为了获取管件全局信息,构建基于焦距可调的管件全表面图像采集系统,对不同类型管件样本... 随机缺陷具有微尺度、形态和类型多样的特点,传统机器学习模型的缺陷检测精度和泛化性能欠佳,为此提出基于改进YOLO-v8的多源管件表面缺陷检测方法.为了获取管件全局信息,构建基于焦距可调的管件全表面图像采集系统,对不同类型管件样本进行快速、高效的高清成像.针对样本来源多样性问题,在YOLO-v8模型的主干特征提取模块中嵌入渐进特征金字塔网络(AFPN)架构,在瓶颈卷积特征层中融合封装-激励(SE)注意力机制,有效提升缺陷检测模型的泛化性.通过视频抽取关键帧及静态定焦拍摄相结合的方式,对标定后的图像构建训练集和测试集,采用改进YOLO-v8算法自动识别管件表面缺陷.实验结果表明,所提方法在推理阶段的检测mAP50为82.2%,相比传统YOLO-v8提升了3.1个百分点.该结果为金属目标的缺陷通用性检测提供了参考. 展开更多
关键词 改进YOLO-v8 缺陷检测 图像处理 管件 机器视觉系统
在线阅读 下载PDF
基于改进YOLO v8s的小麦小穗赤霉病检测研究 被引量：11
19
作者 时雷 杨程凯 +4 位作者 雷镜楷 刘志浩 王健 席磊 熊蜀峰 《农业机械学报》 EI CAS CSCD 北大核心 2024年第7期280-289,共10页
为实现大田复杂背景下小麦小穗赤霉病快速准确识别,构建了包含冬小麦开花期、灌浆期和成熟期3个生育期共计640幅的小麦赤霉病图像数据集,并提出一种基于改进YOLO v8s的小麦小穗赤霉病识别方法。首先,利用全维动态卷积ODConv替换主干网... 为实现大田复杂背景下小麦小穗赤霉病快速准确识别,构建了包含冬小麦开花期、灌浆期和成熟期3个生育期共计640幅的小麦赤霉病图像数据集,并提出一种基于改进YOLO v8s的小麦小穗赤霉病识别方法。首先,利用全维动态卷积ODConv替换主干网络中的标准Conv,提高网络对目标区域特征的提取;然后,在Neck网络使用改进Efficient RepGFPN特征融合网络实现低层特征与高层语义信息的融合,使模型能够提取更丰富的特征信息;最后,采用EIoU损失函数替换CIoU损失函数,加快模型收敛速度,进一步提高模型准确率,实现对小麦小穗赤霉病的快速、准确识别。在自建的数据集上进行模型验证,结果表明,改进模型(OCE-YOLO v8s)对小麦小穗赤霉病的检测精度达到98.3%,相比原模型提高2个百分点;与Faster R-CNN、CenterNet、YOLO v5s、YOLO v6s、YOLO v7模型相比分别提高36、25.7、2.1、2.6、3.9个百分点。提出的OCE-YOLO v8s模型能有效实现小麦小穗赤霉病精确检测,可为大田环境下农作物病虫害实时监测提供参考。 展开更多
关键词 小麦赤霉病 目标检测 YOLO v8 全维动态卷积 Neck网络 EIoU
在线阅读 下载PDF
基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法 被引量：14
20
作者 王金鹏 何萌 +1 位作者 甄乾广 周宏平 《农业机械学报》 EI CAS CSCD 北大核心 2024年第4期193-203,共11页
针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,... 针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。 展开更多
关键词 油茶果 机器视觉 COF-YOLO v8n 计数 产量估计
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 2 … 11 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