检索结果-维普期刊中文期刊服务平台

基于改进YOLO v10n的苹果叶片病害检测方法: 1; 作者赵晓杨梦婷张懿丹《农业机械学报》北大核心 2025年第9期657-666,728,共11页; 苹果叶片病害的早期检测对于保障苹果产量和质量至关重要。然而,由于苹果叶片病害形态各异、病斑区域较小等特征,导致病害检测精度不高,难以满足现代农业精准防控的需求。针对这一问题,提出了一种基于改进YOLO v10n的苹果叶片病害检测... 展开更多; 关键词苹果叶片病害目标检测 yolo v10 多尺度融合注意力机制; 在线阅读下载PDF 职称材料

基于改进YOLO v10n的百香果成熟果实检测方法: 2; 作者祝诗平张越 +2 位作者唐茂杰邹佳岐刘寅峰《农业机械学报》北大核心 2025年第10期549-557,595,共10页; 在自然环境下识别定位成熟百香果是实现其自动化采摘的首要任务。然而,在自然环境下,成熟百香果采摘面临光照变换、树枝遮挡和果实重叠等问题,需要一个高效的视觉系统作为依托,实现成熟百香果自动化采摘。为此,本文提出一种基于改进YOLO... 展开更多; 关键词百香果成熟果实 yolo v10n RFAConv CARAFE; 在线阅读下载PDF 职称材料

基于无人机图像和MLL-YOLO v10s的草原放牧羊只实时检测模型: 3; 作者张东彦叶佳炜 +4 位作者郭阳阳胡根生李威风唐晶磊韩冬《农业机械学报》北大核心 2025年第10期575-584,共10页; 为满足内蒙古草原牧场牧户对大批散养羊群实现精准实时监控和管理的需求,提出一种高精度、轻量化的实时无人机遥感目标检测模型MLL-YOLO v10s(MobileNetV4 LSKA LSCD-YOLO v10s),实现无人机高空视角下大批羊群中羊只的实时检测。为解决... 展开更多; 关键词羊只检测 yolo v10 无人机小目标 MobileNetV4 轻量化; 在线阅读下载PDF 职称材料

基于改进YOLO v10的牛只种类与行为识别: 4; 作者高嵩杨景峰许德龙《华南农业大学学报》北大核心 2025年第6期832-842,共11页; 【目的】实现精准养殖中牛只活动状态的实时监控,助力养殖户及时识别牛只异常行为,并为牛只的饲料分配、疾病监测及繁殖管理提供支持。【方法】本研究将YOLO v10模型改进为LDCM-YOLO v10n,并基于此对牛只种类及行为进行检测。具体改进如... 展开更多; 关键词卷积神经网络牛图像识别 yolo v10模型人工智能; 在线阅读下载PDF 职称材料

题名基于改进YOLO v10n的苹果叶片病害检测方法: 1; 作者赵晓杨梦婷张懿丹; 机构陕西科技大学电子信息与人工智能学院; 出处《农业机械学报》北大核心 2025年第9期657-666,728,共11页; 基金国家自然科学基金项目(61971272、61601271)。; 文摘苹果叶片病害的早期检测对于保障苹果产量和质量至关重要。然而,由于苹果叶片病害形态各异、病斑区域较小等特征,导致病害检测精度不高,难以满足现代农业精准防控的需求。针对这一问题,提出了一种基于改进YOLO v10n的苹果叶片病害检测方法。利用感受野注意力卷积(Receptive field attention convolution,RFAConv)替换主干网络中的标准Conv,以增强网络对病害叶片重要特征的捕捉能力。在Neck网络使用重参数化泛化特征金字塔网络(Reparameterized generalized feature pyramid network,RepGFPN)实现低层特征与高层语义信息的融合,以提高模型对苹果叶片上不同尺度病害的特征提取能力。构建空间金字塔快速池化注意力(Spatial pyramid pooling-fast_attention,SPPF_attention)模块,使得模型能更有效地聚焦于重要的注意力信息。设计空间通道优化检测头(Spatial and channel reconstruction convolution_v10Detect,SC_C_v10Detect),提高模型对不同大小病斑的检测能力。结果表明,所提模型的精确率为86.3%,召回率为86.8%,mAP@0.5为90.8%,mAP@0.5:0.95为62.9%,与原始YOLO v10n模型相比,分别提高1.2、4.2、2.1、2.8个百分点。所提模型与Faster R-CNN、SSD、YOLO v8n、YOLO v9s、YOLO v10n、YOLO 11n模型相比,mAP@0.5分别提升25.9、12.2、2.8、1.6、2.1、1.4个百分点。本研究提出的改进方法显著提升了苹果叶片病害的检测精度,为果园病害的早期预警和精准防治提供了可靠的技术支持,对推动农业智慧发展具有重要意义。; 关键词苹果叶片病害目标检测 yolo v10 多尺度融合注意力机制; Keywords apple leaf disease target detection yolo v10 multiscale fusion attention mechanism; 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

题名基于改进YOLO v10n的百香果成熟果实检测方法: 2; 作者祝诗平张越唐茂杰邹佳岐刘寅峰; 机构西南大学工程技术学院; 出处《农业机械学报》北大核心 2025年第10期549-557,595,共10页; 基金教育部中国高校产学研创新基金——德州专项(2021DZ005)。; 文摘在自然环境下识别定位成熟百香果是实现其自动化采摘的首要任务。然而,在自然环境下,成熟百香果采摘面临光照变换、树枝遮挡和果实重叠等问题,需要一个高效的视觉系统作为依托,实现成熟百香果自动化采摘。为此,本文提出一种基于改进YOLO v10n的百香果成熟果实检测模型(RC-YOLO v10n)。在自然环境下采集百香果图像,并对图像中百香果果实进行标注(未成熟、近成熟、成熟时期果实)。以单阶段检测模型YOLO v10n为基础,在其Neck端引入RFAConv模块替换第9层C2f模块与第12层C2fCIB模块,以增强模型特征表达能力和特征融合效果;并使用CARAFE上采样算子替换原模型中的线性插值上采样模块,以丰富上采样语义信息。试验结果表明,相比原始模型,本文模型精确率提升3个百分点,召回率提升1.6个百分点,平均精度均值提升4.6个百分点,模型内存占用量为13.72 MB,单幅图像检测时间为0.22 s。本文模型性能优于Faster R-CNN以及YOLO系列目标检测算法。将改进前后模型部署到Jetson Nano上进行测试,结果表明,改进模型检测效果相比原模型有明显提升,单幅图像检测时间为1.78 s,改进模型具有较好的应用价值。结合果园百香果实际采收情况给出了2种采摘策略:采摘近成熟与成熟百香果,采摘准确率为89.25%;只采摘成熟百香果,采摘准确率为92.08%。本文可为成熟百香果识别和自动化采摘提供参考。; 关键词百香果成熟果实 yolo v10n RFAConv CARAFE; Keywords passion fruit ripe fruit yolo v10n RFAConv CARAFE; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术] S24 [农业科学—农业电气化与自动化]; 在线阅读下载PDF 职称材料

题名基于无人机图像和MLL-YOLO v10s的草原放牧羊只实时检测模型: 3; 作者张东彦叶佳炜郭阳阳胡根生李威风唐晶磊韩冬; 机构西北农林科技大学陕西省农业信息感知与智能服务重点实验室西北农林科技大学机械与电子工程学院安徽大学农业生态大数据分析与应用国家地方联合工程研究中心; 出处《农业机械学报》北大核心 2025年第10期575-584,共10页; 基金内蒙古自治区科技计划项目(2022YFSJ0039)。; 文摘为满足内蒙古草原牧场牧户对大批散养羊群实现精准实时监控和管理的需求,提出一种高精度、轻量化的实时无人机遥感目标检测模型MLL-YOLO v10s(MobileNetV4 LSKA LSCD-YOLO v10s),实现无人机高空视角下大批羊群中羊只的实时检测。为解决羊群密集和相互遮挡造成的羊只检测困难以及实时性差的问题,基于YOLO(You only look once)v10模型,采用MobileNetV4作为主干网络,降低模型参数量并提升计算效率;引入大型可分离核注意力模块(LSKA),增强对小目标的特征捕获能力;设计轻量化共享卷积检测头(LSCD),通过权重共享减少计算冗余,提高模型的计算效率。与YOLO系列、Faster R-CNN(Faster regions with convolutional neural networks)及其他经典网络模型相比,改进后的MLL-YOLO v10s模型在测试集上的mAP达到了93.6%,较基线模型提升3.4个百分点,平均帧率为135 f/s,参数量仅1.268×10^(7),在密集遮挡场景下漏检率显著降低,模型体积与计算量优于主流单/双阶段目标检测算法。提出的MLL-YOLO v10s模型在无人机航拍场景下对高密度聚集及部分遮挡的羊只目标展现出更强的鲁棒性,在参数量和计算量上也有明显优势,为边缘计算设备与无人机结合应用提供支持,可为天然牧场中使用无人机巡检羊群提供一种有效的实时检测方法。; 关键词羊只检测 yolo v10 无人机小目标 MobileNetV4 轻量化; Keywords sheep detection yolo v10 UAV small object MobileNetV4 lightweight; 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

题名基于改进YOLO v10的牛只种类与行为识别: 4; 作者高嵩杨景峰许德龙; 机构内蒙古民族大学动物科技学院内蒙古师范大学计算机科学技术学院; 出处《华南农业大学学报》北大核心 2025年第6期832-842,共11页; 基金内蒙古自治区科技计划(2022YFSJ0001) 内蒙古自治区自然科学基金(2023ZD16)。; 文摘【目的】实现精准养殖中牛只活动状态的实时监控,助力养殖户及时识别牛只异常行为,并为牛只的饲料分配、疾病监测及繁殖管理提供支持。【方法】本研究将YOLO v10模型改进为LDCM-YOLO v10n,并基于此对牛只种类及行为进行检测。具体改进如下:首先,在YOLO v10的Backbone端采用C2f-LSKA结构,以增强模型的特征提取能力;其次,引入DySample上采样算子,旨在有效捕捉图像的细微变化与密集语义信息,规避传统上采样方法中存在的图像模糊及感受野受限问题;同时,将YOLO v10中的PSA替换为CloFormer注意力机制,从而更精准地区分牛只特征与背景噪声,并提升小目标识别精度;此外,加入多尺度空洞注意力机制(Multiscale dilated attention mechanism,MSDA),以增强感受野范围内各尺度的聚合语义信息,同时有效减少自注意力机制的冗余;最后,采用Inner-IoU损失函数,解决普通IoU损失函数无法根据目标尺度灵活调整损失计算的问题。【结果】在牛只行为数据集上,LDCM-YOLO v10n模型的mAP@0.50较YOLO v3、YOLO v5、YOLO v6、YOLO v8n、YOLO v9及YOLO v10n模型分别提升15.4、10.7、12.0、8.4、7.9和5.1个百分点;在牛只种类数据集上,LDCM-YOLO v10n模型的mAP@0.50较上述模型分别提升32.4、11.9、10.4、9.5、9.0和6.4个百分点。【结论】LDCM-YOLO v10n模型在牛只行为与种类检测中表现优异,为精准养殖提供了强有力的技术支撑。; 关键词卷积神经网络牛图像识别 yolo v10模型人工智能; Keywords Convolutional neural network Cattle Image recognition yolo v10 model Artificial intelligence; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程] S818.9 [农业科学—畜牧学]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	操作
1	基于改进YOLO v10n的苹果叶片病害检测方法	赵晓杨梦婷张懿丹	《农业机械学报》北大核心	2025	在线阅读下载PDF 职称材料
2	基于改进YOLO v10n的百香果成熟果实检测方法	祝诗平张越唐茂杰邹佳岐刘寅峰	《农业机械学报》北大核心	2025	在线阅读下载PDF 职称材料
3	基于无人机图像和MLL-YOLO v10s的草原放牧羊只实时检测模型	张东彦叶佳炜郭阳阳胡根生李威风唐晶磊韩冬	《农业机械学报》北大核心	2025	在线阅读下载PDF 职称材料
4	基于改进YOLO v10的牛只种类与行为识别	高嵩杨景峰许德龙	《华南农业大学学报》北大核心	2025	在线阅读下载PDF 职称材料