基于轻量化YOLO v5s-MCA的番茄成熟度检测方法 被引量：5

1

作者 奚小波 丁杰源 +5 位作者 翁小祥 王昱 韩连杰 邹赟涵 唐子昊 张瑞宏 《农业机械学报》 北大核心 2025年第3期383-391,436,共10页

针对自然环境下番茄识别易受复杂背景干扰、相邻果实成熟度相似难以检测等问题,本文提出了一种轻量化YOLO v5s-MCA番茄成熟度识别模型,划分成熟期、转熟期、转色期和未熟期4个成熟度等级。该模型在YOLO v5s基础上使用MobileNetV3网络,... 针对自然环境下番茄识别易受复杂背景干扰、相邻果实成熟度相似难以检测等问题,本文提出了一种轻量化YOLO v5s-MCA番茄成熟度识别模型,划分成熟期、转熟期、转色期和未熟期4个成熟度等级。该模型在YOLO v5s基础上使用MobileNetV3网络,减少了模型参数量;在主干网络和颈部网络引入坐标注意力机制(Coordinate attention,CA),提高了模型对番茄特征表达能力;将颈部网络替换为加权双向特征金字塔网络BiFPN,强化了模型特征融合性能并提高了模型识别准确率;将颈部网络中的标准卷积模块改进为GSConv卷积,减轻了模型复杂度并提高了对目标信息的获取能力。试验结果表明,YOLO v5s-MCA模型参数量仅为2.33×10^(6),计算量仅为4.1×10^(9),模型内存占用量仅为4.83 MB,其精准度和平均精度均值分别达到92.8%和95.1%,相对YOLO v5s基础模型分别提升3.4、4.4个百分点。对比YOLO v3s、YOLO v5s、YOLO v5n、YOLO v7、YOLO v8n及YOLO v10n等6种模型,YOLO v5s-MCA模型轻量化效果与检测性能最优。 展开更多

关键词 番茄 成熟度检测 图像识别 yolo v5s 轻量化

在线阅读 下载PDF 职称材料

基于改进YOLO v5s算法的红枣缺陷检测与分拣方法

2

作者 史鹏涛 田政伟 +1 位作者 李晓泽 危康乐 《江苏农业科学》 北大核心 2025年第5期83-88,共6页

针对当前生产活动中缺陷红枣的人工识别与分拣劳动强度大、效率低、分拣效果不理想的问题,设计一款基于机器视觉的红枣缺陷检测与分拣设备。首先建立多品种、多照明环境下的红枣缺陷检测样本图库,通过高斯滤波等数据增强技术增强了图像... 针对当前生产活动中缺陷红枣的人工识别与分拣劳动强度大、效率低、分拣效果不理想的问题,设计一款基于机器视觉的红枣缺陷检测与分拣设备。首先建立多品种、多照明环境下的红枣缺陷检测样本图库,通过高斯滤波等数据增强技术增强了图像表面特征,并利用图库分析了红枣缺陷形貌和图像特征。然后针对训练后的YOLO v5s模型检测效果不理想的问题,分别通过引入锚框尺寸优化和添加预测头、引入注意力分配机制和学习率自适应等方法对网络进行了改进与优化,优化后模型训练效果准确率提高7百分点,对红枣缺陷检测的效果有明显增强,与当前热门的检测网络YOLO v3、YOLO v4和YOLO v4-tiny模型对比,YOLO v5s模型平均精度均值分别高7.4、2.3、5.7百分点。试验结果表明,改进后的红枣缺陷检测网络能够有效实现红枣缺陷识别,平均检测准确率达到85.3%,其中黄河滩枣检测准确率可达到87.5%,与分拣设备配合使用能够较好地完成红枣缺陷识别与分拣任务。本研究设计的缺陷检测与分拣平台能够为相关农产品的智能化检测与自动分拣装备的设计与研发提供借鉴和参考。 展开更多

关键词 缺陷检测 机器视觉 自动分拣 yolo v5s 红枣

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的叶菜病虫害检测算法研究

3

作者 贺洪江 刘毅祥 王双友 《江苏农业科学》 北大核心 2025年第5期244-250,共7页

叶菜病虫害的早期识别是提高叶菜产量和质量的重要保障,为提高常见叶菜病虫的检测精度,针对实际生产中的复杂环境,以YOLO v5s为基准模型,提出一种改进的FV-YOLO v5s模型。首先,在主干网络中融合CA注意力机制模块与C3特征提取模块,形成了... 叶菜病虫害的早期识别是提高叶菜产量和质量的重要保障,为提高常见叶菜病虫的检测精度,针对实际生产中的复杂环境,以YOLO v5s为基准模型,提出一种改进的FV-YOLO v5s模型。首先,在主干网络中融合CA注意力机制模块与C3特征提取模块,形成了C3CA模块以增强叶菜病虫害的特征提取能力。接着在颈部网络中使用Slim-neck范式设计,高效提取图像中小尺寸目标的特征,增强特征融合的效率。最后用WIoU损失对原损失函数CIoU进行替换,更快地达到收敛状态并提升模型检测性能。结果表明,新模型的精度、召回率和平均精度均值分别达到了92.2%、91.5%、94.8%。改进后的模型FV-YOLO v5s对比原YOLO v5s模型算法,精度、召回率、平均精度均值分别提高2.7、1.4、1.8百分点,优于现有的识别网络,包括YOLO v7、YOLO v8、Faster R-CNN等模型。FV-YOLO v5s模型适用于现代农业生产环境,有助于快速识别和检测叶菜病虫害,且该研究为智慧农业中的叶菜高品质和高产量提供了依据,从而最大限度地减少经济损失。 展开更多

关键词 叶菜病虫害 yolo v5s CA注意力机制 Slim-neck WIoU损失函数

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的奶山羊面部识别方法 被引量：19

4

作者 宁纪锋 林靖雅 +2 位作者 杨蜀秦 王勇胜 蓝贤勇 《农业机械学报》 EI CAS CSCD 北大核心 2023年第4期331-337,共7页

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使... 为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。 展开更多

关键词 奶山羊 个体识别 yolo v5s 迁移学习 注意力机制

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的轻量化植物识别模型研究 被引量：17

5

作者 马宏兴 董凯兵 +3 位作者 王英菲 魏淑花 黄文广 苟建平 《农业机械学报》 EI CAS CSCD 北大核心 2023年第8期267-276,共10页

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络... 为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在VOC数据集平均精度均值可达80.09%。相比YOLO v3-tiny、YOLO v4-tiny和YOLO v5s,改进模型内存占用量减小,平均精度均值提升。模型YOLO v5s-CBD在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息。 展开更多

关键词 植物识别 yolo v5s BOTNET 坐标注意力 深度可分离卷积 轻量化

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的复杂环境下蔗梢分叉点识别与定位 被引量：13

6

作者 李尚平 卞俊析 +1 位作者 李凯华 任泓宇 《农业机械学报》 EI CAS CSCD 北大核心 2023年第11期247-258,共12页

甘蔗蔗梢分叉点的精确识别与高度定位是实现甘蔗收获机切梢器实时控制的关键技术之一,也是提高甘蔗收获机械化水平和降低甘蔗含杂率的重要途径。针对甘蔗地环境复杂、光照变化大、蔗梢分叉点相互遮挡等问题,首先通过田间调查,并现场测... 甘蔗蔗梢分叉点的精确识别与高度定位是实现甘蔗收获机切梢器实时控制的关键技术之一,也是提高甘蔗收获机械化水平和降低甘蔗含杂率的重要途径。针对甘蔗地环境复杂、光照变化大、蔗梢分叉点相互遮挡等问题,首先通过田间调查,并现场测试、分析甘蔗生长点、甘蔗分叉点及相互关系的特征规律,采集图像的甘蔗分叉点的统计分析,并结合现场对甘蔗分叉点高度的测量统计分析,发现其均具有明显的正态统计特征。接着,提出了一种基于改进YOLO v5s的蔗梢分叉点识别方法。该方法采用单目和双目相机在广西大学扶绥农科基地采集甘蔗图像数据,并进行数据预处理和标注,构建了甘蔗蔗梢分叉点数据集。然后,在YOLO v5s中引入BiFPN特征融合结构和CA注意力机制,以增强不同层次特征的交互和表达能力,并使用GSConv卷积和Slim-Neck范式设计,在原始模型主干网络中引入Ghost模块替换原始普通卷积,来降低模型的计算量和参数量,提高模型的运行效率。最后,通过在现场采集的数据集上进行训练和测试,验证了该方法的有效性和优越性。实验结果表明,该方法在甘蔗蔗梢分叉点数据集上平均精确率达到92.3%、召回率89.3%和检测时间19.3 ms,相比原始YOLO v5s网络,平均精确率提高5个百分点,召回率提高4个百分点,参数量降低43%,模型内存占用量减少5.5 MB,检测时间减少0.7 ms。最后,根据甘蔗分叉点具有明显的正态统计特征的规律,利用该特征结合双目视觉的定位算法,可为开展甘蔗收获机切梢的特征识别、切梢器高度定位及实时控制研究奠定理论及技术基础。 展开更多

关键词 蔗梢分叉点 yolo v5s 生长高度统计规律 目标识别

在线阅读 下载PDF 职称材料

基于YOLO v5s和改进SORT算法的黑水虻幼虫计数方法 被引量：8

7

作者 赵新龙 顾臻奇 李军 《农业机械学报》 EI CAS CSCD 北大核心 2023年第7期339-346,共8页

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难... 目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难等问题。针对以上问题,本文提出了一种改进SORT算法,通过改进卡尔曼滤波模型的方式提升目标追踪算法的快速性和准确性,提升了计数的精度。另外,针对黑水虻幼虫目标识别过程中幼虫性状的多样性和混料导致的复杂背景问题,本文通过实验对比多种深度学习网络性能选定YOLO v5s算法提取图像多维度特征,提升了目标识别精度。实验结果表明:在划线计数方面,本文提出的改进SORT算法与原模型相比,平均精度从91.36%提升到95.55%,提升4.19个百分点,通过仿真和实际应用,证明了本文模型的有效性;在目标识别方面,使用YOLO v5s模型在训练集上帧率为156 f/s,mAP@0.5为99.10%,精度为90.11%,召回率为99.22%,综合性能优于其他网络。 展开更多

关键词 黑水虻幼虫 目标识别 目标追踪 划线计数 yolo v5s SORT算法

在线阅读 下载PDF 职称材料

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统 被引量：5

8

作者 杨断利 王永胜 +3 位作者 陈辉 孙二东 王连增 宁炜 《农业机械学报》 EI CAS CSCD 北大核心 2023年第9期316-328,共13页

针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模... 针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点,对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型,平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。 展开更多

关键词 蛋鸡 日常行为识别 SEAM模块 EVCBlock模块 yolo v5s

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的甘蔗切种茎节特征识别定位技术 被引量：3

9

作者 李尚平 郑创锐 +3 位作者 文春明 李凯华 甘伟光 李洋 《农业机械学报》 EI CAS CSCD 北大核心 2023年第10期234-245,293,共13页

为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据... 为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据增强,利用原始的YOLO v5s模型进行训练和测试,结果显示数据增强能一定程度上提高检测精度。针对茎节特征目标小以及模型体积大导致检测精度低、部署难度高等问题,对YOLO v5s的骨干网络进行改进,在SPPF特征融合模块前引入坐标注意力(Coordinate attention,CA)模块和Ghost轻量化结构,在Head网络中剔除P5大目标检测头,得到了改进后甘蔗茎节检测模型YOLO v5s-CA-BackboneGhost-p34,测试结果表明该模型优于其他主流算法和原始模型,具有高精度、小体积等优势。其中,平均精度均值1和平均精度均值2分别提高5.2、16.5个百分点,模型浮点数计算量和内存占用量分别降低42%和51%。最后,为了提高检测速度和实时性,将模型部署于边缘端,利用TensorRT技术加快检测速度,并在传送速度为0.15 m/s的甘蔗智能横向切种工作站上完成实际切种实验。实验结果表明,加速后茎节检测速度达到95 f/s,实时检测定位平均误差约为2.4 mm,切种合格率为100%,漏检率0.4%,说明本文提出的模型具有高度可靠性和实用性,可以为甘蔗横向切种工作站的工厂化、智能化以及标准化应用提供有效的技术支持。 展开更多

关键词 甘蔗智能横向切种工作站 茎节识别与定位 yolo v5s 边缘端部署

在线阅读 下载PDF 职称材料

基于YOLO v5s的自然场景油茶果识别方法 被引量：39

10

作者 宋怀波 王亚男 +2 位作者 王云飞 吕帅朝 江梅 《农业机械学报》 EI CAS CSCD 北大核心 2022年第7期234-242,共9页

针对油茶果体积小、分布密集、颜色多变等特点,为实现自然复杂场景下油茶果的快速精准定位,并依据果实的疏密分布,确定恰当的自动振荡采收装置夹持位置,利用YOLO v5s卷积神经网络模型,开展了自然环境下油茶果图像检测方法研究,用3296幅... 针对油茶果体积小、分布密集、颜色多变等特点,为实现自然复杂场景下油茶果的快速精准定位,并依据果实的疏密分布,确定恰当的自动振荡采收装置夹持位置,利用YOLO v5s卷积神经网络模型,开展了自然环境下油茶果图像检测方法研究,用3296幅油茶果图像制作PASCAL VOC的数据集,对网络进行了150轮训练,得到的最优权值模型准确率为90.73%,召回率为98.38%,综合评价指标为94.4%,平均检测精度为98.71%,单幅图像检测时间为12.7 ms,模型占内存空间为14.08 MB。与目前主流的一阶检测算法YOLO v4tiny和RetinaNet相比,其精确率分别提高了1.99个百分点和4.50个百分点,召回率分别提高了9.41个百分点和10.77个百分点,时间分别降低了96.39%和96.25%。同时结果表明,该模型对密集、遮挡、昏暗环境和模糊虚化情况下的果实均能实现高精度识别与定位,具有较强的鲁棒性。研究结果可为自然复杂环境下油茶果机械采收及小目标检测等研究提供借鉴。 展开更多

关键词 油茶果 自然场景 目标检测 yolo v5s 深度学习 数据增强

在线阅读 下载PDF 职称材料

基于无人机RGB图像与改进YOLO v5s的宿根蔗缺苗定位方法 被引量：3

11

作者 李尚平 郑创锐 +1 位作者 文春明 李凯华 《农业机械学报》 CSCD 北大核心 2024年第12期57-70,共14页

针对预切种式双芽蔗段横向补种机缺少整体的缺苗数据,导致补种效率不高等问题,提出了一种基于无人机RGB图像的宿根蔗缺苗定位方法。首先,通过无人机快速采集实际田间宿根蔗幼苗的高分辨率图像,将航拍大图(分辨率为5472像素×3 648像... 针对预切种式双芽蔗段横向补种机缺少整体的缺苗数据,导致补种效率不高等问题,提出了一种基于无人机RGB图像的宿根蔗缺苗定位方法。首先,通过无人机快速采集实际田间宿根蔗幼苗的高分辨率图像,将航拍大图(分辨率为5472像素×3 648像素)切分成多幅子图并进行数据增强,从而构建宿根蔗幼苗数据集;其次,在YOLO v5s的基础上引入P2小目标特征层和DyHead模块,提高对幼苗小目标的检测准确性,并在训练过程引入图像加权策略解决样本数量不平衡问题,进一步提高被遮挡幼苗的检测精度;然后,在切片辅助推理框架中引入改进模型训练权重,在大尺寸田间图像中实现宿根蔗幼苗的检测;最后,构建以改进的DBSCAN聚类算法和PCA拟合算法为核心的作物行识别算法,在作物行线上定位缺苗位置。试验结果表明,改进宿根蔗幼苗检测模型在子图上的平均检测精度为96.8%,在大图上的识别精确率和召回率为94.5%和91.8%,检测时间为0.32 s。基于检测的位置坐标信息利用作物行识别算法实现分垄,作物行聚类准确率达到100%,拟合的作物行中心线角度平均误差为0.245 5°,作物行中心线上缺苗位置识别的精确率和召回率为91.9%和97.1%,平均定位误差为9.73像素。该方法可用于大尺寸复杂田间图像上的宿根蔗智能缺苗定位,为补种作业提供技术支持,对延长宿根年限、提高甘蔗产量具有重要意义。 展开更多

关键词 宿根蔗幼苗 缺苗定位 无人机RGB图像 yolo v5s 作物行识别 DBSCAN

在线阅读 下载PDF 职称材料

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法 被引量：14

12

作者 宋怀波 李嵘 +2 位作者 王云飞 焦义涛 华志新 《农业机械学报》 EI CAS CSCD 北大核心 2023年第3期274-281,共8页

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融... 肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention module)、CA(Coordinate attention)、SE(Squeeze and excitation)和ECA(Efficient channel attention)4种注意力机制,试验结果表明,ECA注意力机制的平均精度均值分别比CBAM、CA、SE高0.5、0.6、0.2个百分点。并且分析讨论了不同遮挡情况以及光照情况的检测结果,结果表明,ECA-YOLO v5s网络可以准确、快速地检测不同遮挡以及光照情况的肉牛目标。模型具有较高的鲁棒性,且模型较小,便于模型的迁移应用,可为肉牛目标检测及质押监管等研究提供必要的技术支撑。 展开更多

关键词 肉牛 目标检测 ECABasicBlock yolo v5s 重度遮挡环境

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的水稻害虫识别研究 被引量：10

13

作者 王泰华 郭亚州 +1 位作者 张家乐 张晨阳 《农业机械学报》 EI CAS CSCD 北大核心 2024年第11期39-48,共10页

水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强... 水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强了模型对目标位置信息的获取能力;引入CBAM注意力机制,提升了模型对目标区域的关注度;采用Slim-neck减少了计算量并增强了特征处理能力;引入Soft-NMS算法优化相邻目标边框筛选,减少漏检。实验结果表明,改进后的YOLO v5s模型在水稻害虫数据集上的平均精度均值达到94.3%,相比原模型提升3.8个百分点,比其他主流模型YOLO v3、YOLO R-CSP、YOLO v7、YOLO v8s提升1.5、12.7、13.6、1.9个百分点。消融实验进一步验证了改进模型中各个组件的有效性。热力图分析也体现了改进模型能够更好地学习害虫特征。综上,本文提出的改进YOLO v5s模型在提高水稻害虫检测精度方面取得了显著成效,为防控水稻虫害提供了一种精确的识别方法。 展开更多

关键词 水稻 害虫识别 CBAM Slim-neck yolo v5s

在线阅读 下载PDF 职称材料

基于改进YOLO v5s算法的光伏组件故障检测 被引量：29

14

作者 孙建波 王丽杰 +1 位作者 麻吉辉 高玮 《红外技术》 CSCD 北大核心 2023年第2期202-208,共7页

针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加... 针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加强大的EIOU(efficient intersection over union)损失函数,并自适应调节置信度损失平衡系数,提升模型训练效果;随后,在每个检测层前分别添加InRe特征增强模块,通过丰富特征表达增强目标特征提取能力。最后,用创建的红外光伏数据集进行对比验证。实验结果表明:本文方法均值平均精度(mean average precision,mAP)为92.76%,检测速度(frame per second,FPS)达到42.37 FPS,其中热斑、组件脱落两种故障类型平均精度分别为94.85%、90.67%,完全能够满足无人机自动巡检的需求。 展开更多

关键词 故障检测 yolo v5s EIOU 特征增强模块

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的经产母猪发情检测方法研究 被引量：15

15

作者 薛鸿翔 沈明霞 +3 位作者 刘龙申 陈金鑫 单武鹏 孙玉文 《农业机械学报》 EI CAS CSCD 北大核心 2023年第1期263-270,共8页

为解决限位栏场景下经产母猪查情难度大、过于依赖公猪试情和人工查情的问题,提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法。首先,利用马赛克增强方式(Mosaic data augmentation, MDA)扩充数据集,以丰富数据表征;然后,利... 为解决限位栏场景下经产母猪查情难度大、过于依赖公猪试情和人工查情的问题,提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法。首先,利用马赛克增强方式(Mosaic data augmentation, MDA)扩充数据集,以丰富数据表征;然后,利用稀疏训练(Sparse training, ST)、迭代通道剪枝(Network pruning, NP)、模型微调(Fine tune, FT)等方式重构模型,实现模型压缩与加速;最后,使用DIOU_NMS代替GIOU_NMS,以提高目标框的识别精度,确保模型轻量化后,仍保持较高的检测精度。试验表明,优化后的算法识别平均精确率可达97.8%,单幅图像平均检测时间仅1.7 ms,单帧视频平均检测时间仅6 ms。分析空怀期母猪发情期与非发情期的交互行为特征,发现母猪发情期较非发情期交互时长与频率均显著提高(P<0.001)。以20 s作为发情检测阈值时,发情检测特异性为89.1%、准确率为89.6%、灵敏度为90.0%,该方法能够实现发情母猪快速检测。 展开更多

关键词 经产母猪 发情检测 深度学习 改进yolo v5s

在线阅读 下载PDF 职称材料

基于YOLO v5s的作物叶片病害检测模型轻量化方法 被引量：15

16

作者 杨佳昊 左昊轩 +3 位作者 黄祺成 孙泉 李思恩 李莉 《农业机械学报》 EI CAS CSCD 北大核心 2023年第S01期222-229,共8页

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征... 为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构(Lightweight convolutional neural networks,LCNN)替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层(Batch normalization layer)的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0 f/s,移动端检测帧率1.2 f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。 展开更多

关键词 病害检测 yolo v5s 轻量化模型 网络剪枝 知识蒸馏

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的作物黄化曲叶病检测方法 被引量：13

17

作者 左昊轩 黄祺成 +3 位作者 杨佳昊 孙泉 李思恩 李莉 《农业机械学报》 EI CAS CSCD 北大核心 2023年第S01期230-238,共9页

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型... 作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型在复杂环境下识别效果差和效率低的问题,本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产中手机拍摄获取的患病作物冠层图像两种来源制作数据集,并对图像中的患病叶片进行手动标注等操作,以实现在复杂地物背景和叶片遮挡等情况下正确识别目标,即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外,用智能手机在生产现场拍摄图像,会存在手机分辨率、光线、拍摄角度等多种因素,会导致识别正确率降低等问题,需要对采集到的图像进行预处理和数据增强以提高模型识别率,通过对YOLO v5s原始模型骨干网络重复多次增加CA注意力机制模块(Coordinate attention),增强YOLO算法对关键信息的提取能力,利用加权双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN),增强模型不同特征层的融合能力,从而提高模型的泛化能力,替换损失函数EIoU(Efficient IoU loss),进一步优化算法模型,实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下,对比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP_(0.5)、mAP_(0.5:0.95)分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精确率与平均精度的同时,保持了较高的运算速度,满足对作物黄化曲叶病毒病检测的准确性与时效性的要求,并为移动端智能识别作物叶片病害提供了理论基础。 展开更多

关键词 病害识别 yolo v5s 注意力机制 BiFPN EIoU

在线阅读 下载PDF 职称材料

基于改进YOLO v5s算法的大豆叶片虫洞的识别 被引量：5

18

作者 方文博 郭永刚 +5 位作者 关法春 张伟 刘倩倩 王树文 张正超 于皓然 《湖南农业大学学报（自然科学版）》 CAS CSCD 北大核心 2023年第1期127-132,共6页

鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法:以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空... 鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法:以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24%,模型存储空间为15.1 MB,每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。 展开更多

关键词 大豆叶片虫洞 注意力机制 改进yolo v5s 机器学习 识别准确率

在线阅读 下载PDF 职称材料

基于图像增强与GC-YOLO v5s的水下环境河蟹识别轻量化模型研究 被引量：1

19

作者 张铮 鲁祥 胡庆松 《农业机械学报》 EI CAS CSCD 北大核心 2024年第11期124-131,374,共9页

利用机器视觉技术识别水下河蟹目标是实现河蟹养殖装备智能化的有效途径之一。针对水下环境目标识别困难、河蟹包含特征信息少、主流的目标检测模型复杂度高等问题,在YOLO v5s的基础上提出了一种适用于水下环境的轻量级河蟹识别模型GC-Y... 利用机器视觉技术识别水下河蟹目标是实现河蟹养殖装备智能化的有效途径之一。针对水下环境目标识别困难、河蟹包含特征信息少、主流的目标检测模型复杂度高等问题,在YOLO v5s的基础上提出了一种适用于水下环境的轻量级河蟹识别模型GC-YOLO v5s(GhostNetV2-CBAM-YOLO v5s)。利用改进的图像增强算法对水下河蟹图像进行预处理以改善其质量;为降低模型复杂度,提出了基于GhostNetV2的G3模块以改进模型的特征提取网络,并利用幻影卷积进一步轻量化模型;为了优化模型的河蟹特征学习能力,在Neck层和Head层之间引入卷积块注意力模块(Convolution block attention module,CBAM)。实验结果表明,该模型测试集的平均精度均值(Mean average precision,mAP)、召回率和精确率分别为95.61%、97.03%和96.94%,较YOLO v5s分别提升2.80、2.25、2.28个百分点;而GC-YOLO v5s的参数量、浮点运算量和模型内存占用量仅为YOLO v5s的69.1%、56.3%和58.3%。通过实验对比,该模型在识别精度和模型复杂度上优于其他主流目标检测模型;识别速度仅次于YOLO v5s,可达到104 f/s。 展开更多

关键词 水产养殖 河蟹识别模型 图像增强 yolo v5s 轻量化

在线阅读 下载PDF 职称材料

基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法 被引量：10

20

作者 郭阳阳 洪文浩 +1 位作者 丁屹 黄小平 《农业机械学报》 EI CAS CSCD 北大核心 2023年第7期313-321,共9页

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取... 山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次,在YOLO v5s的主干网络融入坐标注意力机制,以充分利用目标的位置信息,提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明,改进YOLO v5s模型的检测精确率为95.6%,召回率为83.0%,mAP0.5为90.2%,帧速率为69 f/s,模型内存占用量为13.2 MB;与YOLO v5s模型相比,检测精度提高1.3个百分点,模型所占内存空间减少1.2 MB;且模型的整体性能远优于Faster R-CNN、YOLO v4、YOLO v5s模型。此外,本文构建了不同光照和相机抖动的数据集,来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位,为动物精细化养殖时目标检测识别提供了检测思路和技术支持。 展开更多

关键词 羊脸检测 yolo v5s 坐标注意力机制 精准畜牧

在线阅读 下载PDF 职称材料