为有效解决玉米雄穗无人机识别过程中因雄穗尺寸过小造成的漏检、识别速度慢、模型体积大等问题,通过添加注意力机制、融入轻量化模块和优化损失函数,建立了一种改进YOLOv8n卷积神经网络的玉米雄穗检测模型YOLOv8n-maize。结果表明:改...为有效解决玉米雄穗无人机识别过程中因雄穗尺寸过小造成的漏检、识别速度慢、模型体积大等问题,通过添加注意力机制、融入轻量化模块和优化损失函数,建立了一种改进YOLOv8n卷积神经网络的玉米雄穗检测模型YOLOv8n-maize。结果表明:改进后的模型在测试集上的平均精度均值(Mean average precision,m AP)达97.8%,比原模型提高了2.6%;模型计算量(Floating point operations,FLOPs)减少了15.8%,参数量(Parameters,Params)体积缩小了17.6%。这种高精度、小体积模型能够满足玉米雄穗快速识别的需求,可为无人机机载平台的部署提供关键技术支持。展开更多
针对传统单图像的检测方法在内河航标检测中准确性与时效性差的问题,提出一种基于多图像特征融合的内河航标检测方法。在多图像快速鲁棒特征(speeded up robust feature,SURF)匹配搜索算法中加入一个确保特征样本饱和化的循环判断机制,...针对传统单图像的检测方法在内河航标检测中准确性与时效性差的问题,提出一种基于多图像特征融合的内河航标检测方法。在多图像快速鲁棒特征(speeded up robust feature,SURF)匹配搜索算法中加入一个确保特征样本饱和化的循环判断机制,防止关键特征缺失。采用曼哈顿距离完成图像特征的相似性度量,充分利用多图像间的融合信息提高航标清晰度。采用硬件感知网络架构与NetAdapt算法结合的MobileNetV3网络对YOLOv8的主干网络进行轻量化改进,降低模型空间复杂度。实验结果表明,对内河航标检测的平均精度均值(mean average precision,mAP)达到了97.02%,模型大小仅4.75 MB,推理耗时仅10.9 ms。改进方法能够快速、准确地检测定位到图像中的航标,能更好地适应特殊场景,为解决实际问题提供支持。展开更多
文摘为有效解决玉米雄穗无人机识别过程中因雄穗尺寸过小造成的漏检、识别速度慢、模型体积大等问题,通过添加注意力机制、融入轻量化模块和优化损失函数,建立了一种改进YOLOv8n卷积神经网络的玉米雄穗检测模型YOLOv8n-maize。结果表明:改进后的模型在测试集上的平均精度均值(Mean average precision,m AP)达97.8%,比原模型提高了2.6%;模型计算量(Floating point operations,FLOPs)减少了15.8%,参数量(Parameters,Params)体积缩小了17.6%。这种高精度、小体积模型能够满足玉米雄穗快速识别的需求,可为无人机机载平台的部署提供关键技术支持。
文摘针对传统单图像的检测方法在内河航标检测中准确性与时效性差的问题,提出一种基于多图像特征融合的内河航标检测方法。在多图像快速鲁棒特征(speeded up robust feature,SURF)匹配搜索算法中加入一个确保特征样本饱和化的循环判断机制,防止关键特征缺失。采用曼哈顿距离完成图像特征的相似性度量,充分利用多图像间的融合信息提高航标清晰度。采用硬件感知网络架构与NetAdapt算法结合的MobileNetV3网络对YOLOv8的主干网络进行轻量化改进,降低模型空间复杂度。实验结果表明,对内河航标检测的平均精度均值(mean average precision,mAP)达到了97.02%,模型大小仅4.75 MB,推理耗时仅10.9 ms。改进方法能够快速、准确地检测定位到图像中的航标,能更好地适应特殊场景,为解决实际问题提供支持。
