检索结果-维普期刊中文期刊服务平台

基于改进YOLOv8s-Seg模型的番茄成熟度检测: 1; 作者杨爽周中林《湖北农业科学》 2025年第6期178-184,共7页; 为了实现对不同成熟度番茄的实时检测,提出改进YOLOv8s-Seg模型,从而满足现代农业对精准管理的需求。通过改进YOLOv8s-Seg模型的颈部模块来提高其网络性能,在每次上采样操作前,添加1×1 SimConv卷积,将颈部剩余的常规卷积替换为3... 展开更多; 关键词改进yolov8s-seg模型番茄(Solanum lycopersicum L.) 成熟度检测; 在线阅读下载PDF 职称材料

YOLOv8改进算法在油茶果分拣中的应用: 2; 作者刘姜毅高自成 +2 位作者刘怀粤尹浇钦罗媛尹《林业工程学报》北大核心 2025年第1期120-127,共8页; 现有的油茶果分拣系统所依赖的YOLO等算法的目标检测、实例分割在低尺寸及密集型样本中鲁棒性较差,存在机械臂常抓取到枝叶、抓取不牢固、易脱落等问题。大部分系统使用目标识别,无法准确识别油茶果具体轮廓信息,不能对油茶果进行大小... 展开更多; 关键词油茶果三维动态卷积实例分割 yolov8 segment Anything Model Wise⁃IoU; 在线阅读下载PDF 职称材料

基于深度学习的树冠分割及生物量估算被引量：4: 3; 作者赵子琪李丹丹 +2 位作者赵鼎程志博郭晓杰《森林工程》北大核心 2024年第5期145-155,共11页; 地上生物量反映植被生长状况和碳储量的大小,该参数的准确性对于碳循环研究以及减缓气候变化至关重要。以芭蕉树为研究对象,提出一种利用深度学习实现芭蕉树冠检测分割和地上生物量估算的新思路。首先,以深度学习算法YOLOv8s-seg为基础... 展开更多; 关键词 yolov8s-seg 无人机遥感地上生物量树冠覆盖面积 XGBoost; 在线阅读下载PDF 职称材料

深度学习融合模型共轭涡旋光干涉微位移测量: 4; 作者杨雪娇刘吉 +6 位作者武锦辉袁涛王仕杰姬翔峰于丽霞张博洋陈相《光学精密工程》 2025年第15期2331-2341,共11页; 针对涡旋光干涉微位移测量技术中传统干涉条纹位移反演算法精度受限的问题,提出一种基于深度学习融合模型共轭涡旋光干涉微位移测量方法。采用集成FasterNet轻量化骨干网络与CARAFE动态上采样模块的YOLOv8s-Seg分割网络对干涉图像中的... 展开更多; 关键词微位移测量共轭涡旋光干涉 yolov8s-seg分割网络多尺度分层特征提取; 在线阅读下载PDF 职称材料

题名基于改进YOLOv8s-Seg模型的番茄成熟度检测: 1; 作者杨爽周中林; 机构长江大学经济与管理学院; 出处《湖北农业科学》 2025年第6期178-184,共7页; 基金国家自然科学基金面上项目(62077018)。; 文摘为了实现对不同成熟度番茄的实时检测,提出改进YOLOv8s-Seg模型,从而满足现代农业对精准管理的需求。通过改进YOLOv8s-Seg模型的颈部模块来提高其网络性能,在每次上采样操作前,添加1×1 SimConv卷积,将颈部剩余的常规卷积替换为3×3 SimConv卷积,显著提高算法的特征融合能力。结果表明,改进YOLOv8s-Seg模型对成熟番茄、半成熟番茄和未成熟番茄的分割精确率分别为92.7%、92.3%和89.9%。与YOLOv8s-Seg模型相比,改进YOLOv8s-Seg模型的精确率、召回率、F1评分和mAP@0.5分别提高1.6、0.4、1.0、2.4个百分点;改进YOLOv8s-Seg模型的精确率、召回率、F1评分和mAP@0.5均高于YOLOv8s-Seg模型、YOLOv5s-Seg模型、YOLOv7-Seg模型和Mask R-CNN模型;改进YOLOv8s-Seg模型的推理时间为3.5 ms,虽然比YOLOv5s-Seg模型和YOLOv8s-Seg模型略有增加,但明显低于YOLOv7-Seg模型和Mask R-CNN模型。改进YOLOv8s-Seg模型在复杂环境下的番茄成熟度分割任务中表现出优异性能;无论是叶片遮挡、果实重叠,还是光照变化与角度变化,该模型均能实现高精度的分割效果。; 关键词改进yolov8s-seg模型番茄(Solanum lycopersicum L.) 成熟度检测; Keywords improved yolov8s-seg model tomato(Solanum lycopersicum L.) maturity detection; 分类号 S126 [农业科学—农业基础科学] 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YOLOv8改进算法在油茶果分拣中的应用: 2; 作者刘姜毅高自成刘怀粤尹浇钦罗媛尹; 机构中南林业科技大学机电工程学院; 出处《林业工程学报》北大核心 2025年第1期120-127,共8页; 基金国家重点研发计划(2022YFD2202103) 国家林业和草原局应急科技项目(202202-2) 井冈山农高区省级科技专项揭榜挂帅项目(20222-051247)。; 文摘现有的油茶果分拣系统所依赖的YOLO等算法的目标检测、实例分割在低尺寸及密集型样本中鲁棒性较差,存在机械臂常抓取到枝叶、抓取不牢固、易脱落等问题。大部分系统使用目标识别,无法准确识别油茶果具体轮廓信息,不能对油茶果进行大小分类。针对这一问题,研究提出了YOWNet模型应对油茶果分拣的小目标、高密度识别任务。首先,研究了自动化边缘标注脚本,脚本调用零样本Segment Anything框架对原有已标注的油茶果目标检测框提取兴趣区间,将其自动转化为边缘标注信息;其次,为了提高模型对小目标的识别能力,研究摒弃了现有的固定感受野的卷积模块,针对油茶果特性提出三维注意力动态卷积模块用于捕捉特征图中的关键信息;最后,研究通过使用Wise⁃IoU损失函数,基于动态非单调聚焦机制的边界框损失,提升边框回归精度。总体网络模型命名为YOWNet,通过与YOLOv8在油茶果上的消融实验对比,试验结果表明:YOWNet模型能够快速准确地识别油茶果实例,在私有数据集上,准确度、Box_loss可达89.90%和0.523。; 关键词油茶果三维动态卷积实例分割 yolov8 segment Anything Model Wise⁃IoU; Keywords Camellia oleifera fruit 3D dynamic convolution instance segmentation yolov8 segment Anything Model Wise⁃IoU; 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

题名基于深度学习的树冠分割及生物量估算被引量：4: 3; 作者赵子琪李丹丹赵鼎程志博郭晓杰; 机构东北林业大学计算机与控制工程学院东北林业大学机电工程学院; 出处《森林工程》北大核心 2024年第5期145-155,共11页; 基金国家重点研发计划项目(ZKJB230100003)。; 文摘地上生物量反映植被生长状况和碳储量的大小,该参数的准确性对于碳循环研究以及减缓气候变化至关重要。以芭蕉树为研究对象,提出一种利用深度学习实现芭蕉树冠检测分割和地上生物量估算的新思路。首先,以深度学习算法YOLOv8s-seg为基础框架改进,并应用无人机遥感影像,实现芭蕉树冠检测分割;然后,提取芭蕉树冠覆盖面积,结合实测地上生物量数据进行拟合,使用线性回归、K最近邻算法(K-NearestNeighbor,KNN)、支持向量机、随机森林和XGBoost(eXtreme Gradient Boosting)方法分别建立芭蕉地上生物量估算模型;最后,对模型估测结果进行比较分析确定最优模型。结果表明,改进后的YOLOv8s-seg模型可以快速有效地对芭蕉树冠进行检测分割。通过验证发现,基于XGBoost的地上生物量估算模型拟合效果和预测误差优于其他模型,决定系数(R^(2))为0.8814,均方根误差(RMSE)为231.37 kg,平均绝对误差(MAE)为140.47 kg,能够更准确地预测地上生物量,更适于进行芭蕉地上生物量的反演,进一步验证了利用无人机和深度学习方法提取树冠信息实现估算地上生物量的可行性。; 关键词 yolov8s-seg 无人机遥感地上生物量树冠覆盖面积 XGBoost; Keywords yolov8s-seg UAV remote sensing aboveground biomass canopy coverage area XGBoost; 分类号 S758.5 [农业科学—森林经理学]; 在线阅读下载PDF 职称材料

题名深度学习融合模型共轭涡旋光干涉微位移测量: 4; 作者杨雪娇刘吉武锦辉袁涛王仕杰姬翔峰于丽霞张博洋陈相; 机构中北大学信息与通信工程学院; 出处《光学精密工程》 2025年第15期2331-2341,共11页; 基金山西省基础研究计划资助项目(No.202203021211087,No.202203021221101,No.202403021222181) 山西省回国留学人员科研资助项目(No.2023-141,No.2024-117) 山西省科技成果转化引导专项(No.202404021301029)。; 文摘针对涡旋光干涉微位移测量技术中传统干涉条纹位移反演算法精度受限的问题,提出一种基于深度学习融合模型共轭涡旋光干涉微位移测量方法。采用集成FasterNet轻量化骨干网络与CARAFE动态上采样模块的YOLOv8s-Seg分割网络对干涉图像中的花瓣区域进行精确分割,以抑制相位信息提取过程中背景噪声和光束畸变的干扰。设计14层卷积神经网络架构对花瓣区域进行多尺度分层特征提取,构建花瓣形态变化与旋转角度的精准映射关系,实现亚纳米级位移的高精度检测。实验结果表明,在0~500 nm标准位移内,花瓣区域分割的平均精度(mAP)达96.5%,整体位移测量精度优于0.94 nm,平均绝对误差为0.63 nm。通过独特的双网络协同架构,该方法增强了对条纹畸变和噪声的抗干扰性能,在微位移测量的精度和稳定性方面具有明显的优势。; 关键词微位移测量共轭涡旋光干涉 yolov8s-seg分割网络多尺度分层特征提取; Keywords micro-displacement measurement conjugate vortex light interferometry yolov8s-seg segmentation multi-scale hierarchical feature extraction; 分类号 O439 [理学]; 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YOLOv8s-Seg模型的番茄成熟度检测	杨爽周中林	《湖北农业科学》	2025	0	在线阅读下载PDF 职称材料
2	YOLOv8改进算法在油茶果分拣中的应用	刘姜毅高自成刘怀粤尹浇钦罗媛尹	《林业工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于深度学习的树冠分割及生物量估算	赵子琪李丹丹赵鼎程志博郭晓杰	《森林工程》北大核心	2024	4	在线阅读下载PDF 职称材料
4	深度学习融合模型共轭涡旋光干涉微位移测量	杨雪娇刘吉武锦辉袁涛王仕杰姬翔峰于丽霞张博洋陈相	《光学精密工程》	2025		在线阅读下载PDF 职称材料