针对菌落图像中小菌落易漏检的问题,提出了一种基于INC4-YOLO(you only look once)的计数方法,实现精准的菌落计数。采用带残差结构的Inception模块(Inception module with residual connection,IncRes)替换YOLOv5骨干网络中的Bottlenec...针对菌落图像中小菌落易漏检的问题,提出了一种基于INC4-YOLO(you only look once)的计数方法,实现精准的菌落计数。采用带残差结构的Inception模块(Inception module with residual connection,IncRes)替换YOLOv5骨干网络中的Bottleneck模块,以增强图像特征提取能力。从网络的浅层特征中引出一个小目标检测头,以增强算法在训练过程中对小菌落的注意力。分别在标注微生物自动识别数据集(annotated germs for automated recognition,AGAR)和真实菌落计数场景下对INC4-YOLO进行计数性能测试。实验结果表明,在AGAR测试集中,提出的算法在小菌落的平均百分比绝对值计数误差(mean absolute percentage error,MAPE)比其他先进目标检测算法降低了2%;真实菌落计数场景下,INC4-YOLO的MAPE相比YOLOv5降低了7%,表明该算法可帮助菌落计数设备实现精准计数。展开更多
哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型...哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。展开更多
单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。...单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。以Cascade RCNN为基本网络模型,通过引入特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和高层丰富语义特征,通过采用在线难例挖掘(Online hard example mining,OHEM)技术增加对高损失样本的训练频次,通过IOU(Intersection over union)阈值对网络模型进行阶段性融合,最后基于圆形LBP纹理特征训练一个SVM分类器,对麦穗检出结果进行复验。大田图像测试表明,FCS RCNN模型的检测精度达92.9%,识别单幅图像平均耗时为0.357 s,平均精度为81.22%,比Cascade RCNN提高了21.76个百分点。展开更多
文摘针对菌落图像中小菌落易漏检的问题,提出了一种基于INC4-YOLO(you only look once)的计数方法,实现精准的菌落计数。采用带残差结构的Inception模块(Inception module with residual connection,IncRes)替换YOLOv5骨干网络中的Bottleneck模块,以增强图像特征提取能力。从网络的浅层特征中引出一个小目标检测头,以增强算法在训练过程中对小菌落的注意力。分别在标注微生物自动识别数据集(annotated germs for automated recognition,AGAR)和真实菌落计数场景下对INC4-YOLO进行计数性能测试。实验结果表明,在AGAR测试集中,提出的算法在小菌落的平均百分比绝对值计数误差(mean absolute percentage error,MAPE)比其他先进目标检测算法降低了2%;真实菌落计数场景下,INC4-YOLO的MAPE相比YOLOv5降低了7%,表明该算法可帮助菌落计数设备实现精准计数。
文摘哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。
文摘单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题,提出了一种基于深度学习的麦穗检测方法(FCS RCNN)。以Cascade RCNN为基本网络模型,通过引入特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和高层丰富语义特征,通过采用在线难例挖掘(Online hard example mining,OHEM)技术增加对高损失样本的训练频次,通过IOU(Intersection over union)阈值对网络模型进行阶段性融合,最后基于圆形LBP纹理特征训练一个SVM分类器,对麦穗检出结果进行复验。大田图像测试表明,FCS RCNN模型的检测精度达92.9%,识别单幅图像平均耗时为0.357 s,平均精度为81.22%,比Cascade RCNN提高了21.76个百分点。
