基于MR-VOD的神农架林区野生动物视频检测 被引量：1

1

作者 眭海刚 魏天怡 +2 位作者 胡烈云 杨敬元 马国飞 《野生动物学报》 北大核心 2025年第1期1-13,共13页

红外相机视频是野生动物调查的主流研究方法之一,但在林区受设备角度、复杂环境与野生动物活动的随机性影响,极易出现检测中光流捕捉错误或简单语义难以识别的情况。针对此类问题,提出一种基于多帧关系网络特征增强的视频目标检测方法(m... 红外相机视频是野生动物调查的主流研究方法之一,但在林区受设备角度、复杂环境与野生动物活动的随机性影响,极易出现检测中光流捕捉错误或简单语义难以识别的情况。针对此类问题,提出一种基于多帧关系网络特征增强的视频目标检测方法(multi-relation video object detection,MR-VOD)。该算法在图像关系网络的基础上,综合考虑上下帧目标之间的关系,通过多阶段推理,实现对野生动物目标的准确检测。同时,以神农架林区野生动物红外相机视频为基础,构建相关野生动物视频目标检测数据样本集作为实验区。试验证明,改进后的算法检测性能有所提升,平均准确率达81.96%,比Faster R-CNN提高9.32个百分点,在川金丝猴(Rhinopithecus roxellana)的检测上提升30.79个百分点,并在多种复杂场景下测试表现良好,有效减少了错检漏检的情况。该算法的实现将为神农架野生动物智能监测云平台提供检测基础,同时为后续开展的野生动物保护、种群评估提供必要的技术支撑。 展开更多

关键词 关系网络 视频目标检测 野生动物 复杂环境 特征增强

在线阅读 下载PDF 职称材料

DPRT-YOLO:智能网联汽车复杂驾驶环境实时目标检测器

2

作者 董一兵 曾辉 +2 位作者 李建科 侯少杰 石磊 《计算机工程与应用》 北大核心 2025年第14期148-162,共15页

目标检测是智能网联汽车视觉感知系统的一项基本任务,可为先进驾驶辅助系统提供基础数据和决策依据。然而,在低光照和恶劣天气等复杂环境中,车载目标检测算法面临小目标检测性能不佳、漏检率和误检率偏高的挑战。针对这一挑战,发展了一... 目标检测是智能网联汽车视觉感知系统的一项基本任务,可为先进驾驶辅助系统提供基础数据和决策依据。然而,在低光照和恶劣天气等复杂环境中,车载目标检测算法面临小目标检测性能不佳、漏检率和误检率偏高的挑战。针对这一挑战,发展了一种面向智能网联汽车的实时目标检测器(DPRT-YOLO),通过对流行的YOLOv10模型进行改造,使其更加适用于复杂驾驶环境中的目标检测任务,并通过在NVIDIA边缘计算平台上开展消融和对比实验,验证了算法的有效性。设计了增强加权多分支特征融合网络(EWMFFN),引入浅层加权融合和多分支加权融合模块,消除特征融合过程中的层间干扰,设计星形拓扑特征交互结构,提升模型对小尺度目标的检测能力,同时保持了网络结构的轻量化设计。融合卷积门控线性单元(convolutional gated linear units,CGLU)与卷积加法自注意力(convolutional additive token mixer,CATM),通过局部-全局双通路机制建立小目标尺度信息的长期上下文关系并保持模型的轻量化。为了评估模型在真实算力场景中的检测性能,将其部署在NVIDIA Jetson Xavier Nx平台上,采用NVIDIA TensorRT FP16量化加速,在BDD100K和TT100K测试集上开展推理实验,并与基准模型进行对比,结果显示:(1)检测精度方面,与YOLOv10n和YOLO11n相比,改进模型的mAP@0.5指标分别提升了6.1和7.4个百分点,mAP@0.5:0.95指标分别提升了3.6和4.2个百分点,同时,参数量分别降低了26.1%和34.9%。(2)检测速度方面,改进模型Small和Nano两种版本的推理速度分别达到了29 FPS和35 FPS。实验结果表明:与参考模型相比,改进算法在复杂驾驶环境中的表现更加优异,在检测精度与检测速度之间达到了更好的平衡,适于部署在智能网联汽车的环境感知系统中。 展开更多

关键词 实时目标检测 复杂驾驶环境 DPRT-YOLO 多尺度特征融合 TRANSFORMER

在线阅读 下载PDF 职称材料

基于高贴合旋转框的复杂环境玉米株心定位方法

3

作者 徐艳蕾 郭丽丽 +2 位作者 黄东岩 周阳 李陈孝 《农业机械学报》 北大核心 2025年第4期129-138,共10页

为解决玉米株心定位困难及定位精度低的问题,针对复杂自然环境玉米叶冠数据,本文开发了一种基于高贴合旋转框的玉米株心定位方法,并提出了一种能有效减少边缘精度损失的标注策略。该定位方法首先通过使用高精度标注策略和构建具有自适... 为解决玉米株心定位困难及定位精度低的问题,针对复杂自然环境玉米叶冠数据,本文开发了一种基于高贴合旋转框的玉米株心定位方法,并提出了一种能有效减少边缘精度损失的标注策略。该定位方法首先通过使用高精度标注策略和构建具有自适性的轻量化渐进特征金字塔网络LC-AFPN,得到LCA-YOLO v7OBB玉米叶冠目标检测算法,然后利用色彩空间滤波算法分割叶冠区域,并使用间隙填充算法提升图像质量,最后利用图像矩原理准确计算株心坐标。实验结果表明,模型抗干扰能力强,株心定位准确度高。LCA-YOLO v7OBB模型平均检测精度可达85.19%,精确率和召回率达到91.83%和83.04%。与Rotated-FasterRCNN等12种旋转目标检测模型相比,LCA-YOLO v7OBB在准确性和召回率等综合性能方面表现最佳。模型泛化能力强,在自建黄瓜、茄子2种数据集上进行验证,其平均精度、精确率、召回率和F1值均有明显提升。本文方法能够为精准施肥、农机视觉导航等提供理论基础和技术支持。 展开更多

关键词 玉米株心定位 旋转目标检测 复杂环境 叶冠检测 特征提取 泛化能力

在线阅读 下载PDF 职称材料

改进YOLOv8n模型对复杂农业场景下西红柿目标的检测

4

作者 戈刚 杨珺 +2 位作者 刘毅 胡逸轩 刘昊辉 《农业工程学报》 北大核心 2025年第9期143-153,共11页

针对复杂农业场景下西红柿果实大量重叠,叶片、背景遮挡干扰严重,现有模型检测时鲁棒性、检测精度、效果欠佳等问题,提出一种基于改进YOLOv8n的西红柿目标检测模型:TOMO-YOLO。首先,提出了WAFF特征融合策略,替换YOLOv8n的多尺度特征融... 针对复杂农业场景下西红柿果实大量重叠,叶片、背景遮挡干扰严重,现有模型检测时鲁棒性、检测精度、效果欠佳等问题,提出一种基于改进YOLOv8n的西红柿目标检测模型:TOMO-YOLO。首先,提出了WAFF特征融合策略,替换YOLOv8n的多尺度特征融合方法,优化不同尺度特征的权重分配,增强特征图的表达能力。其次,为解决YOLOv8n在面对复杂农业场景时鲁棒性和泛化能力弱、精度不佳的问题,设计了AWD检测头,提升模型在复杂农业场景的鲁棒性和检测性能。最后,在公共西红柿数据集、自建西红柿数据集上进行模型对比试验。试验结果表明,TOMO-YOLO的整体性能优于YOLO系列模型:YOLOv8n、YOLOv10n、YOLOv6n、YOLOv5n,其中TOMO-YOLO在公共西红柿数据集、自建西红柿数据集上的边框精度分别为88.6%和77.2%,召回率分别为85.0%和59.1%,mAP_(0.5)分别为90.9%和66.7%,mAP_(0.5~0.95)分别为55.0%和37.9%,F1分数分别为85.0%和68.0%,相较于YOLOv8n,边框精度分别提升0.7和3.9个百分点,召回率分别提升5.8和2.6个百分点,mAP_(0.5)分别提升1.4和3.0个百分点、mAP_(0.5~0.95)分别提升1.6和1.2个百分点,F1分数分别提升2.0和4.0个百分点,证明了改进模型的有效性,为西红柿自动化检测与识别提供技术支持。 展开更多

关键词 西红柿 复杂农业场景 YOLOv8n 目标检测 特征融合 鲁棒性 泛化能力

在线阅读 下载PDF 职称材料

复杂环境下的路面交通标线检测与分割方法

5

作者 顾宗文 吴志周 +2 位作者 徐里鹏 朱陈强 梁韵逸 《计算机工程与应用》 北大核心 2025年第14期274-285,共12页

针对数字化交通标线损伤诊断数据需求,提出了基于Mask R-CNN的FE-Mask R-CNN模型,通过目标检测与实例分割,获得损伤交通标线及其对应的修复图像。采集了复杂环境下的交通标线数据集,根据数据集的大小及分析数据中路面交通标线的环境特征... 针对数字化交通标线损伤诊断数据需求,提出了基于Mask R-CNN的FE-Mask R-CNN模型,通过目标检测与实例分割,获得损伤交通标线及其对应的修复图像。采集了复杂环境下的交通标线数据集,根据数据集的大小及分析数据中路面交通标线的环境特征,将Mask R-CNN主干替换为改进的VGG16。构建了跨层连接的特征金字塔(cross-linking FPN)网络,使模型能自适应实现不同特征层权重融合,挖掘不同特征层之间的重要性信息。在每一特征层提取网络中添加了efficient channel attention(ECA)注意力机制,以捕捉不同通道之间的关系,增强了模型在复杂环境下的特征提取能力。实验结果表明,采用改进的VGG16,参数量较原模型降低了21.18%;采用cross-linking FPN网络及改进后的Mask R-CNN模型,在低阈值(IoU=0.5)下,目标检测和语义分割精度分别为97.93%、98.7%、97.74%、97.8%;在高阈值(IoU=0.75)下,目标检测和语义分割精度分别为95.56%、97.90%、81.48%、92.0%;检测速度由33 FPS降低至24 FPS。相对于低阈值分割精度提升效果,高阈值下的分割精度的大幅提升,为图像的高精度修复提供了数据基础。 展开更多

关键词 复杂环境 目标检测 实例分割 损伤交通标线 改进的VGG16 跨层连接特征金字塔 注意力机制

在线阅读 下载PDF 职称材料

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法 被引量：6

6

作者 田子建 吴佳奇 +3 位作者 张文琪 陈伟 杨伟 王帅 《电网技术》 EI CSCD 北大核心 2024年第3期1331-1340,共10页

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行... 从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。 展开更多

关键词 绝缘子故障检测 低光复杂环境目标检测 小目标检测 二阶段目标增强网络 弱监督机制 零目标图像增强损失函数 小目标特征增强SSD YOLOv7小目标检测算法

在线阅读 下载PDF 职称材料

基于改进YOLO v5的复杂环境下柑橘目标精准检测与定位方法 被引量：8

7

作者 李丽 梁继元 +2 位作者 张云峰 张官明 淳长品 《农业机械学报》 EI CAS CSCD 北大核心 2024年第8期280-290,共11页

针对自然环境下柑橘果实机械化采收作业环境复杂和果实状态多样等情况,提出了一种多通道信息融合网络——YOLO v5-citrus,以解决柑橘果实识别精准度低、果实分类模糊和定位精准度低等难题。将不同的柑橘目标通过不同遮挡条件分为“可采... 针对自然环境下柑橘果实机械化采收作业环境复杂和果实状态多样等情况,提出了一种多通道信息融合网络——YOLO v5-citrus,以解决柑橘果实识别精准度低、果实分类模糊和定位精准度低等难题。将不同的柑橘目标通过不同遮挡条件分为“可采摘”和“难采摘”两类,这种分类策略可指导机器人在真实果园中顺序摘取,提高采摘效率并减少机器人本体和末端执行器损坏率。YOLO v5-citrus中,在颈部网络插入多通道信息融合模块,对柑橘的深浅特征信息进行处理,提高柑橘采摘状态识别精度,同时修改颈部网络拼接方法,针对目标柑橘大小进行识别,训练后在识别部分嵌入聚类算法模块,将训练部分识别模糊的柑橘目标进行最后区分。识别后进行深度图像和彩色图像的像素对齐,并通过坐标系转换获取柑橘目标三维坐标。在使用多种增强技术处理的数据集中,YOLO v5-citrus比原始YOLO v5在平均精度均值和精确率上分别提高2.8个百分点与3.7个百分点,表现出更优异的泛化能力。与YOLO v7和YOLO v8等其他主流网络架构相比较,保持了更高的检测精度和更快的检测速度。通过真实果园的检测与定位试验,得到柑橘目标的三维坐标识别定位系统的定位误差为(1.97 mm,0.36 mm,9.63 mm),满足末端执行器的抓取条件。试验结果表明,该模型具有较强的鲁棒性,满足复杂环境下柑橘状态识别要求,可为柑橘园机械采收设备提供技术支持。 展开更多

关键词 柑橘采摘机器人 目标检测 状态区分 三维坐标获取 复杂环境 YOLO v5

在线阅读 下载PDF 职称材料

基于改进YOLOv5的田间大豆花朵生长状态识别方法研究 被引量：1

8

作者 岳耀华 张伟 亓立强 《中国农机化学报》 北大核心 2024年第7期188-193,共6页

为判断大豆开花时期落花情况,对田间大豆花朵在花蕾、半开、全开、凋落四类生长状态下进行精准检测。基于YOLOv5检测模型,对主干Bottleneck CSP结构进行修改,减少模块数量来保留更多浅层特征,增强特征表达能力,在骨干网络中引入CA注意机... 为判断大豆开花时期落花情况,对田间大豆花朵在花蕾、半开、全开、凋落四类生长状态下进行精准检测。基于YOLOv5检测模型,对主干Bottleneck CSP结构进行修改,减少模块数量来保留更多浅层特征,增强特征表达能力,在骨干网络中引入CA注意机制,以获得位置信息,协助模型更加准确地识别,并修改锚箱尺寸提高小目标花蕾精准识别,在自建的田间大豆花朵不同生长状态数据集上进行改进YOLOv5算法对比试验。结果表明:大豆开花时期花朵不同生长状态识别模型准确率达到93.4%,召回率达到91.4%,对比原模型准确率、召回率分别提高0.8%和2.1%。 展开更多

关键词 大豆花朵 生长状态 YOLOv5 田间复杂环境 注意力机制 目标检测

在线阅读 下载PDF 职称材料

面向无人边防的复杂环境遮挡小目标检测算法 被引量：1

9

作者 王慧云 赵俊生 +2 位作者 王禹 李鑫延 王淋 《电子测量技术》 北大核心 2024年第21期168-177,共10页

面对边境复杂环境导致的人工巡检难题和安全风险,部署无人化监控系统对我国边防至关重要。由于摄像头与入侵目标间距离差异导致所拍图像尺度变化显著问题,以及监控目标采用遮挡策略,现有无人边防系统面临误检、漏检率高和实时性不足的... 面对边境复杂环境导致的人工巡检难题和安全风险,部署无人化监控系统对我国边防至关重要。由于摄像头与入侵目标间距离差异导致所拍图像尺度变化显著问题,以及监控目标采用遮挡策略,现有无人边防系统面临误检、漏检率高和实时性不足的挑战。针对该问题,提出了一种平均精度更高、参数量更少、普适性更强的FDB-YOLOv5遮挡小目标检测算法。首先,采集大量不同遮挡面积的人员样本构建数据集;其次,设计了Faster_C3新结构,以减少遮挡小目标检测网络的延迟和参数量,提高模型检测速率;此外,在颈部网络中引入基于点采样的Dysample上采样器,获得更多的局部细节和语义信息,增强模型对小目标的检测能力,同时降低计算开销;最后,使用基于多尺度特征提取BSPPF的空间金字塔池化方法,有效地解决尺度不变性及遮挡目标特征信息损失问题,从而更好地捕获关键信息,提高模型对遮挡小目标检测的稳定性以及鲁棒性。实验结果表明,与基线YOLOv5相比,FDB-YOLOv5的mAP@0.5%达到了91.5%;参数量和计算量分别减少了19.07%与18.40%;模型的检测速度提高了8.83%;与Faster R-CNN、SSD、YOLOv5s、YOLOv8相比,FDB-YOLOv5表现出更优越的性能,可以为边境无人化目标检测技术提供参考。 展开更多

关键词 小目标检测 复杂环境 大面积遮挡 YOLOv5 无人边防

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的复杂环境下柑橘识别 被引量：21

10

作者 岳凯 张鹏超 +2 位作者 王磊 郭芝淼 张家俊 《农业工程学报》 EI CAS CSCD 北大核心 2024年第8期152-158,共7页

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在... 针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_(0.5)值为96.9%,召回率为91.7%,交并比阈值为_(0.5~0.95)的平均精度均值mAP_(0.5~0.95)值为85.8%,模型大小为5.8 MB,参数量为2.87 M。与原模型YOLOv8n相比,mAP_(0.5)值、召回率、mAP_(0.5~0.95)值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。 展开更多

关键词 图像识别 深度学习 目标检测 YOLov8n Inner-IoU损失函数 复杂环境 柑橘

在线阅读 下载PDF 职称材料

基于SE-YOLOv5模型皮带异物检测算法研究 被引量：4

11

作者 边铁山 《中国矿业》 北大核心 2024年第7期127-134,共8页

以某煤矿1305智能工作面皮带异物识别为工程背景,为了解决井下皮带运输机因废弃锚杆、大块煤等异物而导致的皮带撕裂甚至损伤停机等问题,亟需开展皮带异物智能检测研究。本文提出了SE-YOLOv5皮带异物智能检测方法,该方法以YOLOv5目标检... 以某煤矿1305智能工作面皮带异物识别为工程背景,为了解决井下皮带运输机因废弃锚杆、大块煤等异物而导致的皮带撕裂甚至损伤停机等问题,亟需开展皮带异物智能检测研究。本文提出了SE-YOLOv5皮带异物智能检测方法,该方法以YOLOv5目标检测技术为基础模型,加入SE通道注意力机制进行优化,并对学习率、图像输入批大小、权重衰减等模型参数调整,对构建的数据集进行训练检测,将检测结果与Faster-RCNN、YOLOv3、CenterNet、YOLOv5等模型进行对比。研究结果表明:SE-YOLOv5模型预测结果得到较大提升,对锚杆的预测精度达0.98,对大块煤的预测精度达0.88,召回率(Recall)为0.91,各个检测目标平均精度的平均值(mAP)为0.912,单张识别速度为0.037s;此外,对处于低照度、高粉尘浓度等环境下的数据集仍有较高的识别率,说明SE-YOLOv5模型检测精度高、速度快、鲁棒性强,可以满足复杂环境下皮带异物识别的要求。煤矿皮带异物检测是煤矿安全和生产效率的关键组成部分,采用现代化的检测技术有助于提高系统生产效率,保障设备安全,降低维护成本。 展开更多

关键词 异物检测 SE-YOLOv5 参数调整 复杂环境 识别率

在线阅读 下载PDF 职称材料

基于深度学习的无人机可见光目标检测研究综述

12

作者 刘克顺 左晓桐 +2 位作者 张玉华 王长龙 杨森 《航空兵器》 CSCD 北大核心 2024年第6期23-35,共13页

随着人工智能的飞速发展,可见光目标检测作为计算机视觉技术的重要组成部分,已经被广泛应用于无人机侦察领域。利用深度学习技术深入挖掘复杂战场环境和低质量图像中的目标特征,可以有效解决无人机侦察场景中可见光目标检测遇到的困难挑... 随着人工智能的飞速发展,可见光目标检测作为计算机视觉技术的重要组成部分,已经被广泛应用于无人机侦察领域。利用深度学习技术深入挖掘复杂战场环境和低质量图像中的目标特征,可以有效解决无人机侦察场景中可见光目标检测遇到的困难挑战,进一步提高可见光目标检测的准确性。因此,对基于深度学习的无人机可见光目标检测方法进行了全面综述。首先,介绍了无人机可见光目标检测面临的目标小尺度、任意方向、高度伪装以及运动模糊等诸多挑战。其次,描述了用于可见光目标检测和图像恢复的主要公开数据集。然后,结合无人机可见光目标检测面临的诸多挑战总结了深度学习方法在无人机可见光目标检测中的应用以及优缺点。最后,展望了无人机可见光目标检测未来可能的研究方向。 展开更多

关键词 无人机 复杂战场环境 低质量图像 深度学习 可见光目标检测

在线阅读 下载PDF 职称材料

橘子采摘机器人目标识别定位方法与实验研究 被引量：19

13

作者 杨帆 李鹏飞 +1 位作者 刘庚 王伟斌 《西安理工大学学报》 CAS 北大核心 2018年第4期460-467,共8页

自然环境下橘子目标被枝叶遮挡或者果实之间重叠现象非常普遍,环境的复杂性给采摘机器人视觉系统的目标识别与定位带来极大困难,提出了一种将K-means聚类算法与Canny边缘检测算法相结合的方法,识别出枝叶遮挡多果重叠工况下橘子的完整轮... 自然环境下橘子目标被枝叶遮挡或者果实之间重叠现象非常普遍,环境的复杂性给采摘机器人视觉系统的目标识别与定位带来极大困难,提出了一种将K-means聚类算法与Canny边缘检测算法相结合的方法,识别出枝叶遮挡多果重叠工况下橘子的完整轮廓,对橘子轮廓的几何参数和实际坐标进行计算,完成了目标物的定位。首先采用K-means聚类算法从原始图像中分割橘子目标区域,应用Canny边缘检测算法识别橘子目标区域的轮廓,再通过Hough梯度圆变换检测算法确定橘子轮廓的圆心和半径,利用单目立体视觉平移测量模型计算出橘子的空间坐标,完成了橘子和大枣的抓取实验。实验结果表明,本文方法能够实现复杂背景下橘子多目标的识别与定位,并可推广到类圆目标的抓取过程。 展开更多

关键词 采摘机器人 复杂背景 图像分割 轮廓检测 类圆目标

在线阅读 下载PDF 职称材料

一种雨雾背景的DeRF-YOLOv3-X目标检测方法 被引量：3

14

作者 杨坤志 闫潇宁 +2 位作者 孙健 许能华 陈晓艳 《传感技术学报》 CAS CSCD 北大核心 2022年第9期1222-1229,共8页

提出了一种新型的目标检测方法DeRF-YOLOv3-X(Derain and Defog-YOLOv3-Xception),将Xception引入YOLOv3网络以提高雨雾天气条件下行人和车辆的目标检测准确性。对于雨雾背景,分别采用残差网络和负映射结合的深度细节网络DDN和基于注意... 提出了一种新型的目标检测方法DeRF-YOLOv3-X(Derain and Defog-YOLOv3-Xception),将Xception引入YOLOv3网络以提高雨雾天气条件下行人和车辆的目标检测准确性。对于雨雾背景,分别采用残差网络和负映射结合的深度细节网络DDN和基于注意力机制的多尺度网络GridDehazeNet进行去雨去雾处理;采用Xception替换YOLOv3中Darknet-53网络,同时将回归损失函数由IoU改进为DIoU,提高特征提取能力以及框定位准确率。在公开数据集ImageNet上进行主干网络的测试;在实际场景数据集上进行YOLOv3-X网络和DeRF-YOLOv3-X网络的测试。实验结果表明,提出的DeRF-YOLOv3-X目标检测网络在雨天背景下mAP值提高了5.92%,达到54.99%;在雾天背景下,mAP值也提高了4.22%,达到49.07%。 展开更多

关键词 深度学习 复杂环境 目标检测 图像恢复

在线阅读 下载PDF 职称材料

基于改进YOLOv3的果园复杂环境下苹果果实识别 被引量：39

15

作者 赵辉 乔艳军 +1 位作者 王红君 岳有军 《农业工程学报》 EI CAS CSCD 北大核心 2021年第16期127-135,共9页

为使采摘机器人能够全天候在不同光照、重叠遮挡、大视场等果园复杂环境下对不同成熟度的果实进行快速、准确识别,该研究提出了一种基于改进YOLOv3的果实识别方法。首先,将DarkNet53网络中的残差模块与CSPNet(Cross Stage Paritial Netw... 为使采摘机器人能够全天候在不同光照、重叠遮挡、大视场等果园复杂环境下对不同成熟度的果实进行快速、准确识别,该研究提出了一种基于改进YOLOv3的果实识别方法。首先,将DarkNet53网络中的残差模块与CSPNet(Cross Stage Paritial Network)结合,在保持检测精度的同时降低网络的计算量;其次,在原始YOLOv3模型的检测网络中加入SPP(Spatial Pyramid Pooling)模块,将果实的全局和局部特征进行融合,提高对极小果实目标的召回率;同时,采用Soft NMS(Soft Non-Maximum Suppression)算法代替传统NMS(Non-Maximum Suppression)算法,增强对重叠遮挡果实的识别能力;最后,采用基于Focal Loss和CIoU Loss的联合损失函数对模型进行优化,提高识别精度。以苹果为例进行的试验结果表明:经过数据集训练之后的改进模型,在测试集下的MAP(Mean Average Precision)值达到96.3%,较原模型提高了3.8个百分点;F1值达到91.8%,较原模型提高了3.8个百分点;在GPU下的平均检测速度达到27.8帧/s,较原模型提高了5.6帧/s。与Faster RCNN、RetinaNet等几种目前先进的检测方法进行比较并在不同数目、不同光照情况下的对比试验结果表明,该方法具有优异的检测精度及良好的鲁棒性和实时性,对解决复杂环境下果实的精准识别问题具有重要参考价值。 展开更多

关键词 收获机 目标检测 图像处理 果实识别 YOLOv3 复杂环境

在线阅读 下载PDF 职称材料

改进YOLOv3的复杂环境下红花丝检测方法 被引量：15

16

作者 张振国 邢振宇 +4 位作者 赵敏义 杨双平 郭全峰 史瑞猛 曾超 《农业工程学报》 EI CAS CSCD 北大核心 2023年第3期162-170,共9页

天气变化、光照变化、枝叶遮挡等复杂环境给红花丝的快速、准确检测带来挑战,影响红花采摘机器人的作业效率,该研究基于改进YOLOv3提出了一种目标检测算法(GSC-YOLOv3)。首先GSC-YOLOv3采用轻量级网络幻影结构GhostNet替换主干特征提取... 天气变化、光照变化、枝叶遮挡等复杂环境给红花丝的快速、准确检测带来挑战,影响红花采摘机器人的作业效率,该研究基于改进YOLOv3提出了一种目标检测算法(GSC-YOLOv3)。首先GSC-YOLOv3采用轻量级网络幻影结构GhostNet替换主干特征提取网络,并在保证良好检测精度的前提下,最大限度压缩算法参数,提高算法速度,从而使用少量参数生成红花丝有效特征;其次使用空间金字塔池化结构(spatial pyramid pooling,SPP)实现特征增强,弥补提取红花丝特征过程中的信息损失;最后将卷积块注意力模块(convolutional block attention module,CBAM)融入特征金字塔结构,以解决特征融合过程中的干扰问题,提高算法的检测效率和精度。检测结果表明:GSC-YOLOv3算法在测试集下的平均精度均值达到91.89%,比Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7算法分别高12.76、2.89、6.35、3.96、1.87、0.61个百分点;在GPU下的平均检测速度达到51.1帧/s,均比其他6种算法高。在复杂场景下的对比试验结果表明,所改进算法具有高检测精度及良好的鲁棒性和实时性,对解决红花采摘机器人在复杂环境下红花丝的精准检测具有参考价值。 展开更多

关键词 采摘 目标检测 YOLOv3 GhostNet结构 复杂环境 红花丝

在线阅读 下载PDF 职称材料