在气候学、生态学、考古学等诸多领域,树木年轮蕴含的环境变迁与历史演替信息具有不可替代的研究价值。为解决传统年轮检测方法存在效率低、易受人为因素干扰等问题,研究提出DCW-YOLOv8年轮实例分割模型,运用可扩张残差(Dilation-wise R...在气候学、生态学、考古学等诸多领域,树木年轮蕴含的环境变迁与历史演替信息具有不可替代的研究价值。为解决传统年轮检测方法存在效率低、易受人为因素干扰等问题,研究提出DCW-YOLOv8年轮实例分割模型,运用可扩张残差(Dilation-wise Residual,DWR)注意力模块、轻量级通用上采样算子(Content-Aware ReAssembly of Features,CARAFE)、动态非单调聚焦机制边界框损失函数(Weighted Interpolation of Sequential Evidence for Intersection over Union,Wise-IoU)组合改进,并设计一种依据模型掩码获取年轮数量与宽度信息的检测方法。消融试验和前沿模型对比试验结果表明,DCWYOLOv8模型掩码平均精度mAP@0.50、mAP@0.50∶0.95提升,达到86.4%、53.6%,优于同类算法;注意力可视化比较结果表明,DCW-YOLOv8对年轮特征注意力更强;年轮信息检测结果表明,年轮数量检测准确率达到86.2%,年轮宽度检测误差在±0.5 mm范围内的占70%,总体平均误差为0.295 mm。研究提出的DCW-YOLOv8模型为年轮自动化检测提供新的思路和方法。展开更多
密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研...密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研究对象,利用深度相机采集群株生菜俯视点云,将预处理后的点云数据输入实例分割模型Mask3D中训练,实现背景与生菜个体的实例分割,之后使用鲜质量预测网络预测个体生菜鲜质量。试验结果表明,该模型实现了个体生菜点云的分割提取,无多检和漏检的情况。当交并比(intersection over union,IoU)阈值为0.75时,群株生菜点云实例分割的精确度为0.924,高于其他实例分割模型;鲜质量预测网络实现了直接通过深度学习处理点云数据,预测个体生菜鲜质量的目的,预测结果的决定系数R2值为0.90,均方根误差值为12.42 g,优于从点云中提取特征量,再回归预测鲜质量的传统方法。研究结果表明该研究预测生菜鲜质量的精度较高,为利用俯视单面点云提取群株生菜中个体生菜表型参数提供了一种思路。展开更多
文摘在气候学、生态学、考古学等诸多领域,树木年轮蕴含的环境变迁与历史演替信息具有不可替代的研究价值。为解决传统年轮检测方法存在效率低、易受人为因素干扰等问题,研究提出DCW-YOLOv8年轮实例分割模型,运用可扩张残差(Dilation-wise Residual,DWR)注意力模块、轻量级通用上采样算子(Content-Aware ReAssembly of Features,CARAFE)、动态非单调聚焦机制边界框损失函数(Weighted Interpolation of Sequential Evidence for Intersection over Union,Wise-IoU)组合改进,并设计一种依据模型掩码获取年轮数量与宽度信息的检测方法。消融试验和前沿模型对比试验结果表明,DCWYOLOv8模型掩码平均精度mAP@0.50、mAP@0.50∶0.95提升,达到86.4%、53.6%,优于同类算法;注意力可视化比较结果表明,DCW-YOLOv8对年轮特征注意力更强;年轮信息检测结果表明,年轮数量检测准确率达到86.2%,年轮宽度检测误差在±0.5 mm范围内的占70%,总体平均误差为0.295 mm。研究提出的DCW-YOLOv8模型为年轮自动化检测提供新的思路和方法。
文摘密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研究对象,利用深度相机采集群株生菜俯视点云,将预处理后的点云数据输入实例分割模型Mask3D中训练,实现背景与生菜个体的实例分割,之后使用鲜质量预测网络预测个体生菜鲜质量。试验结果表明,该模型实现了个体生菜点云的分割提取,无多检和漏检的情况。当交并比(intersection over union,IoU)阈值为0.75时,群株生菜点云实例分割的精确度为0.924,高于其他实例分割模型;鲜质量预测网络实现了直接通过深度学习处理点云数据,预测个体生菜鲜质量的目的,预测结果的决定系数R2值为0.90,均方根误差值为12.42 g,优于从点云中提取特征量,再回归预测鲜质量的传统方法。研究结果表明该研究预测生菜鲜质量的精度较高,为利用俯视单面点云提取群株生菜中个体生菜表型参数提供了一种思路。
