期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到657篇文章
< 1 2 … 33 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于轻量化YOLO v5s-MCA的番茄成熟度检测方法 被引量：5
1
作者 奚小波 丁杰源 +5 位作者 翁小祥 王昱 韩连杰 邹赟涵 唐子昊 张瑞宏 《农业机械学报》 北大核心 2025年第3期383-391,436,共10页
针对自然环境下番茄识别易受复杂背景干扰、相邻果实成熟度相似难以检测等问题,本文提出了一种轻量化YOLO v5s-MCA番茄成熟度识别模型,划分成熟期、转熟期、转色期和未熟期4个成熟度等级。该模型在YOLO v5s基础上使用MobileNetV3网络,... 针对自然环境下番茄识别易受复杂背景干扰、相邻果实成熟度相似难以检测等问题,本文提出了一种轻量化YOLO v5s-MCA番茄成熟度识别模型,划分成熟期、转熟期、转色期和未熟期4个成熟度等级。该模型在YOLO v5s基础上使用MobileNetV3网络,减少了模型参数量;在主干网络和颈部网络引入坐标注意力机制(Coordinate attention,CA),提高了模型对番茄特征表达能力;将颈部网络替换为加权双向特征金字塔网络BiFPN,强化了模型特征融合性能并提高了模型识别准确率;将颈部网络中的标准卷积模块改进为GSConv卷积,减轻了模型复杂度并提高了对目标信息的获取能力。试验结果表明,YOLO v5s-MCA模型参数量仅为2.33×10^(6),计算量仅为4.1×10^(9),模型内存占用量仅为4.83 MB,其精准度和平均精度均值分别达到92.8%和95.1%,相对YOLO v5s基础模型分别提升3.4、4.4个百分点。对比YOLO v3s、YOLO v5s、YOLO v5n、YOLO v7、YOLO v8n及YOLO v10n等6种模型,YOLO v5s-MCA模型轻量化效果与检测性能最优。 展开更多
关键词 番茄 成熟度检测 图像识别 YOLO v5s 轻量化
在线阅读 下载PDF
基于改进YOLO v5-pose的群养生猪体尺自动测量方法
2
作者 刘刚 曾雪婷 +3 位作者 刘晓文 李涛 丁向东 米阳 《农业机械学报》 北大核心 2025年第5期455-465,共11页
针对群养生猪体尺自动测量中体尺测点难以高效和精确提取的问题,提出一种基于改进YOLO v5-pose的群养生猪体尺自动测量方法。在YOLO v5-pose主干网络中融合卷积块注意力模块(Convolutional block attention module,CBAM),更好地捕捉到... 针对群养生猪体尺自动测量中体尺测点难以高效和精确提取的问题,提出一种基于改进YOLO v5-pose的群养生猪体尺自动测量方法。在YOLO v5-pose主干网络中融合卷积块注意力模块(Convolutional block attention module,CBAM),更好地捕捉到测点相关特征;将Neck层的C3传统模块替换为C3Ghost轻量模块,降低模型参数量和内存占用量;在模型Head层引入DyHead(Dynamic head)目标检测头,提升模型对测点位置的表征能力。结果表明,改进模型的测点检测平均精度均值为92.6%,参数量为6.890×10^(6),内存占用量为14.1 MB,与原始YOLO v5-pose模型相比,平均精度均值增加2.1个百分点,参数量和内存占用量分别减少2.380×10^(5)、0.4 MB。与当前经典模型YOLO v7-pose、YOLO v8-pose、RTMPose(Real-time multi-person pose estimation based on mmpose)和CenterNet相比,该模型的召回率和平均精度均值更优且更轻量化。在2400幅群养生猪图像数据集上进行试验,结果表明,该方法测得体长、体宽、臀宽、体高和臀高的平均绝对误差分别为4.61、5.87、6.03、0.49、0.46 cm,平均相对误差分别为2.69%、11.53%、12.29%、0.90%和0.76%。综上所述,本文方法提高了体尺测点检测精度,降低了模型复杂度,取得了更精确的体尺测量结果,为群养环境下生猪体尺自动测量提供了一种有效的技术手段。 展开更多
关键词 群养生猪 体尺测量 改进YOLO v5-pose 关键点检测 坐标变换
在线阅读 下载PDF
基于改进YOLO v5s算法的红枣缺陷检测与分拣方法
3
作者 史鹏涛 田政伟 +1 位作者 李晓泽 危康乐 《江苏农业科学》 北大核心 2025年第5期83-88,共6页
针对当前生产活动中缺陷红枣的人工识别与分拣劳动强度大、效率低、分拣效果不理想的问题,设计一款基于机器视觉的红枣缺陷检测与分拣设备。首先建立多品种、多照明环境下的红枣缺陷检测样本图库,通过高斯滤波等数据增强技术增强了图像... 针对当前生产活动中缺陷红枣的人工识别与分拣劳动强度大、效率低、分拣效果不理想的问题,设计一款基于机器视觉的红枣缺陷检测与分拣设备。首先建立多品种、多照明环境下的红枣缺陷检测样本图库,通过高斯滤波等数据增强技术增强了图像表面特征,并利用图库分析了红枣缺陷形貌和图像特征。然后针对训练后的YOLO v5s模型检测效果不理想的问题,分别通过引入锚框尺寸优化和添加预测头、引入注意力分配机制和学习率自适应等方法对网络进行了改进与优化,优化后模型训练效果准确率提高7百分点,对红枣缺陷检测的效果有明显增强,与当前热门的检测网络YOLO v3、YOLO v4和YOLO v4-tiny模型对比,YOLO v5s模型平均精度均值分别高7.4、2.3、5.7百分点。试验结果表明,改进后的红枣缺陷检测网络能够有效实现红枣缺陷识别,平均检测准确率达到85.3%,其中黄河滩枣检测准确率可达到87.5%,与分拣设备配合使用能够较好地完成红枣缺陷识别与分拣任务。本研究设计的缺陷检测与分拣平台能够为相关农产品的智能化检测与自动分拣装备的设计与研发提供借鉴和参考。 展开更多
关键词 缺陷检测 机器视觉 自动分拣 YOLO v5s 红枣
在线阅读 下载PDF
基于改进YOLO v5s的叶菜病虫害检测算法研究
4
作者 贺洪江 刘毅祥 王双友 《江苏农业科学》 北大核心 2025年第5期244-250,共7页
叶菜病虫害的早期识别是提高叶菜产量和质量的重要保障,为提高常见叶菜病虫的检测精度,针对实际生产中的复杂环境,以YOLO v5s为基准模型,提出一种改进的FV-YOLO v5s模型。首先,在主干网络中融合CA注意力机制模块与C3特征提取模块,形成了... 叶菜病虫害的早期识别是提高叶菜产量和质量的重要保障,为提高常见叶菜病虫的检测精度,针对实际生产中的复杂环境,以YOLO v5s为基准模型,提出一种改进的FV-YOLO v5s模型。首先,在主干网络中融合CA注意力机制模块与C3特征提取模块,形成了C3CA模块以增强叶菜病虫害的特征提取能力。接着在颈部网络中使用Slim-neck范式设计,高效提取图像中小尺寸目标的特征,增强特征融合的效率。最后用WIoU损失对原损失函数CIoU进行替换,更快地达到收敛状态并提升模型检测性能。结果表明,新模型的精度、召回率和平均精度均值分别达到了92.2%、91.5%、94.8%。改进后的模型FV-YOLO v5s对比原YOLO v5s模型算法,精度、召回率、平均精度均值分别提高2.7、1.4、1.8百分点,优于现有的识别网络,包括YOLO v7、YOLO v8、Faster R-CNN等模型。FV-YOLO v5s模型适用于现代农业生产环境,有助于快速识别和检测叶菜病虫害,且该研究为智慧农业中的叶菜高品质和高产量提供了依据,从而最大限度地减少经济损失。 展开更多
关键词 叶菜病虫害 YOLO v5s CA注意力机制 Slim-neck WIoU损失函数
在线阅读 下载PDF
基于改进YOLO v5算法的混凝土结构表观损伤检测方法 被引量：2
5
作者 罗大明 谢俊科 +1 位作者 李凡 牛荻涛 《西安建筑科技大学学报(自然科学版)》 北大核心 2025年第2期159-166,218,共9页
针对混凝土结构损伤人工检测方法主观性强、效率低的问题,提出了一种基于改进YOLO v5算法的混凝土结构损伤检测方法.首先,将YOLO v5的耦合头更换为解耦头,可有效避免目标损伤信息和背景信息相互干扰的问题,提高模型的特征表达能力;其次,... 针对混凝土结构损伤人工检测方法主观性强、效率低的问题,提出了一种基于改进YOLO v5算法的混凝土结构损伤检测方法.首先,将YOLO v5的耦合头更换为解耦头,可有效避免目标损伤信息和背景信息相互干扰的问题,提高模型的特征表达能力;其次,在YOLO v5中加入了包含通道注意力模块和空间注意力模块的CA注意力机制,使模型忽略掉一些无关信息,可以更好关注到目标损伤的特征信息.通过建立的4101张包含实际工程中混凝土结构裂缝、剥落和露筋三种类型损伤的数据集对模型性能进行对比验证.试验结果表明:相较于YOLO v5模型,改进后的模型在混凝土裂缝、剥落和露筋的检测平均精度值分别提升了2.6%、1.3%和0.5%,mAP值提高了1.4%,且mAP值和FPS值均优于Faster R-CNN和YOLO v3目标检测算法,可较好满足实际工程中混凝土结构损伤检测任务的需求. 展开更多
关键词 混凝土结构 损伤检测 YOLO v5算法 注意力机制 目标检测
在线阅读 下载PDF
基于改进YOLO v5的桑叶采摘与桑枝伐条识别定位方法 被引量：1
6
作者 申颜青 李丽 +2 位作者 李渊明 童晓玲 周永忠 《农业机械学报》 北大核心 2025年第8期487-495,共9页
为应对桑树生长的多季节变化及形态多样性,同时满足其与养蚕周期相匹配的需求,解决当前桑叶自下而上采摘与桑枝伐条作业中对人工定位的依赖问题,本研究建立桑园2021年7月、2024年9月和11月各种气候与桑枝形态的数据集,提出基于改进YOLO... 为应对桑树生长的多季节变化及形态多样性,同时满足其与养蚕周期相匹配的需求,解决当前桑叶自下而上采摘与桑枝伐条作业中对人工定位的依赖问题,本研究建立桑园2021年7月、2024年9月和11月各种气候与桑枝形态的数据集,提出基于改进YOLO v5的桑树枝干检测模型YOLO v5-cytp,构建基于深度相机的三维定位系统实现精准识别。首先,加入CA注意力机制,增强模型对桑枝底部的特征聚焦能力;然后将YOLO v5基础的CIoU损失函数替换为SIoU损失函数以提升训练速度与推理精度;最后采用轻量化GhostNet重构YOLO v5的骨干网络,在满足使用要求的前提下将模型轻量化。完成深度相机标定,实现RGB图像与深度图像对齐,经过坐标转换最终获取目标三维坐标。试验表明,YOLO v5-cytp模型平均精度均值达93.4%,相较YOLO v5原始模型提高1.2个百分点;同时内存占用量由3.79 MB降低为3.02 MB,降低20.31%;模型桑枝识别率达到91.11%;桑枝底部三维坐标(X,Y,Z)定位最大误差为(11.3,14.1,27.0)mm,符合误差允许值。模型可同时实现桑叶自下而上采摘与桑枝伐条作业的识别定位,可为桑园智能化采摘与伐条机器人提供参考。 展开更多
关键词 桑叶采摘 桑枝伐条 YOLO v5 目标检测
在线阅读 下载PDF
基于机器视觉与YOLO v5的裂纹蛋分拣机器人设计与试验 被引量：2
7
作者 蔡家一 刘世伟 +3 位作者 单龙祥 刘勇 沈红怡 王巧华 《智能化农业装备学报(中英文)》 2025年第1期41-50,共10页
随着我国国民生活水平的提高,消费者对于蛋品的品质要求愈发提高。裂纹蛋的检测是蛋品在装箱出厂之前的重要环节。为解决人工分拣裂纹蛋品劳动强度高、工作量大等问题,设计了一种基于机器视觉与YOLO v5的裂纹蛋品分拣机器人。首先,通过... 随着我国国民生活水平的提高,消费者对于蛋品的品质要求愈发提高。裂纹蛋的检测是蛋品在装箱出厂之前的重要环节。为解决人工分拣裂纹蛋品劳动强度高、工作量大等问题,设计了一种基于机器视觉与YOLO v5的裂纹蛋品分拣机器人。首先,通过逆运动学解算得到机械臂各舵机的转角并转换成PWM占空比,实现对三轴串联机械臂的控制;其次,利用高清120°广角摄像头作为图像采集核心,快速获取蛋品表面图像信息并对所采集的1000张图像进行数据标注;随后,分别训练不同梯度下降批次大小下的YOLO v5模型,其中梯度下降批次大小为8的模型拥有最高的mAP,其值为98.92%;最后,在机械臂上位机主板调用该模型,对正常蛋品与裂纹蛋品进行识别判断后,开启机械臂分拣行程;此外,蛋品分拣机器人的末端拣拾机构为气动吸盘,该吸盘挂载于机械臂上,以实现对蛋品的无损吸取。经测试,该机器人对裂纹蛋品和正常蛋品的识别准确率分别达到93.33%和99.17%,平均分拣成功率达94.34%,平均分拣速率为7.55 s/个,基本满足要求。研究成果可为裂纹蛋品的筛选工作提供技术支持,为蛋品的裂纹检测与分拣提供解决方案,具有较高的现实意义。 展开更多
关键词 裂纹蛋品 YOLO v5 机器视觉 三轴机械臂 智能分拣
在线阅读 下载PDF
一种基于改进YOLO v5n的黄桃虫害检测方法 被引量：1
8
作者 曾孟佳 徐欢 黄旭 《安徽农业科学》 2025年第3期236-242,共7页
为了减少虫害,增加桃树产量,提出了一种基于改进YOLO v5n的桃虫害检测方法。首先,针对虫害世代重叠和虫害数据长尾分布,构建了一个多类别的桃虫害数据集;其次在主干网络中引入RFB多分支空洞卷积层,增大模型的感受野,提升模型的特征提取... 为了减少虫害,增加桃树产量,提出了一种基于改进YOLO v5n的桃虫害检测方法。首先,针对虫害世代重叠和虫害数据长尾分布,构建了一个多类别的桃虫害数据集;其次在主干网络中引入RFB多分支空洞卷积层,增大模型的感受野,提升模型的特征提取能力,同时将颈部网络结构替换为BiFPN结构,对不同层次的特征图进行特征重结合,改进特征融合的方式;最后,将激活函数更改为ReLU,避免了原激活函数在某些硬件环境中不兼容的问题。结果表明,与原YOLO v5n算法相比,改进算法的准确率、召回率分别提升了1.6%和6.6%,平均精度均值提高了3.6%,达到了88.8%,优于其他YOLO轻量级模型。 展开更多
关键词 桃 虫害检测 RFB BiFPN YOLO v5n
在线阅读 下载PDF
基于改进YOLO v5的水稻害虫识别方法
9
作者 何泽珅 黄操军 +3 位作者 许善祥 袁鑫宇 高学文 赵清 《江苏农业科学》 北大核心 2025年第5期223-230,共8页
在水稻生长过程中,及时识别害虫种类在虫情监测环节至关重要。由于害虫种类繁多,人工识别效率低且主观性强,传统的水稻害虫识别模型易受环境因素影响,因此提高水稻害虫识别的准确性是亟待解决的问题。以水稻试验田中获取的害虫图像为对... 在水稻生长过程中,及时识别害虫种类在虫情监测环节至关重要。由于害虫种类繁多,人工识别效率低且主观性强,传统的水稻害虫识别模型易受环境因素影响,因此提高水稻害虫识别的准确性是亟待解决的问题。以水稻试验田中获取的害虫图像为对象,提出了一种基于MSRCP算法的图像增强和改进YOLO v5网络的水稻害虫识别模型。在图像预处理部分,采用MSRCP算法和双边滤波算法来增强因光照不均而受到影响的害虫图像。在改进YOLO v5网络部分,在骨干网络中引入了SE注意力机制,增强模型对害虫特征的理解能力,从而提升模型对各个通道害虫特征的辨别能力;引入α-IoU损失函数优化检测边界框,提高模型精度;并采用迁移学习策略训练模型,提升模型的学习效率和鲁棒性。通过消融试验可知,改进后的模型在水稻害虫图像识别上的精确率为95.17%,召回率为86.34%,平均精度均值为91.30%,较原YOLO v5模型分别提高了6.09、5.04、7.10百分点。与其他模型相比,改进后的模型平均精度均值较Faster R-CNN、原YOLO v5模型、YOLO v7分别提高了21.45、7.10、3.06百分点。改进算法明显优于其他算法,能更好地适应水稻害虫的特殊形态和农田复杂环境,对水稻害虫的防控具有重要意义。 展开更多
关键词 农田复杂环境 YOLO v5模型 害虫种类识别 害虫防治 深度学习
在线阅读 下载PDF
基于DSM-YOLO v5的无人机航拍图像目标检测 被引量：29
10
作者 陈卫彪 贾小军 +2 位作者 朱响斌 冉二飞 谢昊 《计算机工程与应用》 CSCD 北大核心 2023年第18期226-233,共8页
针对传统无人机航拍图像目标检测算法存在漏检率高、检测成功率低、模型体积大等问题,提出一种新的基于深度可分离多头网络结构的目标检测方法DSM-YOLO v5(depthwise separable multiplex YOLO v5)。通过在YOLO v5网络结构上增加一个尺... 针对传统无人机航拍图像目标检测算法存在漏检率高、检测成功率低、模型体积大等问题,提出一种新的基于深度可分离多头网络结构的目标检测方法DSM-YOLO v5(depthwise separable multiplex YOLO v5)。通过在YOLO v5网络结构上增加一个尺寸为160×160的小目标检测头,并将其与高层网络进行残差连接,以提升小目标检测能力,同时在Conv模块中引入深度可分离卷积算法,将其中的普通卷积替换为深度可分离卷积,能有效减少网络的参数量,降低模型体积。实验结果表明,基于DSM-YOLO v5网络结构的目标检测的mAP@0.5为36.8%,较YOLO v5s提高3.6个百分点,参数量和模型体积较YOLO v5s整体下降21.1%和19.7%,能够有效地应用于无人机航拍图像目标检测任务。 展开更多
关键词 DSM-YOLO v5 目标检测 深度可分离 YOLO v5 无人机图像
在线阅读 下载PDF
基于改进YOLO v5s的奶山羊面部识别方法 被引量：19
11
作者 宁纪锋 林靖雅 +2 位作者 杨蜀秦 王勇胜 蓝贤勇 《农业机械学报》 EI CAS CSCD 北大核心 2023年第4期331-337,共7页
为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使... 为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。 展开更多
关键词 奶山羊 个体识别 YOLO v5s 迁移学习 注意力机制
在线阅读 下载PDF
基于改进YOLO v5的夜间温室番茄果实快速识别 被引量：52
12
作者 何斌 张亦博 +3 位作者 龚健林 付国 赵昱权 吴若丁 《农业机械学报》 EI CAS CSCD 北大核心 2022年第5期201-208,共8页
为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,... 为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,根据计算函数anchor生成自适应锚定框,确定最佳锚定框尺寸,构建改进型YOLO v5网络模型。试验结果表明,改进YOLO v5网络模型对夜间环境下番茄绿色果实识别精度、红色果实识别精度、综合平均识别精度分别为96.2%、97.6%和96.8%,对比CNN卷积网络模型及YOLO v5模型,提高了被遮挡特征物与暗光下特征物的识别精度,改善了模型鲁棒性。将改进YOLO v5网络模型通过编译将训练结果写入安卓系统制作快速检测应用软件,验证了模型对夜间环境下番茄果实识别的可靠性与准确性,可为番茄实时检测系统的相关研究提供参考。 展开更多
关键词 番茄果实 温室 识别 改进YOLO v5 夜间
在线阅读 下载PDF
基于改进YOLO v5s的马铃薯种薯芽眼检测方法 被引量：14
13
作者 张万枝 曾祥 +3 位作者 刘树峰 穆桂脂 张弘毅 郭壮壮 《农业机械学报》 EI CAS CSCD 北大核心 2023年第9期260-269,共10页
芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的... 芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息,为不同尺度特征图赋予不同权重,使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类,加快模型收敛速度,进一步提升马铃薯种薯芽眼检测性能。试验结果表明,改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%;相比原始YOLO v5s模型,平均精度均值提高3.2个百分点,准确率、召回率分别提高0.9、1.7个百分点;不同模型对比分析表明,改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势,平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中,改进YOLO v5s模型平均召回率为91.5%,相比原始YOLO v5s模型提高17.5个百分点。本文方法可为研制马铃薯种薯智能切块芽眼识别装置提供技术支持。 展开更多
关键词 马铃薯芽眼 目标检测 YOLO v5 深度学习 改进解耦头
在线阅读 下载PDF
基于改进YOLO v5的复杂环境下桑树枝干识别定位方法 被引量：7
14
作者 李丽 卢世博 +2 位作者 任浩 徐刚 周永忠 《农业机械学报》 EI CAS CSCD 北大核心 2024年第2期249-257,共9页
为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并... 为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明:YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.4985 mm,11.285 mm,19.11 mm),满足使用要求。该研究可实现桑树嫩叶处枝干的识别与定位,有助于推动桑叶智能化采摘机器人研究。 展开更多
关键词 桑叶采摘 枝干识别定位 YOLO v5 目标检测 注意力机制 坐标转换
在线阅读 下载PDF
基于改进YOLO v5的宁夏草原蝗虫识别模型研究 被引量：10
15
作者 马宏兴 张淼 +3 位作者 董凯兵 魏淑花 张蓉 王顺霞 《农业机械学报》 EI CAS CSCD 北大核心 2022年第11期270-279,共10页
针对草原蝗虫图像具有样本收集困难、目标较小和目标多尺度等技术难点,基于YOLO v5网络,提出了一种复杂背景下多尺度蝗虫目标检测识别模型YOLO v5-CB,用于宁夏草原常见蝗虫检测。改进模型YOLO v5-CB针对蝗虫原始样本量较少的问题,使用Cy... 针对草原蝗虫图像具有样本收集困难、目标较小和目标多尺度等技术难点,基于YOLO v5网络,提出了一种复杂背景下多尺度蝗虫目标检测识别模型YOLO v5-CB,用于宁夏草原常见蝗虫检测。改进模型YOLO v5-CB针对蝗虫原始样本量较少的问题,使用CycleGAN网络扩充蝗虫数据集;针对蝗虫图像中的小目标特征,使用ConvNeXt来保留小目标蝗虫的特征;为有效解决蝗虫图像尺度特征变换较大问题,在颈部特征融合使用Bi-FPN结构,来增强网络对多尺度目标的特征融合能力。实验结果表明,在对宁夏草原常见亚洲小车蝗、短星翅蝗、中华剑角蝗进行检测识别时,YOLO v5-CB的识别精度可达98.6%,平均精度均值达到96.8%,F1值为98%,与Faster R-CNN、YOLO v3、YOLO v4、YOLO v5模型相比,识别精度均有提高。将改进的蝗虫检测识别模型YOLO v5-CB与研发的分布式可扩展生态环境数据采集系统结合,构建了基于4G网络的Web端蝗虫识别平台,可对观测点的蝗虫图像进行长期实时检测。目前,该平台已在宁夏回族自治区盐池县大水坑、黄记场、麻黄山等地的草原生态环境数据获取中得到了应用,可对包括宁夏草原蝗虫信息在内的多种生态环境信息进行长期检测和跟踪,为虫情防治等提供决策依据。 展开更多
关键词 蝗虫识别 YOLO v5 CycleGAN ConvNeXt Bi-FPN 分布式可扩展系统
在线阅读 下载PDF
基于YOLO-v5的双块式轨枕裂缝智能识别 被引量：31
16
作者 崔晓宁 王起才 +3 位作者 李盛 代金鹏 梁柯鑫 李隆甫 《铁道学报》 EI CAS CSCD 北大核心 2022年第4期104-111,共8页
轨枕正常工作是高速铁路安全运营的重要保障,开展轨枕裂缝的损伤检测研究意义重大。建立YOLO-v5裂缝目标检测模型,将计算机视觉技术应用于双块式轨枕裂缝的智能识别研究。通过图像标注、参数选取、模型构建、模型训练及模型预测等步骤... 轨枕正常工作是高速铁路安全运营的重要保障,开展轨枕裂缝的损伤检测研究意义重大。建立YOLO-v5裂缝目标检测模型,将计算机视觉技术应用于双块式轨枕裂缝的智能识别研究。通过图像标注、参数选取、模型构建、模型训练及模型预测等步骤完成轨枕裂缝目标检测试验,研究结果表明:YOLO-v5目标检测模型参数选取合理,模型训练结果准确,无过拟合或欠拟合现象发生;轨枕裂缝目标检测模型的识别正确率为98.35%,mAP值为48.72%,Recall值为90.32%,单张图片识别速度为0.01 s,说明模型预测结果可满足实际工程对精度和实时性的要求;通过对正常光照、暗光线及微裂纹等不同条件下裂缝的识别,YOLO-v5目标检测模型表现出高精度智能识别,体现了模型良好的泛化能力和鲁棒性,说明模型可以满足实际工程复杂工况的需求。 展开更多
关键词 轨枕裂缝 计算机视觉技术 目标检测 YOLO-v5 智能识别
在线阅读 下载PDF
端粒酶活性及粘附分子CD44 v5/v6与卵巢癌恶性行为的相关性研究 被引量：4
17
作者 朱彦玲 彭素蓉 +2 位作者 王绪 于军 沈宗丽 《中国肿瘤临床》 CAS CSCD 北大核心 2006年第9期481-484,共4页
目的:研究卵巢癌组织中端粒酶活性、粘附分子CD44v5/v6的表达及其与卵巢癌恶性行为的关系。方法:TRAP-ELISA法半定量测定卵巢癌组织的端粒酶活性;FCM(Flowcytometry)技术分析DNA含量及粘附分子CD44v5/v6的阳性表达率。结果:①端粒酶活... 目的:研究卵巢癌组织中端粒酶活性、粘附分子CD44v5/v6的表达及其与卵巢癌恶性行为的关系。方法:TRAP-ELISA法半定量测定卵巢癌组织的端粒酶活性;FCM(Flowcytometry)技术分析DNA含量及粘附分子CD44v5/v6的阳性表达率。结果:①端粒酶活性随着卵巢癌临床分期、病理分级的升高而显著增高(P<0.05或0.01),淋巴结转移及DNA异倍体组端粒酶活性显著高于无转移及DNA二倍体组(P<0.05或0.01);②随着临床分期、病理分级的升高,粘附分子CD44v5/v6阳性表达率显著增加(P<0.01或0.05);淋巴结转移及DNA异倍体组CD44v5/v6阳性表达率明显高于无转移组及DNA二倍体组(P<0.01);③随着端粒酶活性增加,CD44v5/v6阳性表达率明显增高(P<0.01)。结论:肿瘤细胞增殖活性相关的端粒酶活性和肿瘤转移相关的CD44v5、v6都与卵巢癌的恶性程度及转移潜能密切相关,且二者之间存在相关性。联合检测可从不同的角度评价卵巢癌的恶性行为。 展开更多
关键词 卵巢肿瘤 CD44 v5 CD44 V6 FCM 端粒酶
在线阅读 下载PDF
基于YOLO v5的农田杂草识别轻量化方法研究 被引量：29
18
作者 冀汶莉 刘洲 邢海花 《农业机械学报》 EI CAS CSCD 北大核心 2024年第1期212-222,293,共12页
针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MS... 针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。 展开更多
关键词 杂草识别 目标检测 YOLO v5s 轻量化特征提取网络 Ghost卷积模块 注意力机制
在线阅读 下载PDF
基于YOLO v5-TL的褐菇采摘视觉识别-测量-定位技术 被引量：15
19
作者 卢伟 邹明萱 +2 位作者 施浩楠 王玲 DENG Yiming 《农业机械学报》 EI CAS CSCD 北大核心 2022年第11期341-348,共8页
为实现褐菇高效、精准、快速的自动化采摘,针对工厂化褐菇的种植特点,提出一种基于YOLO v5迁移学习(YOLO v5-TL)结合褐菇三维边缘信息直径动态估测法的褐菇原位识别-测量-定位一体化方法。首先,基于YOLO v5-TL算法实现复杂菌丝背景下的... 为实现褐菇高效、精准、快速的自动化采摘,针对工厂化褐菇的种植特点,提出一种基于YOLO v5迁移学习(YOLO v5-TL)结合褐菇三维边缘信息直径动态估测法的褐菇原位识别-测量-定位一体化方法。首先,基于YOLO v5-TL算法实现复杂菌丝背景下的褐菇快速识别;再针对锚框区域褐菇图像进行图像增强、去噪、自适应二值化、形态学处理、轮廓拟合进行褐菇边缘定位,并提取边缘点和褐菇中心点的像素坐标;最后基于褐菇三维边缘信息的直径动态估测法实现褐菇尺寸的精确测量和中心点定位。试验结果表明单帧图像平均处理时间为50 ms,光照强度低、中、高情况下采摘对象识别平均成功率为91.67%,其中高光强时识别率达100%,菇盖的尺寸测量平均精度为97.28%。研究表明,本文提出的YOLO v5-TL结合褐菇三维边缘信息直径动态估测法可实现工厂化种植环境下褐菇识别、测量、定位一体化,满足机器人褐菇自动化采摘需求。 展开更多
关键词 褐菇 目标识别 定位 图像处理 尺寸测量 YOLO v5-TL
在线阅读 下载PDF
基于改进YOLO v5s的轻量化植物识别模型研究 被引量：17
20
作者 马宏兴 董凯兵 +3 位作者 王英菲 魏淑花 黄文广 苟建平 《农业机械学报》 EI CAS CSCD 北大核心 2023年第8期267-276,共10页
为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络... 为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在VOC数据集平均精度均值可达80.09%。相比YOLO v3-tiny、YOLO v4-tiny和YOLO v5s,改进模型内存占用量减小,平均精度均值提升。模型YOLO v5s-CBD在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息。 展开更多
关键词 植物识别 YOLO v5s BOTNET 坐标注意力 深度可分离卷积 轻量化
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 33 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部