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226篇文章
< 1 2 … 12 >
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：
基于改进YOLO v8n网络的番茄成熟度实时检测算法 被引量：6
1
作者 任晶秋 万恩晗 +2 位作者 单蜜 张光华 卢为党 《农业机械学报》 北大核心 2025年第3期374-382,450,共10页
为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO... 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。 展开更多
关键词 番茄成熟度 目标检测 YOLO v8n 注意力模块 轻量化 Jetson Nano
在线阅读 下载PDF
基于FPBW-YOLO v8的复杂场景下番茄果实识别方法
2
作者 顾文娟 刘浩状 +3 位作者 魏金 高文奇 阴艳超 刘孝保 《农业机械学报》 北大核心 2025年第8期467-478,共12页
番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型... 番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型的特征提取能力;通过在颈部网络中融合P2小目标检测分支和双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)结构,降低复杂背景的干扰以提高模型的检测精度;使用WIoU(Wise intersection over union)损失函数提高模型在遮挡、重叠情况下的果实定位精度,同时加快模型收敛;基于NCNN框架将模型部署到移动端进行测试。试验结果表明,FPBW-YOLO v8模型精确率、召回率、平均精度均值(mAP@0.5和mAP@0.5:0.95)分别达到97.9%、95.1%、98.3%和74.3%,相较于Faster R-CNN、SSD、YOLO v8n、YOLO v7、YOLO v5n和Rt-Detr均有明显优势,且模型内存占用量仅8.7 MB。在移动端上的测试结果表明,本文模型能够在计算资源有限的硬件设备上获得较高的检测精度,可以有效解决复杂场景下番茄果实的识别问题,为番茄采摘机器人的研发提供技术支持。 展开更多
关键词 番茄果实 目标检测 改进YOLO v8n FasterNet BiFPN WIoU
在线阅读 下载PDF
基于YOLO v8-SD的预切式甘蔗种质量检测方法研究
3
作者 李尚平 覃勇华 +2 位作者 黄伟斌 李凯华 闫清林 《农业机械学报》 北大核心 2025年第7期457-467,共11页
甘蔗种质量检测是甘蔗预切备种过程中的关键环节。针对实际备种场景中环境复杂、边缘设备计算资源受限的问题,提出一种基于改进YOLO v8n的轻量化甘蔗种质量检测方法。通过引入混合局部通道注意力(Mixed local channel attention,MLCA)... 甘蔗种质量检测是甘蔗预切备种过程中的关键环节。针对实际备种场景中环境复杂、边缘设备计算资源受限的问题,提出一种基于改进YOLO v8n的轻量化甘蔗种质量检测方法。通过引入混合局部通道注意力(Mixed local channel attention,MLCA)和部分卷积(PConv)改进网络结构,有效减少模型的冗余计算并增强对关键特征的关注能力;在颈部网络使用DySample动态上采样,以更准确地获取特征点的边界和细节信息;此外,采用重参数化的共享卷积结构对检测头进行改进,进一步减少模型的复杂度;最终形成了甘蔗种质量检测模型YOLO v8-SD,将其结合单目相机测距算法,实现蔗种切口与相邻蔗节的距离测算。试验表明,YOLO v8-SD模型的mAP50达98.3%,帧检测速率为142.9 f/s,模型内存占用量为3.45 MB,相较原始模型参数量和浮点运算量分别减少47.8%和33.3%,模型内存占用量减小41.9%,帧率提升7.8 f/s。此外,使用本文方法的切口距离测算平均相对误差小于6.1%。将改进后的模型部署在NVIDIA Jetson Orin NX开发板上配合甘蔗种筛选系统进行样机试验,试验结果表明,对于不同品种甘蔗种质量检测的平均准确率为97.33%,满足实际应用需求。 展开更多
关键词 预切式甘蔗种 质量检测 轻量化 YOLO v8 边缘端部署
在线阅读 下载PDF
基于改进YOLO v8的玉米大豆间套复种作物行导航线提取方法
4
作者 朱惠斌 李仕 +3 位作者 白丽珍 王明鹏 贾宇轩 兰冀贤 《农业机械学报》 北大核心 2025年第6期205-217,共13页
针对玉米大豆间套复种场景下导航线提取算法在复杂农田环境中精度低和适应性差等问题,提出一种基于改进YOLO v8的作物行间导航线提取方法,以提升自主移动底盘在田间作业中的导航精度。针对玉米大豆作物行间专项分割任务,以YOLO v8为基... 针对玉米大豆间套复种场景下导航线提取算法在复杂农田环境中精度低和适应性差等问题,提出一种基于改进YOLO v8的作物行间导航线提取方法,以提升自主移动底盘在田间作业中的导航精度。针对玉米大豆作物行间专项分割任务,以YOLO v8为基础融合StarNet网络,并优化检测头构建了StarNet-YOLO主干网络。通过自主设计的ASPPFE模块、深度可分离卷积和CSE结构等策略优化,同时利用LAMP剪枝算法对其轻量化。此外,引入Douglas-Peucker算法获取逼近作物行间轮廓,并提出评分机制确定轮廓的起始线段和终点线段中点,进而实现作物行导航线的精确拟合。消融试验结果表明,ASPPFE的mAP50seg(交并比为0.5时实例分割的平均精度均值)达到99.5%,其mAP50-95seg(交并比为0.5~0.95时实例分割的平均精度均值)比SPPELAN、SPPF和ASPPF分别提升1.0、1.0、0.4个百分点。经剪枝率25%优化后的StarNet-YOLO网络,mAP50-95seg仅降低0.02个百分点,而推理速度从390 f/s提升至563 f/s,浮点运算量从7.2×10^(9)降至4.7×10^(9)。在同一数据集下对YOLO v5、YOLO v7、YOLO v8和改进YOLO v8进行对比发现,StarNet-YOLO网络mAP50-95seg比其他3种算法分别提升5.5、4.8、2.8个百分点。作物行间导航线拟合验证结果表明,平均角度误差和距离误差分别为2.01°和23.17像素。在复杂农田环境下本文导航线提取算法表现出优异性能,实现检测速度与精度平衡,为玉米大豆等农作物田间作业自主机器人视觉导航提供了新的技术思路。 展开更多
关键词 玉米大豆间套复种 作物行间检测 导航线提取 改进YOLO v8 多尺度融合
在线阅读 下载PDF
基于YOLO v8_EGW的马铃薯种薯芽眼检测方法
5
作者 黄华 张存东 +3 位作者 张晖旺 岳云 王士军 吴亚东 《农业机械学报》 北大核心 2025年第8期458-466,506,共10页
针对传统目标检测算法在马铃薯种薯芽眼检测中易受泥土覆盖、表面破损以及环境因素等影响,造成检测效果差的问题,提出了一种YOLO v8_EGW模型,在自制的马铃薯数据采集试验台上实现了芽眼的快速准确检测。在YOLO v8的主干部分引入EMA注意... 针对传统目标检测算法在马铃薯种薯芽眼检测中易受泥土覆盖、表面破损以及环境因素等影响,造成检测效果差的问题,提出了一种YOLO v8_EGW模型,在自制的马铃薯数据采集试验台上实现了芽眼的快速准确检测。在YOLO v8的主干部分引入EMA注意力机制来提升马铃薯表面的芽眼特征提取能力;在YOLO v8的颈部网络中引入GD机制,并使其与C2F模块结合,加强对芽眼特征的信息融合能力,提升芽眼特征的检测能力;替换位置损失函数为WIoU损失函数,提高标记框的质量并进一步提升检测性能。结果表明,改进模型精确率、召回率、mAP@0.5、mAP@0.5:0.95分别为95.8%、92.7%、94.8%、73.0%,模型内存占用量为40.4 MB、检测速度为37.03 f/s。与同类目标检测模型(YOLO v4、YOLO v5、YOLO v6、YOLO v7、YOLO v8n)相比,其检测精确率分别高4.5、3.1、5.2、4.7、4.1个百分点,检测结果均优于其他模型。研究结果可为后续智能切种机的研发提供理论支持。 展开更多
关键词 YOLO v8 芽眼检测 种薯 目标检测 EMA注意力机制
在线阅读 下载PDF
基于FAS-YOLOv8n的爬岸上草小龙虾多源图像融合识别方法
6
作者 李路 孙超奇 +3 位作者 周玉凡 周铖钰 寇圣宙 陈彦祺 《农业机械学报》 北大核心 2025年第8期526-534,共9页
针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO ... 针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO v8n的骨干网络中使用Ghost卷积和C2f_Repghost模块,减少模型的参数量。然后,在骨干网络和颈部网络之间添加可变形注意力(Deformable attention,DA)机制,增强模型对小龙虾的关注度,提高模型的特征提取效率。最后,采用VoVGSCSP模块替换C2f模块,提升颈部网络的特征融合速度,进一步降低计算量。实验结果表明,FAS-YOLOv8n模型在融合图像数据集上的识别精确率为90.62%,平均精度均值和召回率分别为92.9%和85%。相较于RGB图像数据集和红外图像数据集,识别精确率、平均精度均值和召回率分别提高6.05、8.46个百分点,4.78、7.14个百分点,3.84、3.87个百分点。利用融合数据集进行试验,FAS-YOLOv8n模型较原始模型平均精度均值提高5.1个百分点,参数量和浮点数运算量分别降低13.29%和23.17%,模型内存占用量仅为6.2 MB,检测速度为86 f/s。识别效果优于其他主流目标检测模型,能够实现模型轻量化部署,为巡塘无人机的应用提供技术支撑。 展开更多
关键词 小龙虾 多源图像 图像融合 目标识别 深度学习 YOLO v8n
在线阅读 下载PDF
基于YOLO v8-STSF的多类别害虫识别算法与监测系统研究 被引量：1
7
作者 王兴旺 查海涅 +5 位作者 卢浩男 王禹彬 吴东昇 王旭峰 胡灿 陈学永 《农业机械学报》 北大核心 2025年第6期228-236,共9页
水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种... 水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种基于YOLO v8-STSF模型的水稻害虫智能识别方法。通过引入Swin Transformer模块增强骨干网络的多尺度特征提取能力,结合分布移位卷积(DSConv)优化颈部网络特征融合,并采用Focal EIoU损失函数提升密集小目标定位精度。构建了包含多类水稻害虫的7000幅图像数据集进行识别验证,YOLO v8-STSF模型在测试集上的精确率为95.45%、召回率为90.45%、F1值为90.03%,较原YOLO v8模型分别提升2.13、0.33、3.09个百分点,在PC端的推理速度为32 f/s,满足实时需求。同时以Web端监测系统为基础,设计基于Android移动端的虫情监测系统,在田间测试中系统平均响应时间为1.38 s,识别准确率为96.34%,漏检率为3.86%。研究结果可为水稻害虫精准防控提供高效技术支持,推动农业病虫害监测智能化发展。 展开更多
关键词 多类别害虫 害虫识别 YOLO v8-STSF 监测系统 ANDROID
在线阅读 下载PDF
基于改进YOLO v8n的辣椒穴盘育苗播种质量轻量级检测方法 被引量：2
8
作者 孔德航 刘云强 +3 位作者 崔巍 吴海华 张学东 宁义超 《农业机械学报》 北大核心 2025年第2期381-392,共12页
针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高... 针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高训练效率。采用StarNet轻量级网络和上下文增强模块(Context augmentation module,CAM)作为主干网络,在降低模型复杂程度同时,实现深层特征多感受野信息融合;采用空间与通道重建卷积(Spatial and channel reconstruction convolution,SCConv)优化中间层C2f(Cross stage partial network fusion)模块的瓶颈结构,增强模块特征提取能力和提高模型推理速度;融合P2检测层,将基线3个检测头减至1个,增强模型对小目标的检测性能。结果表明,YOLO v8n-SCS模型参数量为1.2×10^(6)、内存占用量为2.7 MB、浮点数运算量为7.6×10^(9),在穴盘单格数据集上,其mAP_(50)为98.3%、mAP_(50-95)为83.8%、帧率为112 f/s,相比基线模型YOLO v8n,参数量降低62.5%、mAP_(50)提升2.5个百分点、mAP_(50-95)提升2.1个百分点、浮点数运算量降低14.6%、帧率提升23.1%;在整盘检测任务中,其检测帧率为21 f/s,检测准确率为98.2%,相比基线模型检测帧率提升8.2%、准确率提升1.1个百分点,对于播种速度800盘/h以内的72穴育苗盘和600盘/h以内的128穴育苗盘,其平均检测准确率大于96%,且单粒率、重播率和漏播率检测误差小于1.8%。本文模型在性能和计算成本之间取得了很好的平衡,降低了部署边缘设备计算要求,满足辣椒穴盘育苗播种质量在线检测需求,为育苗播种生产线智能化升级提供了技术支持。 展开更多
关键词 辣椒种子 穴盘育苗 播种质量检测 改进YOLO v8n 轻量级模型
在线阅读 下载PDF
基于CBCW-YOLO v8的猪只行为识别方法研究 被引量：2
9
作者 仝志民 徐天哲 +3 位作者 石传淼 李盛章 谢秋菊 荣丽红 《农业机械学报》 北大核心 2025年第2期411-419,共9页
随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标... 随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标的语义信息提取能力。其次,在特征融合网络中添加加权双向特征金字塔网络(BiFPN),强化模型特征融合能力。此外,结合上采样算子CARAFE,进一步提升模型在行为识别过程中特征提取能力。最后,使用WIoUv3作为损失函数,优化模型检测精度。经实验验证,改进后模型准确率、召回率、平均精度均值和F1值分别达到89.6%、88.0%、91.9%和88.8%,与TOOD、YOLO v7和YOLO v8模型相比,平均精度均值分别提高10.9、6.3、3.7个百分点,显著提高猪只行为识别精度。消融实验表明,各项改进均对模型的识别性能有提升效果,ConvNeXt V2主干特征提取网络对模型的提升效果最明显。综上所述,CBCW-YOLO v8模型在猪只行为识别任务中展现出优良的综合性能,为猪只健康管理和疾病预警提供有力的技术支持。 展开更多
关键词 猪只行为识别 YOLO v8 特征提取网络 CARAFE WIoUv3 目标检测
在线阅读 下载PDF
基于改进YOLO v8的温室草莓成熟度智能实时识别 被引量：1
10
作者 沈桂芳 张平 《江苏农业科学》 北大核心 2025年第5期62-72,共11页
为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型... 为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型为基线。首先,在YOLO v8模型的骨干网络和颈部网络中引入动态蛇形卷积(DSConv),替换原有的卷积层,减少模型的参数量,同时增强对细微特征的捕获能力,提高特征学习效率。其次,通过融入多尺度通道注意力(MCA)机制,减轻背景干扰,增强了对目标区域的关注,以应对目标遮挡和背景干扰问题。最后,为了进一步优化模型性能,采用SIoU损失函数替换原有的CIoU损失函数,通过改进惩罚项并利用位置信息,以促使检测框更加准确地逼近目标框,提高模型的回归精度。在自制的草莓成熟度检测数据集上,模型检测精度mAP@0.5高达95.24%,超越Faster-RCNN、SSD、centerNet、YOLOX和原始YOLO v8等5种主流目标检测算法。此外模型的浮点运算次数、参数量和识别速度分别为268.7亿次、10.92 M和55.7帧/s,证明其满足实时检测需求。在嵌入式平台上的进一步测试证实,即便在资源受限的硬件条件下,改进的YOLO v8模型依然能够实现准确性和鲁棒性的实时检测。对农业自动化与智能化的进步具有重要贡献。 展开更多
关键词 草莓成熟度检测 YOLO v8 蛇形卷积 MCA注意力 SIoU
在线阅读 下载PDF
基于改进YOLO v8的复杂温室环境黄瓜果实分割方法
11
作者 夏天 谢纯 +2 位作者 李琳一 陆声链 钱婷婷 《农业机械学报》 北大核心 2025年第5期433-442,共10页
黄瓜果实的检测与分割对于表型分析和黄瓜生长管理至关重要。然而,在复杂温室环境下,果实往往与茎叶相互遮挡,且果实与背景颜色相似,导致传统方法在复杂环境下难以准确识别果实边界并实现高效分割。为此,提出了一种基于改进YOLO v8的黄... 黄瓜果实的检测与分割对于表型分析和黄瓜生长管理至关重要。然而,在复杂温室环境下,果实往往与茎叶相互遮挡,且果实与背景颜色相似,导致传统方法在复杂环境下难以准确识别果实边界并实现高效分割。为此,提出了一种基于改进YOLO v8的黄瓜果实分割方法。该方法引入可变形卷积(Deformable convolution network v4,DCNv4)增强模型空间适应性;同时采用RepNCSPELAN4模块串联额外的C2F模块,细化特征提取与融合;从而提升了模型在复杂温室环境下对黄瓜果实图像的分割性能。实验结果显示,在玻璃温室和塑料连栋大棚两个实验场景中的多个类别上均有出色表现。其中,在玻璃温室场景中的精确率为96.3%,召回率为93.1%,平均精度均值mAP50为96.2%,mAP50-95为85.3%;在塑料大棚场景中的精确率为86.8%,召回率为81.9%,平均精度均值mAP50为90.0%,mAP50-95为77.0%。本研究提出的改进方法在处理边界、多重遮挡和多尺度分割方面具有更强的鲁棒性和泛化性,使模型能适应复杂性不同的多样化种植环境而准确分割黄瓜果实。精确的果实图像分割有助于表型参数的获取,为黄瓜果实的表型分析提供了可靠的技术支持,从而促进农业表型机器人的应用。 展开更多
关键词 黄瓜 果实遮挡 设施温室 图像分割 YOLO v8 可变形卷积
在线阅读 下载PDF
基于改进YOLO v8n的草莓温室飞虫虫情监测方法
12
作者 王少聪 王会强 +6 位作者 丁小明 杜肖鹏 尹义蕾 崔建英 程明明 王艳山 闫学兰 《农业工程学报》 北大核心 2025年第17期184-193,共10页
为提高草莓温室飞虫虫害精准防控效率,帮助管理人员及时掌握虫情,该研究基于深度学习技术设计温室虫情监测系统。使用巡检机器人移动获取粘虫板虫害图像数据;在YOLO v8n模型基础上引入微小目标检测头、C2f-Dual模块、动态上采样模块和基... 为提高草莓温室飞虫虫害精准防控效率,帮助管理人员及时掌握虫情,该研究基于深度学习技术设计温室虫情监测系统。使用巡检机器人移动获取粘虫板虫害图像数据;在YOLO v8n模型基础上引入微小目标检测头、C2f-Dual模块、动态上采样模块和基于Haar小波的下采样模块得到YOLO-Pest模型;根据虫害日增量判定虫情程度,按轻度、中度、重度3个等级划分温室虫情状况,并利用双线性插值算法生成温室全局虫情可视化热力图。模型改进结果表明,识别准确率为92.4%,召回率为91.5%,平均精度为95.2%,相对于YOLO v8n基线模型分别提高3.4、2.1和1.9个百分点,模型计数值与真实值变化趋势也较为一致,决定系数R~2为0.996,平均绝对误差为1.62、均方根误差为3.14、相对误差为4.16%,较基线模型性能均有所提升;对热力图准确性验证表明,热力图经双线性插值处理后预测值与实测值之间呈现显著的相关性(R~2=0.972,p<0.05)。基于YOLO-Pest的飞虫虫情监测系统可为温室虫害精准防控提供有效决策支持。 展开更多
关键词 温室 YOLO v8 虫情监测 小目标检测 智能巡检 草莓
在线阅读 下载PDF
基于改进YOLO v8n的非结构环境下杭白菊检测方法
13
作者 喻陈楠 伍永红 +3 位作者 周杰 姚坤 郇晓龙 陈建能 《农业机械学报》 北大核心 2025年第5期405-414,共10页
在非结构环境下,由于杭白菊的簇状生长特性导致相互遮挡严重,使得杭白菊检测算法的检测精度较低。针对该问题,提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n(Hangzhou white chrysanthemum-YOLO v8n)。首先,提出通过增加标签的方式... 在非结构环境下,由于杭白菊的簇状生长特性导致相互遮挡严重,使得杭白菊检测算法的检测精度较低。针对该问题,提出一种改进YOLO v8n的杭白菊检测模型Hwc-YOLO v8n(Hangzhou white chrysanthemum-YOLO v8n)。首先,提出通过增加标签的方式,将实际需求的双类别标签改变为三类别,提升模型对杭白菊各个花期的关键性特征的精细化检测能力;其次,在主干网络中设计一种动态特征提取模块(C2f-Dynamic),以加强模型对被遮挡目标特征缺失情况的动态适应,并在检测头部分增加160像素×160像素的检测头,使得模型具备针对小目标检测的能力;最后,采用角度惩罚度量的损失(SIoU)优化边界框损失函数,提升了模型检测精度和泛化能力。模块位置试验和热力图试验表明,C2f-Dynamic模块能动态适应遮挡目标的特征变化。改进后的Hwc-YOLO v8n模型对遮挡杭白菊识别的平均精度均值提升了1.7个百分点,召回率均值提高了0.88个百分点。模型消融和对比试验结果表明,改进后的Hwc-YOLO v8n模型相比于DETR、SSD、YOLO v5、YOLO v6和YOLO v7,对杭白菊的检测效果更好。平均精度均值相较于DETR、SSD、YOLO v5、YOLO v6和YOLO v7分别提升了5.7、12.6、0.7、0.75、11.25个百分点,召回率均值相较于YOLO v5和YOLO v7提升了2.15、1.4个百分点,可为后续杭白菊智能化采收作业提供技术支撑。 展开更多
关键词 杭白菊 图像识别 目标检测 YOLO v8 遮挡检测
在线阅读 下载PDF
基于改进YOLOv8的哺乳仔猪保温区温度适宜状态识别研究
14
作者 付明明 郑萍 +3 位作者 侯郁硕 曹月 李抒憧 黎煊 《家畜生态学报》 北大核心 2025年第10期108-113,共6页
传统通过监测仔猪保温区温度以确保仔猪生长适宜温度的调控方法,存在温度传感器最佳安放位置难判定、保温区没有仔猪仍然加热等现实问题,导致该温度调控方法无法满足仔猪生长的温度需求,还会造成一定的电能浪费。该研究通过设定因环境... 传统通过监测仔猪保温区温度以确保仔猪生长适宜温度的调控方法,存在温度传感器最佳安放位置难判定、保温区没有仔猪仍然加热等现实问题,导致该温度调控方法无法满足仔猪生长的温度需求,还会造成一定的电能浪费。该研究通过设定因环境温度高低导致哺乳仔猪群体在保温区呈现的5种典型聚散状态,利用优化VanillaNet网络架构、Sim AM注意力机制和Lion优化器等技术改进YOLO v8检测算法,拟通过机器视觉的方法判断仔猪保温区温度适宜状态,以智能调控哺乳仔猪加热系统。结果表明:改进的YOLO v8保持了较高的精确率,占用内存0.7 MB,识别时间1.495 ms/f,在模型大小和识别时间上优于YOLO v5和YOLO v8算法;在猪舍复杂环境的仔猪群体状态识别中,平均状态识别率高于97%,表现出较高的检测置信度。该研究为哺乳仔猪保温系统的加热设备调节提供重要依据,可为仔猪提供适宜温度环境,并有效降低能源消耗。 展开更多
关键词 哺乳仔猪 适宜生长环境温度 图像识别 聚散状态 改进YOLO v8
在线阅读 下载PDF
基于YOLO v8-ABSeg的双孢蘑菇表型参数提取方法 被引量：3
15
作者 苗全龙 周扬 +2 位作者 李建涛 周延锁 李玉 《农业机械学报》 北大核心 2025年第3期158-168,共11页
针对双孢蘑菇采摘前人工获取其表型参数效率低、成本高的问题,提出了一种基于实例分割且适用于现代化工厂环境的双孢蘑菇表型参数提取方法。首先,对YOLO v8n-Seg实例分割模型进行改进,引入快速神经网络(Faster neural network,FasterNe... 针对双孢蘑菇采摘前人工获取其表型参数效率低、成本高的问题,提出了一种基于实例分割且适用于现代化工厂环境的双孢蘑菇表型参数提取方法。首先,对YOLO v8n-Seg实例分割模型进行改进,引入快速神经网络(Faster neural network,FasterNet),并采用局部卷积(Partial convolutions,PConv)减少冗余计算和内存访问,引入SE(Squeeze-and-excitation)注意力机制到特征融合网络中,增加了网络对输入信息中重要部分的关注度,降低无关信息的干扰,改进后的模型完成了对双孢蘑菇目标的实例分割。最后,基于分割结果,提出了双孢蘑菇子实体4种表型参数的提取方法,包括菇盖直径、菇盖圆度、菇盖白度以及菇盖表面色斑。实验结果表明,YOLO v8-ABSeg模型在自建双孢蘑菇数据集上的mask精度比原模型提高了1.6个百分点,且参数量、浮点数运算量和内存占用量分别降低了38.7%、25.0%和36.8%,帧率提高了11.3%。此外,双孢蘑菇表型参数计算结果与人工测量结果误差小于10%。该方法可应用于双孢蘑菇表型参数的自动化获取,为生长模型建立、在线实时环境控制等提供技术基础。 展开更多
关键词 双孢蘑菇 表型参数提取 实例分割 轻量化 注意力机制 YOLO v8
在线阅读 下载PDF
基于改进YOLO v8的苹果叶部病害检测方法
16
作者 曾林涛 马嘉昕 +1 位作者 丁羽 许晓东 《江苏农业科学》 北大核心 2025年第5期147-156,共10页
针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根... 针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根据样本分布特点进行数据增强,引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力,在提高检测性能的同时,不显著增加计算复杂度;在neck末端,使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合,以提升复杂背景下的检测性能,从而提高检测准确度,有效提高模型性能;为克服CIoU损失函数的局限性,采用MPDIoU损失函数,解决CIoU在特定场景下的限制。结果表明,相较于原始YOLO v8算法,本研究算法的平均准确率提升3.5百分点,mAP@0.5∶0.95提升4.6百分点,精确率提升3.6百分点,说明改进的算法在苹果叶部病害检测方面取得有效成果。 展开更多
关键词 YOLO v8 苹果叶部病害 目标检测 Shuffle Attention C2f_DCNV2 MPDIoU
在线阅读 下载PDF
基于YOLO v8算法的变电站视频监控多目标智能跟踪方法 被引量：1
17
作者 李奕炜 骆立实 +5 位作者 赵波 何红亮 李维江 武建松 王晋元 周可新 《电信科学》 北大核心 2025年第3期179-189,共11页
现阶段我国智能电网建设迅速发展,对变电站视频监控系统提出了更高的多样化、智能化需求。针对现有变电站视频监控摄像头对人员、车辆、异常入侵识别精度不足的问题,提出了一种基于YOLO v8算法的变电站视频监控多目标智能跟踪方法。首先... 现阶段我国智能电网建设迅速发展,对变电站视频监控系统提出了更高的多样化、智能化需求。针对现有变电站视频监控摄像头对人员、车辆、异常入侵识别精度不足的问题,提出了一种基于YOLO v8算法的变电站视频监控多目标智能跟踪方法。首先,利用YOLO v8算法对变电站目标进行监测,通过采样算法加大感受野进而提升数据特征融合能力,采用注意力机制识别远处微小目标;然后,基于卡尔曼滤波器和变电站摄像头运动防抖,将YOLO v8监测到的信息输入BoTSORT算法,完成多场景多目标下的变电站视频监控目标智能跟踪;最后,实验验证表明,该方法相比于YOLO v5、YOLO v7算法,目标识别平均精度均值分别提升了9.73个百分点、5.28个百分点,目标跟踪精度分别提升了12.34个百分点、8.41个百分点,提升了变电站视频监控系统智能化水平。 展开更多
关键词 变电站视频监控系统 YOLO v8算法 多目标智能跟踪 注意力机制 卡尔曼滤波器
在线阅读 下载PDF
基于改进YOLO-v8的精密管件表面缺陷检测方法 被引量：2
18
作者 刘子豪 张佳欣 +3 位作者 薛峰 张俊 陈伟杰 鹿业波 《浙江大学学报(工学版)》 北大核心 2025年第7期1514-1522,1546,共10页
随机缺陷具有微尺度、形态和类型多样的特点,传统机器学习模型的缺陷检测精度和泛化性能欠佳,为此提出基于改进YOLO-v8的多源管件表面缺陷检测方法.为了获取管件全局信息,构建基于焦距可调的管件全表面图像采集系统,对不同类型管件样本... 随机缺陷具有微尺度、形态和类型多样的特点,传统机器学习模型的缺陷检测精度和泛化性能欠佳,为此提出基于改进YOLO-v8的多源管件表面缺陷检测方法.为了获取管件全局信息,构建基于焦距可调的管件全表面图像采集系统,对不同类型管件样本进行快速、高效的高清成像.针对样本来源多样性问题,在YOLO-v8模型的主干特征提取模块中嵌入渐进特征金字塔网络(AFPN)架构,在瓶颈卷积特征层中融合封装-激励(SE)注意力机制,有效提升缺陷检测模型的泛化性.通过视频抽取关键帧及静态定焦拍摄相结合的方式,对标定后的图像构建训练集和测试集,采用改进YOLO-v8算法自动识别管件表面缺陷.实验结果表明,所提方法在推理阶段的检测mAP50为82.2%,相比传统YOLO-v8提升了3.1个百分点.该结果为金属目标的缺陷通用性检测提供了参考. 展开更多
关键词 改进YOLO-v8 缺陷检测 图像处理 管件 机器视觉系统
在线阅读 下载PDF
基于改进YOLO v8n轻量化模型的苹果识别方法
19
作者 马保建 邱媛媛 +4 位作者 陈棒棒 张鹏 吕亮亮 夏浩 葛云 《石河子大学学报(自然科学版)》 北大核心 2025年第2期143-151,共9页
为解决在计算资源受限条件下部署苹果检测模型的问题,并为自然环境下苹果采摘机器人的目标识别提供技术支撑,设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型,降低原模型的参数量... 为解决在计算资源受限条件下部署苹果检测模型的问题,并为自然环境下苹果采摘机器人的目标识别提供技术支撑,设计了一种基于YOLO v8n模型的苹果识别方法YOLO v8n-SCD,先将YOLO v8n的骨干网络替换为StarNet轻量化模型,降低原模型的参数量;然后将Star Blocks模块耦合到C2f模块中构建一个新结构C2f-StarNet,以降低模型复杂度,并且设计了新的检测头Detect_Apple,以进一步降低模型的参数量;最后,结合损失函数Shape IoU优化模型的训练过程,以提升检测的性能。试验结果表明:改进的YOLO v8n-SCD比原模型的精确率与召回率均小幅提升,平均精确率与原模型基本持平,但模型大小、参数量和GFLOPs比原模型分别降低了53.3%、54.4%和44.4%;与YOLO v5、YOLO v7、YOLO v8n、YOLO v9和YOLO v10主流检测模型相比,YOLO v8n-SCD模型的召回率、平均精度有略微的下降,但模型大小分别减少了44%、77.2%、53.3%、36.4%和49.1%,参数量减小了45.3%、77.2%、54.4%、30.5%和39.6%,浮点计算量降低了36.6%、65.9%、44.4%、40.8%和30.8%。本文提出的YOLO v8n-SCD模型在保证苹果识别精度的前提下对原模型进行轻量化,为后续边缘设备的模型部署提供技术依据。 展开更多
关键词 苹果 检测模型 轻量化 YOLO v8n 边缘设备
在线阅读 下载PDF
改进YOLO v8n的无人机高分辨率水稻幼苗数目检测方法
20
作者 王鑫泽 何超 +3 位作者 方国文 黄立闩 李熠璇 张晓青 《江苏农业科学》 北大核心 2025年第5期95-104,共10页
针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先... 针对我国水稻机播率不足50%,高速机播出现操作不当、对秧池判断失误、天气引起存活降低等原因出现空穴率的问题,导致无法准确判断水稻密度并实施精确补插计划,提出了一种低成本的改进YOLO v8n算法的轻量化识别水稻幼苗数目的方法。首先,使用动态KWConv代替普通Conv,使卷积参数更加高效,卷积更加适合水稻幼苗数据集;其次,设计全新的C2f_KW模块代替部分C2f,减少模型的计算量,并提高了模型的检测精度;最后,使用WIoU边界损失函数解决了CIoU损失函数对样本质量较差的局限性。试验结果表明,改进YOLO v8n模型的mAP0.5、mAP0.5~0.95分别为99.19%、72.56%;相比原模型YOLO v8n,mAP0.5和mAP0.5~0.95分别提高0.50、4.13百分点,并且模型计算量从8.2 G降到5.8 G,实现了更广泛的无人机部署条件,改进YOLO v8n模型与主流模型Faster R-CNN、YOLO v5n、YOLO v5s、YOLO v7、YOLO v7-tiny、YOLO v8n-Swin Transformer等相比有着不同程度提升,提高35.27、5.01、2.69、9.54、13.14、3.45百分点。本研究方法对无人机监测统计水稻幼苗提供了有效的支持,为水稻种植相关研究提供了借鉴。 展开更多
关键词 水稻幼苗 数量检测 KW卷积 WIoU YOLO v8n
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 … 12 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