苹果作为全球重要的经济作物之一,其产量和质量直接受到病害的影响。为解决目前传统人工检测病害过程中主观性强、效率低,以及农业检测设备资源有限等问题,基于YOLOv8(You Only Look Once Version 8)提出了一种高效、轻量化的病害检测...苹果作为全球重要的经济作物之一,其产量和质量直接受到病害的影响。为解决目前传统人工检测病害过程中主观性强、效率低,以及农业检测设备资源有限等问题,基于YOLOv8(You Only Look Once Version 8)提出了一种高效、轻量化的病害检测模型—YOLOv8-RIC。在YOLOv8的基础上对主干网络进行了优化,分别引入了轻量级卷积神经网络RGN(RepGhostNet)和改进型残差移动网络iRMB(Improved Residual MobileNet Backbone),替换了原有的C2f模块,有效提升了模型的特征提取能力并降低了硬件计算成本。与原始YOLOv8模型相比,YOLOv8-RIC在自建图像数据集上的目标检测任务中,mAP(多类别平均精度)提高了6.2%,Precision(精确度)提高了12.7%。实验结果表明,该方法在复杂场景下对苹果树病害的检测具有较高的效率和鲁棒性,为精准农业的发展提供了有力支持。展开更多
由于光照变化、视角差异、相机抖动和部分遮挡等因素的影响,鲁棒的目标跟踪仍然是计算机视觉领域极具挑战性的研究课题.受协同训练和粒子滤波算法的启发,提出一种快速的自适应目标跟踪方法.该方法采用HOG(histogram of oriented gradien...由于光照变化、视角差异、相机抖动和部分遮挡等因素的影响,鲁棒的目标跟踪仍然是计算机视觉领域极具挑战性的研究课题.受协同训练和粒子滤波算法的启发,提出一种快速的自适应目标跟踪方法.该方法采用HOG(histogram of oriented gradients)和LBP(local binary pattern)描述目标特征并建立分类器,通过协同训练实现分类器的在线更新,有效解决了误差累积问题.为缩小目标搜索的状态空间,利用ICONDENSATION的运动模型和重要采样提高粒子采样的准确性和效率,并引入校正因子抑制虚假目标的干扰,从而提升了跟踪算法的鲁棒性和分类器更新的准确性.在两组标准测试集和两组自建测试集上的对比实验结果验证了所提出跟踪算法的有效性.与基于全局搜索的跟踪方法相比,该算法在不降低跟踪性能的前提下将处理速度提高25倍以上.展开更多
文摘苹果作为全球重要的经济作物之一,其产量和质量直接受到病害的影响。为解决目前传统人工检测病害过程中主观性强、效率低,以及农业检测设备资源有限等问题,基于YOLOv8(You Only Look Once Version 8)提出了一种高效、轻量化的病害检测模型—YOLOv8-RIC。在YOLOv8的基础上对主干网络进行了优化,分别引入了轻量级卷积神经网络RGN(RepGhostNet)和改进型残差移动网络iRMB(Improved Residual MobileNet Backbone),替换了原有的C2f模块,有效提升了模型的特征提取能力并降低了硬件计算成本。与原始YOLOv8模型相比,YOLOv8-RIC在自建图像数据集上的目标检测任务中,mAP(多类别平均精度)提高了6.2%,Precision(精确度)提高了12.7%。实验结果表明,该方法在复杂场景下对苹果树病害的检测具有较高的效率和鲁棒性,为精准农业的发展提供了有力支持。
