针对分选线上樱桃叠果和表面瑕疵难以准确实时分割的问题,该研究提出了一种基于改进YOLOv8n-seg的多分支实时分割模型,命名SemIns-YOLOv8。该模型在YOLOv8n-seg的PAN-FPN(path aggregation network for feature pyramid network)模块后...针对分选线上樱桃叠果和表面瑕疵难以准确实时分割的问题,该研究提出了一种基于改进YOLOv8n-seg的多分支实时分割模型,命名SemIns-YOLOv8。该模型在YOLOv8n-seg的PAN-FPN(path aggregation network for feature pyramid network)模块后引入基于上下文集成的语义分割模块,并采用交叉熵损失与Dice Loss联合的损失函数,替代原始实例分割模块对果梗和瑕疵进行识别,既提升了尺寸较小及特征不明显瑕疵的识别精度,又缩短了图像的识别时间。同时,通过提高特征图分辨率并引入豪斯多夫距离损失(Hausdorff distance loss,HD Loss)构建边界特征增强的实例分割模块,实现了樱桃重叠果体的精准分离。试验结果表明,SemIns-YOLOv8在樱桃分割任务中果体mAP50-95(mean average precision at intersection over union thresholds from 0.50 to 0.95)、果梗IoU和瑕疵mIoU(mean intersection over union)分别为98.20%、92.15%和65.97%,与YOLOv8n-seg相比,提升了2.10、2.33和14.35个百分点,并且在模型输入尺寸为1024×384像素时,单帧推理时间为23 ms,可为线上水果外观品质实时分选提供参考。展开更多
高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问...高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估。实验结果表明,相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R 2这4个评估指标方面均有提升,其中MBE至少提升了43.3%。展开更多
文摘针对分选线上樱桃叠果和表面瑕疵难以准确实时分割的问题,该研究提出了一种基于改进YOLOv8n-seg的多分支实时分割模型,命名SemIns-YOLOv8。该模型在YOLOv8n-seg的PAN-FPN(path aggregation network for feature pyramid network)模块后引入基于上下文集成的语义分割模块,并采用交叉熵损失与Dice Loss联合的损失函数,替代原始实例分割模块对果梗和瑕疵进行识别,既提升了尺寸较小及特征不明显瑕疵的识别精度,又缩短了图像的识别时间。同时,通过提高特征图分辨率并引入豪斯多夫距离损失(Hausdorff distance loss,HD Loss)构建边界特征增强的实例分割模块,实现了樱桃重叠果体的精准分离。试验结果表明,SemIns-YOLOv8在樱桃分割任务中果体mAP50-95(mean average precision at intersection over union thresholds from 0.50 to 0.95)、果梗IoU和瑕疵mIoU(mean intersection over union)分别为98.20%、92.15%和65.97%,与YOLOv8n-seg相比,提升了2.10、2.33和14.35个百分点,并且在模型输入尺寸为1024×384像素时,单帧推理时间为23 ms,可为线上水果外观品质实时分选提供参考。
文摘高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估。实验结果表明,相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R 2这4个评估指标方面均有提升,其中MBE至少提升了43.3%。
