-
题名基于多尺度特征融合的牛只异常毛色识别算法
- 1
-
-
作者
杜广振
房建东
王秀玲
赵于东
-
机构
内蒙古工业大学信息工程学院
内蒙古自治区感知技术与智能系统重点实验室
内蒙古自治区智慧农牧业感知技术协同创新中心
-
出处
《计算机工程与设计》
北大核心
2025年第3期682-689,共8页
-
基金
内蒙古自治区科技攻关基金项目(2019GG334、2019FF337)
内蒙古自治区直属高校基本科研业务费基金项目(JY20220012)。
-
文摘
针对通过毛色特征来判断牛只健康状态时,现有技术存在模型参数大和识别精度低的问题,提出一种基于多尺度特征融合的牛只异常毛色识别算法。采用改进YOLOv5模型的方法对牛只异常毛色进行分类识别,更换GhostNet骨干网络,使模型更加轻量化;添加Biformer注意力机制,更换Bi-FPN颈部网络,更换EIoU损失函数,提高模型对不同种类毛色识别的准确性。实验结果表明,改进后网络的平均准确度为94.6%,相比原始YOLOv5模型提高7.1%,参数量减少22.9%,模型更加轻量化。
-
关键词
多尺度
智慧养殖
特征融合
注意力机制
细粒度
轻量化
动物福利
-
Keywords
multi-scale
intelligent breeding
feature fusion
attentional mechanisms
fine-grained
light weight
animal welfare
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于人脸矫正恢复的课堂学业情绪识别算法
- 2
-
-
作者
刘帆
房建东
-
机构
内蒙古工业大学信息工程学院
内蒙古自治区感知技术与智能系统重点实验室
-
出处
《计算机应用与软件》
北大核心
2025年第7期182-191,218,共11页
-
基金
内蒙古自治区自然科学基金项目(2019MS06023)。
-
文摘
针对课堂教学场景数据存在着学生遮挡严重、姿态极端,及传统面部情感识别算法不适用课堂场景,且缺乏公开学业情绪数据的问题,构建学生课堂面部检测数据集和课堂情绪数据集,提出基于人脸矫正恢复的课堂学业情绪识别算法。基于构建实时课堂面部检测模型,获取学生面部信息;利用矫正恢复算法修复受损面容;设计双路学业情绪识别网络识别学业情绪。该方法相较传统方法大幅提升了学业情绪识别精度,强化了真实课堂中极端姿态和遮挡面容的情绪识别能力,系统模块集成后于课堂有限条件下实现了视频稀疏采样的实时识别。
-
关键词
面部检测识别
人脸矫正恢复
情绪识别
迁移学习
稀疏采样
-
Keywords
Face detection and recognition
Face rotation and recovery
Emotion recognition
Transfer learning
Sparse sampling
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名改进U-Net的无人机航拍路面破损检测方法
被引量：1
- 3
-
-
作者
韩建峰
张静
宋丽丽
陶永昭
-
机构
内蒙古工业大学信息工程学院
内蒙古自治区感知技术与智能系统重点实验室
-
出处
《电子测量技术》
北大核心
2024年第19期137-145,共9页
-
基金
内蒙古自治区直属高校基本科研业务费项目(JY20220228)
内蒙古自治区高等学校科学研究项目(NJZY21324)资助。
-
文摘
为了探究无人机航拍视角下细小裂缝难以检测和检测出现断裂的问题,基于U-Net架构提出了ASE-Net网络。首先,使用改进的VGG-16作为编码器,以便提取破损的特征信息;其次在最小尺度网络层引入多尺度特征融合(MSFF)模块、通道增强条形池化(CESP)模块;最后在解码阶段添加ECA_X注意力模块。实验结果表明,本文模型在自建的无人机航拍路面破损数据集上的mIoU、mPA、mPrecision分别达到0.8209、0.9302、0.8651,相比于基线U-Net分别提高15.97%、12.72%、11.02%。最后,在开源数据集Crack500中验证了本文模型相比于其他主流模型具有更强的性能和泛化能力。模型能实现对路面细小裂缝、坑槽、修补的准确检测,有效解决了裂缝检测的断裂问题,可提升大尺寸航拍图像路面破损检测效果。
-
关键词
无人机
破损检测
语义分割
条形池化
多尺度特征
U-Net
-
Keywords
unmanned aerial vehicle
damage detection
semantic segmentation
strip pooling
multi-scale feature
U-Net
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TN911.73
[电子电信—通信与信息系统]
-
-
题名注意力特征融合的番茄叶部早期病斑诊断算法
被引量：5
- 4
-
-
作者
金婷婷
房建东
赵于东
-
机构
内蒙古工业大学信息工程学院
内蒙古自治区感知技术与智能系统重点实验室
内蒙古自治区智慧农牧业感知技术协同创新中心
-
出处
《电子测量技术》
北大核心
2024年第4期156-164,共9页
-
基金
内蒙古自治区直属高校基本科研业务费资助项目(JY20220012)
内蒙古自治区科技计划项目(2023YFJM0002,2022YFSJ0034)资助。
-
文摘
番茄产量受到病害、天气等因素的影响,其中番茄生长过程中叶片的病害问题是影响番茄产量的最关键因素。然而,在叶片病害检测领域,现有模型普遍存在泛化能力不足以及小病斑漏检率高等问题。提出一种改进的番茄病害早期检测算法,通过对YOLOv5s网络进行多方面的优化来改善这些问题,同时保持模型轻量化。首先,采用Mosaic 9数据增强技术,强化了模型对小病斑的检测能力,增加了图像背景的复杂度,提高了模型的泛化能力;其次,使用GSConv和Slim-Neck网络,在保持模型准确性的前提下轻量化模型,降低计算负担;同时,使用SimAM注意力机制更准确地捕捉叶片上的小病斑特征,从而降低漏检率;此外,为了进一步增强多尺度目标的检测能力,引入自适应空间特征融合,有效地整合不同尺度的特征,提升了多尺度目标,特别是小目标的检测准确性。实验结果表明:该模型在叶片病害早期检测方面表现出色,对叶霉、早疫、晚疫以及健康叶片四种番茄病害的早期平均识别准确率、召回率、F1分数及mAP分别达到了0.951%、0.918%、0.934%、0.948%。可见该方法对于小病斑具有较好的检测性能,改善了模型泛化能力不足及小病斑检测过程中的漏检问题,进一步提高了检测效果。
-
关键词
YOLOv5s
番茄早期病斑
GSConv和slim-neck
注意力机制
特征融合
-
Keywords
YOLOv5s
early disease spots in tomato
GSConv and slim-neck
attention mechanism
future fusion
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名改进YOLOv5s的番茄钵苗分类识别模型
被引量：2
- 5
-
-
作者
赵晓燕
房建东
赵于东
-
机构
内蒙古工业大学信息工程学院
内蒙古自治区感知技术与智能系统重点实验室
乌兰察布广播电视大学
内蒙古自治区智慧农牧业感知技术协同创新中心
-
出处
《科学技术与工程》
北大核心
2024年第27期11774-11785,共12页
-
基金
内蒙古自治区直属高校基本科研业务费(JY20220012)。
-
文摘
番茄钵苗分类识别对自动移栽机精准和高效完成钵苗移栽作业具有重要意义,目前钵苗检测存在精度较低,检测实时性较差,有误检和漏检的问题。为建立番茄钵苗监测系统,保证检测实时性,提高钵苗识别精准度,基于改进YOLOv5s目标检测算法提出一种番茄钵苗分类识别模型。研究工作包括构建番茄钵苗数据集;引入全局注意力机制(global attention mechanism,GAM)注意力机制;采用动态非单调聚焦机制损失函数(wise IoU,WIOU)损失函数策略;运用可变形卷积DCN V3;采用上下文信息模块(context augmentation module,CAM)模块。改进后模型平均检测速度约为12 ms,平均精度(average precision,AP)较基础模型上升3.8个百分点,MAP@0.5提高1.9个百分点,召回率提升3.2个百分点。相同实验条件下,将改进后YOLOv5s模型与当下常用模型对比,其检测速度更快,符合钵苗检测要求,精度更高,总体效果更优,保证实时性的基础上有效提高番茄钵苗的识别精度。
-
关键词
目标检测
番茄钵苗检测
YOLOv5s
注意力机制
WIOU
可变形卷积
-
Keywords
target detection
tomato potting test
YOLOv5s
attention mechanism
WIOU
deformable convolution
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名面向嵌入式端的轻量级交通信号灯检测算法
被引量：3
- 6
-
-
作者
杨永波
李栋
房建东
董祥
李毅伟
-
机构
内蒙古工业大学信息工程学院内蒙古自治区感知技术与智能系统重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第13期361-368,共8页
-
基金
内蒙古自治区自然科学基金(2022QN06004,2019MS06023)
内蒙古自治区科技攻关项目(2019GG334,2019GG337,2019GG376)。
-
文摘
针对现有交通信号灯检测算法计算量和模型大,嵌入式端部署难,且对远距离交通信号灯的检测难度大,漏检率高等问题,设计了一种面向嵌入式端的轻量级交通信号灯检测算法,针对轻量化和实时性要求,采用GhostNet网络Ghost模块和Ghost瓶颈层结构,减少了模型参数量,提升了检测速度;针对特征相似问题,采用加权双向特征金字塔网络结构,使得算法对目标更敏感;使用密集空洞空间金字塔池化,优化全局上下文信息的提取;针对小目标识别问题,通过多尺度检测的改进,增强对小目标的信息提取;通过知识蒸馏,提升模型学习能力,进而提高检测性能。实验结果表明,该检测算法对交通信号灯的识别精度达到了97.0%,召回率达到了99%,较YOLOv5s算法分别提高了2.7和3个百分点,模型大小减小到8.06 MB,是YOLOv5s的58%,识别速率从51帧每秒提升到56帧每秒,通过在嵌入式端的测试,改进后算法对远距离下的交通信号灯能够实时准确地识别。
-
关键词
目标检测
轻量级
GhostNet
知识蒸馏
密集空洞空间金字塔池化
-
Keywords
object detection
lightweight
GhostNet
knowledge of distillation
dense atrous spatial pyramid pooling
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名无监督缺失值预测的运动目标检测算法
- 7
-
-
作者
傅饶
房建东
赵于东
-
机构
内蒙古工业大学信息工程学院
内蒙古自治区感知技术与智能系统重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第4期220-228,共9页
-
基金
内蒙古自治区科技计划项目(2022YFSJ0034)
内蒙古自治区直属高校基本科研业务费项目(JY20220012)。
-
文摘
针对运动目标检测过程中由于背景复杂、目标易发生遮挡而产生的漏检问题,提出一种基于无监督缺失值预测的运动目标检测算法。将漏检的目标视为标签数据中的缺失值,根据待检测目标的类别和数量,利用无监督的生成对抗插补网络(generative adversarial imputation networks,GAIN),通过已获取的标签数据对缺失值进行预测,以牺牲较少的精确率为代价大幅提高召回率。在小样本的牛只特征部位数据集上的实验结果表明,在标签数据缺失率低于40%的情况下,缺失值预测的准确率约为95%,对于不同程度的被遮挡目标,检测的平均F1分数为0.92。该方法在小样本条件下,对运动目标具有较好的检测性能,可减小实际应用中的不确定性,以及算法对样本数据的依赖性,改善运动目标检测过程中的漏检问题。
-
关键词
小样本
无监督学习
生成对抗插补网络
缺失值预测
运动目标检测
-
Keywords
small sample
unsupervised learning
generative adversarial imputation networks
missing value prediction
moving target detection
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名改进YOLOv5的轻量级安全帽佩戴检测算法
被引量：51
- 8
-
-
作者
杨永波
李栋
-
机构
内蒙古工业大学信息工程学院内蒙古自治区感知技术与智能系统重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第9期201-207,共7页
-
基金
内蒙古自治区高等学校科研项目(NJZY21304)。
-
文摘
针对现有的对安全帽佩戴检测算法的参数多、网络复杂、计算量大、不利于在嵌入式等设备进行部署,且对遮挡目标辨别度差等问题,提出了一种改进的轻量级的安全帽检测算法YOLO-M3,先将YOLOv5s主干网络替换为MobileNetV3来进行特征提取,降低了网络的参数量和计算量。使用DIoU-NMS替换NMS,提高对遮挡目标的辨识度,添加CBAM注意力机制使模型更关注主要信息以提升检测精度,对模型进行知识蒸馏,增加模型检测的召回率和准确度。通过实验验证了YOLO-M3算法提高了对遮挡目标的辨识度,在保证较高的检测平均精度时,将YOLOv5s模型的计算量降低了42%,模型大小降低了40%,降低了硬件成本,满足在嵌入式端部署的需求。
-
关键词
轻量化
目标检测
改进YOLOv5
注意力机制
知识蒸馏
-
Keywords
lightweight
object detection
improved YOLOv5
attentional mechanism
knowledge of distillation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
