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2篇文章
< 1 >
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YOLOv8-Track的芝麻单株蒴果检测计数研究
1
作者 李琛昊 王川 +5 位作者 李国强 赵巧丽 杨萍 王凯 常升龙 郑国清 《河南农业科学》 北大核心 2025年第4期155-166,共12页
单株蒴果数是芝麻产量构成的重要因素。为实现单株芝麻蒴果的准确检测计数,使用目标检测、多目标追踪等技术,动态追踪单株蒴果,有助于提高芝麻育种和栽培管理效率。针对芝麻蒴果小目标、生长密集、遮挡重叠等现象,以YOLOv8-Track为基准... 单株蒴果数是芝麻产量构成的重要因素。为实现单株芝麻蒴果的准确检测计数,使用目标检测、多目标追踪等技术,动态追踪单株蒴果,有助于提高芝麻育种和栽培管理效率。针对芝麻蒴果小目标、生长密集、遮挡重叠等现象,以YOLOv8-Track为基准模型,在特征融合网络中引入小目标检测头和Shuffle attention注意力机制,在模型后处理阶段引入MPDIOU损失函数,构建了SD-YOLOv8-Track模型。然后利用模型ByteTrack多目标追踪算法的ID计数方法,以芝麻单株旋转视频作为模型输入,追踪统计芝麻蒴果数。结果表明,以单幅图片为输入,SD-YOLOv8-Track模型检测蒴果的准确率、召回率、平均精度分别为92.25%、92.4%、92.58%,比原模型YOLOv8-Track分别提高5.94、6.6、6.31百分点。以单株旋转视频为输入,SD-YOLOv8-Track模型的多目标追踪准确率、多目标追踪精确率分别为89.42%、88.23%,比原模型分别提高4.23、4.60百分点。SD-YOLOv8-Track模型检测蒴果的平均计数准确率、漏检率、误检率分别为93.27%、3.85%、2.88%,平均计数准确率比原模型提高5.61百分点,漏检率和误检率比原模型分别降低3.84、1.77百分点。改进后的SD-YOLOv8-Track模型具有较好的芝麻单株蒴果检测性能,适用于芝麻单株蒴果的动态完整计数。 展开更多
关键词 芝麻蒴果 检测计数 多目标追踪 动态计数 Shuffle attention MPDIOU YOLOv8-Track
在线阅读 下载PDF
基于深度学习的玉米生产过程知识图谱构建
2
作者 彭雨侬 柳平增 张艳 《中国农机化学报》 北大核心 2025年第2期245-252,共8页
知识图谱是以结构化形式对知识进行存储的图数据库。针对玉米种植户无法高效、快捷地获取玉米生产过程知识问题,构建一种基于深度学习的玉米生产过程知识图谱。半结构化数据来源于在农业领域专家帮助下制定的表格形式玉米高产栽培方案;... 知识图谱是以结构化形式对知识进行存储的图数据库。针对玉米种植户无法高效、快捷地获取玉米生产过程知识问题,构建一种基于深度学习的玉米生产过程知识图谱。半结构化数据来源于在农业领域专家帮助下制定的表格形式玉米高产栽培方案;非结构化数据获取则基于OCR技术将书籍转换为TXT格式的文本文档。模式层构建则根据玉米领域数据不同特征,确定玉米品种包含1类实体、12种属性,玉米病害和玉米虫害分别包含6类实体、5类关系,形成玉米种植知识实体和关系概念层。在数据层构建过程中,通过BIOES标注法,采用BERT—BiLSTM—CRF模型对非结构化数据进行实体识别。结果表明,基于BERT—BiLSTM—CRF命名实体识别模型相比LSTM、LSTM—CRF、BiLSTM—CRF,在F1值上分别提高14.31%、7.36%、3.86%;精确率、召回率和F1值分别达到89.31%、88.54%和88.92%。构建完成的玉米生产过程知识图谱可提升用户获取玉米种植知识的效率,提高玉米种植的管理水平。 展开更多
关键词 深度学习 知识图谱 玉米生产过程 玉米病虫害 玉米品种 识别模型 数据采集
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 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