期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
单子叶作物叶片气孔自动识别与计数技术 被引量:7
1
作者 孙壮壮 姜东 +5 位作者 蔡剑 王笑 周琴 黄梅 戴廷波 曹卫星 《农业工程学报》 EI CAS CSCD 北大核心 2019年第23期170-176,共7页
为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测... 为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测精确率、召回率和F1值分别为0.96,0.98和0.97,便携式显微镜拍摄法照片气孔检测精确率、召回率和F1值分别为0.95,0.98和0.96,具有很好的鲁棒性。该算法检测速度快,可实现对30帧/s的视频文件进行快速气孔识别,实现了实时检测。此外,采用拍摄的小麦叶片照片进行训练得到的气孔识别模型,还可同时实现对大麦、水稻和玉米等单子叶作物叶片气孔的识别,其中,大麦的检测精确率、召回率和F1值分别为0.94,0.83和0.88;水稻的检测精确率、召回率和F1值分别为0.89,0.42和0.57;玉米的检测精确率、召回率和F1值分别为0.91、0.76和0.83;显示出模型良好的泛化能力。 展开更多
关键词 卷积神经网络 机器视觉 模型 单子叶作物 气孔识别 计数 深度学习 实时检测
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部