期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于FCN的无人机玉米遥感图像垄中心线提取
被引量：
13
1
作者
赵静
曹佃龙
+4 位作者
兰玉彬
潘方江
温昱婷
杨东建
鲁力群
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第9期72-80,共9页
为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提...
为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7~17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%~83.4%,召回率达51.1%~73.9%,调和平均值为57.6%~78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。
展开更多
关键词
无人机
遥感
提取
玉米垄线
全卷积神经网络
语义分割
在线阅读
下载PDF
职称材料
基于PConv-CGLU与重参数检测头的轻量化膜下棉苗实时检测算法
2
作者
赵静
李京谦
+5 位作者
杨蕾
崔文豪
韩国涛
周琦
鲁力群
兰玉彬
《农业工程学报》
2025年第18期151-162,共12页
膜下棉苗的高效精准检测是实现智能化破膜作业的核心技术。针对复杂背景下膜下棉苗检测中常见的错检和漏检问题,该文提出了一种轻量化检测模型YOLOv11n-PRML。该模型在YOLOv11n基础上进行以下优化:1)提出PConvCGLU混合模块,结合FasterNe...
膜下棉苗的高效精准检测是实现智能化破膜作业的核心技术。针对复杂背景下膜下棉苗检测中常见的错检和漏检问题,该文提出了一种轻量化检测模型YOLOv11n-PRML。该模型在YOLOv11n基础上进行以下优化:1)提出PConvCGLU混合模块,结合FasterNet的PConv(partial convolution)和TransNext的CGLU(convolutional gated linear unit)的优势,重构C3k2模块,降低模型复杂度并增强特征提取能力;2)引入具有共享重参数策略的RSCD(rep shared convolutional detection)检测头,提高模型在小目标检测任务中的精度与速度;3)优化损失函数为MPDIoU(minimum points distance intersection over union),以提高密集场景下的检测性能;4)采用LAMP(layer-adaptive magnitude-based pruning)策略进行模型轻量化。为了全面评估模型性能,该文引入了TIDE(toolkit for identifying detection and segmentation errors)评价指标,并通过消融试验和与不同模型的对比试验验证了YOLOv11n-PRML模型在膜下棉苗检测中的优越性。试验结果表明,YOLOv11n-PRML模型的准确率和平均精度均值mAP_(0.5)分别为90.1%和89.6%,较原始YOLOv11n模型分别提高了1.8和1.0个百分点,检测速度提升至114.4帧/s,定位错误、漏检错误及模型大小分别为0.83、0.92和4.0 MB,较原模型分别降低了0.32、0.85和1.5 MB。与YOLOv5s-S(YOLOv5s-ShuffleNetV2)、YOLOv7-tiny-M(YOLOv7-tiny-MobileNetV3)、YOLOv8n-G(YOLOv8n-GhostNetV2)、YOLOv9t、YOLOv10n、YOLOv12n轻量化目标检测网络相比,改进模型在轻量化和检测精度方面均表现出优势,将改进模型部署于NVIDIA GeForce RTX 2070Ti移动端上进行测试,检测精度和速度分别为89.1%和80.3帧/s,能够满足膜下棉苗检测实时性与精准性的平衡。研究结果可为智能棉苗破膜机的视觉检测系统提供算法参考。
展开更多
关键词
棉苗
检测
覆膜
YOLOv11n模型
轻量化网络
剪枝策略
模型部署
在线阅读
下载PDF
职称材料
题名
基于FCN的无人机玉米遥感图像垄中心线提取
被引量：
13
1
作者
赵静
曹佃龙
兰玉彬
潘方江
温昱婷
杨东建
鲁力群
机构
山东理工大学
农业
工程与食品科学学院
山东理工大学
交通与车辆工程学院
山东理工大学国家精准农业航空施药技术国际联合研究中心
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第9期72-80,共9页
基金
山东省农业重大应用技术创新项目(SD2019ZZ019)
山东省引进顶尖人才“一事一议”专项经费资助项目(鲁政办字[2018]27号)。
文摘
为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7~17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%~83.4%,召回率达51.1%~73.9%,调和平均值为57.6%~78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。
关键词
无人机
遥感
提取
玉米垄线
全卷积神经网络
语义分割
Keywords
UAV
remote sensing
extraction
maize ridge line
FCN
semantic segmentation
分类号
S127 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
基于PConv-CGLU与重参数检测头的轻量化膜下棉苗实时检测算法
2
作者
赵静
李京谦
杨蕾
崔文豪
韩国涛
周琦
鲁力群
兰玉彬
机构
山东理工大学
农业
工程与食品科学学院
出处
《农业工程学报》
2025年第18期151-162,共12页
基金
山东省自然科学基金项目(ZR2021MD091)。
文摘
膜下棉苗的高效精准检测是实现智能化破膜作业的核心技术。针对复杂背景下膜下棉苗检测中常见的错检和漏检问题,该文提出了一种轻量化检测模型YOLOv11n-PRML。该模型在YOLOv11n基础上进行以下优化:1)提出PConvCGLU混合模块,结合FasterNet的PConv(partial convolution)和TransNext的CGLU(convolutional gated linear unit)的优势,重构C3k2模块,降低模型复杂度并增强特征提取能力;2)引入具有共享重参数策略的RSCD(rep shared convolutional detection)检测头,提高模型在小目标检测任务中的精度与速度;3)优化损失函数为MPDIoU(minimum points distance intersection over union),以提高密集场景下的检测性能;4)采用LAMP(layer-adaptive magnitude-based pruning)策略进行模型轻量化。为了全面评估模型性能,该文引入了TIDE(toolkit for identifying detection and segmentation errors)评价指标,并通过消融试验和与不同模型的对比试验验证了YOLOv11n-PRML模型在膜下棉苗检测中的优越性。试验结果表明,YOLOv11n-PRML模型的准确率和平均精度均值mAP_(0.5)分别为90.1%和89.6%,较原始YOLOv11n模型分别提高了1.8和1.0个百分点,检测速度提升至114.4帧/s,定位错误、漏检错误及模型大小分别为0.83、0.92和4.0 MB,较原模型分别降低了0.32、0.85和1.5 MB。与YOLOv5s-S(YOLOv5s-ShuffleNetV2)、YOLOv7-tiny-M(YOLOv7-tiny-MobileNetV3)、YOLOv8n-G(YOLOv8n-GhostNetV2)、YOLOv9t、YOLOv10n、YOLOv12n轻量化目标检测网络相比,改进模型在轻量化和检测精度方面均表现出优势,将改进模型部署于NVIDIA GeForce RTX 2070Ti移动端上进行测试,检测精度和速度分别为89.1%和80.3帧/s,能够满足膜下棉苗检测实时性与精准性的平衡。研究结果可为智能棉苗破膜机的视觉检测系统提供算法参考。
关键词
棉苗
检测
覆膜
YOLOv11n模型
轻量化网络
剪枝策略
模型部署
Keywords
cotton seedling
detection
film mulching
YOLOv11n model
lightweight network
pruning strategy
model deployment
分类号
S126 [农业科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于FCN的无人机玉米遥感图像垄中心线提取
赵静
曹佃龙
兰玉彬
潘方江
温昱婷
杨东建
鲁力群
《农业工程学报》
EI
CAS
CSCD
北大核心
2021
13
在线阅读
下载PDF
职称材料
2
基于PConv-CGLU与重参数检测头的轻量化膜下棉苗实时检测算法
赵静
李京谦
杨蕾
崔文豪
韩国涛
周琦
鲁力群
兰玉彬
《农业工程学报》
2025
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
