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
1
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DCC-YOLOv10n的玉米叶片病害小目标检测方法
1
作者
党珊珊
乔世成
+4 位作者
白明宇
张明月
赵晨雨
潘春宇
王国忱
《智慧农业(中英文)》
2025年第5期124-135,共12页
[目的/意义]玉米叶片病害的精准检测对保障玉米产量和农业可持续发展至关重要。针对目前玉米叶片病害检测没有充分考虑病害的形状及细节特征等问题,提出一种适用于小目标场景的玉米叶片病害检测算法,以提升病害区域的识别精度。[方法]...
[目的/意义]玉米叶片病害的精准检测对保障玉米产量和农业可持续发展至关重要。针对目前玉米叶片病害检测没有充分考虑病害的形状及细节特征等问题,提出一种适用于小目标场景的玉米叶片病害检测算法,以提升病害区域的识别精度。[方法]在可变核卷积(Arbitrary Kernel Convolution, AKConv)的基础上设计DRPAKConv替换网络中参数量较大的3×3卷积,通过动态采样和静态卷积两个分支自动调整采样形状和卷积核大小,提高对较小病斑的检测能力;在特征融合部分设计CBVoVGSCSP替换传统C2f特征融合模块,改善梯度流失现象,保持特征丰富性的同时减少计算冗余;在颈部网络中引入卷积和注意力融合模块(Convolutional Attention-based Feature Map, CAFM),将提取的特征进行交互和融合,提高模型的表示能力和检测性能。[结果和讨论]通过消融实验和不同算法对比实验可知,DCC-YOLOv10n算法在玉米叶片病害数据集上展现出了良好的检测精度。与YOLOv10n相比,改进后的算法计算复杂度减少了0.5 GFLOPs,模型参数仅为2.99 M,精确度、召回率、平均精度均值分别提高了1.7、2.6和1.7个百分点,分别达到了96.2%、90.3%、94.1%。通过精确率-召回率曲线进行对比,DCC-YOLOv10n算法的综合表现效果更稳定,模型总体平均精度均值从原来的92.4%提升至94.1%,提升了1.7个百分点,满足了对玉米叶片病害小目标的检测需求。[结论]提出的DCC-YOLOv10n算法能够实现对玉米叶片病害小目标的精准检测与识别,为推动农业生产中玉米叶片病害检测提供了参考依据。
展开更多
关键词
玉米叶片
病害检测
小目标
DCC-YOLOv10n
AKConv
卷积和注意力融合模块(CAFM)
在线阅读
下载PDF
职称材料
题名
基于DCC-YOLOv10n的玉米叶片病害小目标检测方法
1
作者
党珊珊
乔世成
白明宇
张明月
赵晨雨
潘春宇
王国忱
机构
内蒙古民族大学计算机科学与技术学院
中国联合网络通信有限公司通辽市分公司
牧草智能装备创新中心
出处
《智慧农业(中英文)》
2025年第5期124-135,共12页
基金
国家自然科学基金项目(62162049)
内蒙古民族大学博士科研启动资金(BS658)
+2 种基金
人兽共患病自治区高等学校重点实验室开放基金项目(MDK2022019)
内蒙古自治区牧草智能装备创新中心开放基金项目(MDK2025050)
内蒙古自治区自然科学基金项目(2025LHMS06012)。
文摘
[目的/意义]玉米叶片病害的精准检测对保障玉米产量和农业可持续发展至关重要。针对目前玉米叶片病害检测没有充分考虑病害的形状及细节特征等问题,提出一种适用于小目标场景的玉米叶片病害检测算法,以提升病害区域的识别精度。[方法]在可变核卷积(Arbitrary Kernel Convolution, AKConv)的基础上设计DRPAKConv替换网络中参数量较大的3×3卷积,通过动态采样和静态卷积两个分支自动调整采样形状和卷积核大小,提高对较小病斑的检测能力;在特征融合部分设计CBVoVGSCSP替换传统C2f特征融合模块,改善梯度流失现象,保持特征丰富性的同时减少计算冗余;在颈部网络中引入卷积和注意力融合模块(Convolutional Attention-based Feature Map, CAFM),将提取的特征进行交互和融合,提高模型的表示能力和检测性能。[结果和讨论]通过消融实验和不同算法对比实验可知,DCC-YOLOv10n算法在玉米叶片病害数据集上展现出了良好的检测精度。与YOLOv10n相比,改进后的算法计算复杂度减少了0.5 GFLOPs,模型参数仅为2.99 M,精确度、召回率、平均精度均值分别提高了1.7、2.6和1.7个百分点,分别达到了96.2%、90.3%、94.1%。通过精确率-召回率曲线进行对比,DCC-YOLOv10n算法的综合表现效果更稳定,模型总体平均精度均值从原来的92.4%提升至94.1%,提升了1.7个百分点,满足了对玉米叶片病害小目标的检测需求。[结论]提出的DCC-YOLOv10n算法能够实现对玉米叶片病害小目标的精准检测与识别,为推动农业生产中玉米叶片病害检测提供了参考依据。
关键词
玉米叶片
病害检测
小目标
DCC-YOLOv10n
AKConv
卷积和注意力融合模块(CAFM)
Keywords
maize leaf
disease detection
small target
DCC-YOLOv10n
AKConv
convolutional attention-based feature map
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
S435.13 [农业科学—农业昆虫与害虫防治]
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DCC-YOLOv10n的玉米叶片病害小目标检测方法
党珊珊
乔世成
白明宇
张明月
赵晨雨
潘春宇
王国忱
《智慧农业(中英文)》
2025
0
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
