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
轻量型Yolov7-TSA网络在茶叶病害检测识别中的研究与应用
被引量：
18
1
作者
李伟豪
詹炜
+5 位作者
周婉
韩涛
王佩文
刘虎
熊梦园
孙泳
《河南农业科学》
北大核心
2023年第5期162-169,共8页
针对现有茶叶病害识别方法准确率低、模型运行速度慢和缺乏检测功能等问题,提出一种新的Yolov7-TSA(Yolov7-Tiny-SiLU-Attention)轻量型网络架构对茶叶病害检测和分类。将Yolov7-T网络中的LeakReLU激活函数替换为SiLU激活函数,以提升检...
针对现有茶叶病害识别方法准确率低、模型运行速度慢和缺乏检测功能等问题,提出一种新的Yolov7-TSA(Yolov7-Tiny-SiLU-Attention)轻量型网络架构对茶叶病害检测和分类。将Yolov7-T网络中的LeakReLU激活函数替换为SiLU激活函数,以提升检测精度,并防止过拟合。同时,通过融合坐标注意力机制进一步提升对目标轮廓和空间位置的特征感知能力。在含8种茶叶病害(含健康茶叶)的数据集上试验。结果表明,Yolov7-TSA网络对茶叶病害的识别准确率达到了94.2%,与Yolov7-T、Yolov7网络相比,分别提升了3.2、1.2个百分点。另外,Yolov7-TSA网络在参数量、浮点运算数、模型大小和单张图片推理时间方面表现出了显著的效果,与Yolov7网络相比,其分别降低了83%、87%、83%和34%。该网络模型实现了对茶叶病害的检测与分类,同时平衡了识别准确率和实时性能。
展开更多
关键词
茶叶病害
病害检测
病害分类
Yolov7-TSA
坐标注意力
轻量型网络
计算机视觉
智慧农业
在线阅读
下载PDF
职称材料
基于YOLO V7及TSM模型的橘小实蝇梳理行为检测与识别
被引量：
1
2
作者
刘虎
詹炜
+3 位作者
何章章
汤建涛
姜振宇
孙泳
《昆虫学报》
CAS
CSCD
北大核心
2023年第6期787-796,共10页
【目的】昆虫梳理行为的统计分析和研究对害虫控制和人类健康非常重要,针对传统的人工记录梳理行为的方法费时费力且易出错,提出了一种基于计算机视觉和深度学习的橘小实蝇Bactrocera dorsalis梳理行为检测和识别方法。【方法】首先将...
【目的】昆虫梳理行为的统计分析和研究对害虫控制和人类健康非常重要,针对传统的人工记录梳理行为的方法费时费力且易出错,提出了一种基于计算机视觉和深度学习的橘小实蝇Bactrocera dorsalis梳理行为检测和识别方法。【方法】首先将橘小实蝇视频数据进行图像处理得到帧图像,筛选其中3000张图像作为训练数据集;建立YOLO V7目标检测算法来检测视频数据中的橘小实蝇目标个体,框选中目标后通过视频处理算法进行裁剪;最后通过迁移学习方法将预训练权重迁移到训练模型中,利用基于非局部注意力改进的时间转换模块(temporal shift module,TSM)深度学习模型识别橘小实蝇的7种梳理行为(前足梳理、头部梳理、前中足梳理、中后足梳理、后足梳理、翅梳理以及静止)。【结果】橘小实蝇原始视频数据集通过YOLO V7目标检测算法训练的准确率为99.2%,召回率为99.1%。本研究算法处理后的视频数据集通过基于非局部注意力模块改进的TSM模型识别和统计梳理行为,最终平均准确率达到了97%以上,标准偏差低于3%。与其他4种深度学习模型(I3D,R2+1D,SlowFast和Timesformer)对比,本研究方法的准确率最高提升了9.76%,保证了橘小实蝇梳理行为检测和识别的准确率和正确性。【结论】本研究提出的方法大大减少了人工观察的时间,同时保证了橘小实蝇梳理行为识别的准确性,为研究昆虫行为提供了新的思路和方法,为智慧农业的现代化发展添砖加瓦。
展开更多
关键词
橘小实蝇
梳理行为
目标检测
行为识别
深度学习
TSM模型
在线阅读
下载PDF
职称材料
题名
轻量型Yolov7-TSA网络在茶叶病害检测识别中的研究与应用
被引量：
18
1
作者
李伟豪
詹炜
周婉
韩涛
王佩文
刘虎
熊梦园
孙泳
机构
长江大学计算机科学学院
荆州市鹰拓科技有限公司
出处
《河南农业科学》
北大核心
2023年第5期162-169,共8页
基金
国家自然科学基金面上项目(62276032)
中国高校产学研创新基金——新一代信息技术创新项目(2020ITA03012)。
文摘
针对现有茶叶病害识别方法准确率低、模型运行速度慢和缺乏检测功能等问题,提出一种新的Yolov7-TSA(Yolov7-Tiny-SiLU-Attention)轻量型网络架构对茶叶病害检测和分类。将Yolov7-T网络中的LeakReLU激活函数替换为SiLU激活函数,以提升检测精度,并防止过拟合。同时,通过融合坐标注意力机制进一步提升对目标轮廓和空间位置的特征感知能力。在含8种茶叶病害(含健康茶叶)的数据集上试验。结果表明,Yolov7-TSA网络对茶叶病害的识别准确率达到了94.2%,与Yolov7-T、Yolov7网络相比,分别提升了3.2、1.2个百分点。另外,Yolov7-TSA网络在参数量、浮点运算数、模型大小和单张图片推理时间方面表现出了显著的效果,与Yolov7网络相比,其分别降低了83%、87%、83%和34%。该网络模型实现了对茶叶病害的检测与分类,同时平衡了识别准确率和实时性能。
关键词
茶叶病害
病害检测
病害分类
Yolov7-TSA
坐标注意力
轻量型网络
计算机视觉
智慧农业
Keywords
Tea disease
Disease detection
Disease classification
Yolov7-TSA
Coordinate attention
Lightweight network
Computer vision
Smart agriculture
分类号
S126 [农业科学—农业基础科学]
S435.711 [农业科学—农业昆虫与害虫防治]
S571.1 [农业科学—茶叶生产加工]
在线阅读
下载PDF
职称材料
题名
基于YOLO V7及TSM模型的橘小实蝇梳理行为检测与识别
被引量：
1
2
作者
刘虎
詹炜
何章章
汤建涛
姜振宇
孙泳
机构
长江大学计算机科学学院
长江大学农学院
荆州市鹰拓科技有限公司
出处
《昆虫学报》
CAS
CSCD
北大核心
2023年第6期787-796,共10页
基金
国家自然科学基金项目(62276032)。
文摘
【目的】昆虫梳理行为的统计分析和研究对害虫控制和人类健康非常重要,针对传统的人工记录梳理行为的方法费时费力且易出错,提出了一种基于计算机视觉和深度学习的橘小实蝇Bactrocera dorsalis梳理行为检测和识别方法。【方法】首先将橘小实蝇视频数据进行图像处理得到帧图像,筛选其中3000张图像作为训练数据集;建立YOLO V7目标检测算法来检测视频数据中的橘小实蝇目标个体,框选中目标后通过视频处理算法进行裁剪;最后通过迁移学习方法将预训练权重迁移到训练模型中,利用基于非局部注意力改进的时间转换模块(temporal shift module,TSM)深度学习模型识别橘小实蝇的7种梳理行为(前足梳理、头部梳理、前中足梳理、中后足梳理、后足梳理、翅梳理以及静止)。【结果】橘小实蝇原始视频数据集通过YOLO V7目标检测算法训练的准确率为99.2%,召回率为99.1%。本研究算法处理后的视频数据集通过基于非局部注意力模块改进的TSM模型识别和统计梳理行为,最终平均准确率达到了97%以上,标准偏差低于3%。与其他4种深度学习模型(I3D,R2+1D,SlowFast和Timesformer)对比,本研究方法的准确率最高提升了9.76%,保证了橘小实蝇梳理行为检测和识别的准确率和正确性。【结论】本研究提出的方法大大减少了人工观察的时间,同时保证了橘小实蝇梳理行为识别的准确性,为研究昆虫行为提供了新的思路和方法,为智慧农业的现代化发展添砖加瓦。
关键词
橘小实蝇
梳理行为
目标检测
行为识别
深度学习
TSM模型
Keywords
Bactrocera dorsalis
grooming behavior
object detection
behavior recognition
deep learning
TSM model
分类号
Q968 [生物学—昆虫学]
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
轻量型Yolov7-TSA网络在茶叶病害检测识别中的研究与应用
李伟豪
詹炜
周婉
韩涛
王佩文
刘虎
熊梦园
孙泳
《河南农业科学》
北大核心
2023
18
在线阅读
下载PDF
职称材料
2
基于YOLO V7及TSM模型的橘小实蝇梳理行为检测与识别
刘虎
詹炜
何章章
汤建涛
姜振宇
孙泳
《昆虫学报》
CAS
CSCD
北大核心
2023
1
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
