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
基于改进YOLOv8n的茶树嫩芽识别
1
作者
杨肖委
沈强
+6 位作者
罗金龙
张拓
杨婷
戴宇樵
刘忠英
李琴
王家伦
《茶叶科学》
CAS
CSCD
北大核心
2024年第6期949-959,共11页
在复杂自然环境下对茶树嫩芽进行精确识别是实现农业机器人智能化采摘茶树嫩芽的关键技术之一。针对茶园复杂环境下茶树嫩芽识别率低的问题,提出了一种基于改进YOLOv8n的茶树嫩芽检测方法。使用荣耀80手机采集茶树嫩芽图片,并对图片进...
在复杂自然环境下对茶树嫩芽进行精确识别是实现农业机器人智能化采摘茶树嫩芽的关键技术之一。针对茶园复杂环境下茶树嫩芽识别率低的问题,提出了一种基于改进YOLOv8n的茶树嫩芽检测方法。使用荣耀80手机采集茶树嫩芽图片,并对图片进行标注,按照训练集、验证集、测试集8∶1∶1的比例划分数据集。为有效提取嫩芽特征并减少模型冗余计算和内存访问,采用FasterNet模型替换YOLOv8n网络结构的骨干网络进行特征提取;为抑制茶园环境背景信息、增强模型对嫩芽的特征提取能力,在主干网络尾部(SPPF模块后)引入全局注意力机制(Global attention mechanism,GAM);在Neck网络中引入上下文引导(Context guided,CG)模块,学习茶树嫩芽局部特征和周围环境的联合特征,进一步提高茶树嫩芽的识别准确率。利用构建的茶树嫩芽数据集对改进的YOLOv8n算法进行训练和测试。消融试验验证结果显示,FasterNet网络、GAM注意力机制和CG模块均有效提高了YOLOv8n模型的识别准确率。改进的YOLOv8n模型在多类别的茶树嫩芽数据集上平均准确率(Mean average accuracy,mAP)为94.3%;相较于原YOLOv8n模型,对茶树单芽、一芽一叶、一芽二叶的识别mAP分别提高了2.2个百分点、1.6个百分点、2.7个百分点。以YOLOv3-tiny、YOLOv3、YOLOv5m、YOLOv7-tiny、YOLOv7和YOLOv8n模型进行对比试验,结果显示,改进的YOLOv8n模型对茶树嫩芽识别的效果最佳,说明改进的YOLOv8n模型能有效提升茶树嫩芽识别准确率。研究结果可为智能化茶叶采摘机器人的开发提供技术支撑。
展开更多
关键词
深度学习
茶树嫩芽
图像识别
YOLOv8n
注意力机制
采摘机器人
在线阅读
下载PDF
职称材料
题名
基于改进YOLOv8n的茶树嫩芽识别
1
作者
杨肖委
沈强
罗金龙
张拓
杨婷
戴宇樵
刘忠英
李琴
王家伦
机构
贵州省
茶叶
研究所
贵州省茶叶产业技术体系茶叶加工与机械功能实验室
国家
茶叶
产业
技术
体系
遵义综合试验站
出处
《茶叶科学》
CAS
CSCD
北大核心
2024年第6期949-959,共11页
基金
国家重点研发计划项目(2022YFD1600802、2021YFD1100305)
国家现代农业产业技术体系(CARS-19)
+2 种基金
贵州省科技计划项目(黔科合支撑[2024]一般158)
贵州省茶叶产业技术体系(GZCYCYJSTX-05)
黔农科博士基金[2024]10。
文摘
在复杂自然环境下对茶树嫩芽进行精确识别是实现农业机器人智能化采摘茶树嫩芽的关键技术之一。针对茶园复杂环境下茶树嫩芽识别率低的问题,提出了一种基于改进YOLOv8n的茶树嫩芽检测方法。使用荣耀80手机采集茶树嫩芽图片,并对图片进行标注,按照训练集、验证集、测试集8∶1∶1的比例划分数据集。为有效提取嫩芽特征并减少模型冗余计算和内存访问,采用FasterNet模型替换YOLOv8n网络结构的骨干网络进行特征提取;为抑制茶园环境背景信息、增强模型对嫩芽的特征提取能力,在主干网络尾部(SPPF模块后)引入全局注意力机制(Global attention mechanism,GAM);在Neck网络中引入上下文引导(Context guided,CG)模块,学习茶树嫩芽局部特征和周围环境的联合特征,进一步提高茶树嫩芽的识别准确率。利用构建的茶树嫩芽数据集对改进的YOLOv8n算法进行训练和测试。消融试验验证结果显示,FasterNet网络、GAM注意力机制和CG模块均有效提高了YOLOv8n模型的识别准确率。改进的YOLOv8n模型在多类别的茶树嫩芽数据集上平均准确率(Mean average accuracy,mAP)为94.3%;相较于原YOLOv8n模型,对茶树单芽、一芽一叶、一芽二叶的识别mAP分别提高了2.2个百分点、1.6个百分点、2.7个百分点。以YOLOv3-tiny、YOLOv3、YOLOv5m、YOLOv7-tiny、YOLOv7和YOLOv8n模型进行对比试验,结果显示,改进的YOLOv8n模型对茶树嫩芽识别的效果最佳,说明改进的YOLOv8n模型能有效提升茶树嫩芽识别准确率。研究结果可为智能化茶叶采摘机器人的开发提供技术支撑。
关键词
深度学习
茶树嫩芽
图像识别
YOLOv8n
注意力机制
采摘机器人
Keywords
deep learning
tea buds
image recognition
YOLOv8n
attention mechanisms
picking robot
分类号
S571.1 [农业科学—茶叶生产加工]
S126 [农业科学—农业基础科学]
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
基于改进YOLOv8n的茶树嫩芽识别
杨肖委
沈强
罗金龙
张拓
杨婷
戴宇樵
刘忠英
李琴
王家伦
《茶叶科学》
CAS
CSCD
北大核心
2024
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
