检索结果-南通市图书馆

基于改进YOLOv8s的果实与叶片器官分割方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年

作者：许楠苑迎春耿俊何振学河北农业大学信息科学与技术学院

为解决多器官特征识别存在的多器官数据集难以获取以及待处理数据集存在的密集小目标和多尺度目标等问题，该研究提出了一种基于改进YOLOv8s的果实与叶片器官分割方法。该方法以YOLOv8s为基础，在Backbone部分设计了跨阶段局部残差（res... 详细信息

为解决多器官特征识别存在的多器官数据集难以获取以及待处理数据集存在的密集小目标和多尺度目标等问题，该研究提出了一种基于改进YOLOv8s的果实与叶片器官分割方法。该方法以YOLOv8s为基础，在Backbone部分设计了跨阶段局部残差（residual CSPLayer 2Conv,RC2）模块，以拓宽每个网络层的感受野，使网络能充分提取密集的小目标特征。在Neck部分设计了尺度空间金字塔池化（scale spatial pyramid pooling,SSPP）模块，以充分融合网络的高阶多尺度特征信息，增强模型对多尺度目标的检测能力。在Head部分设计了非对称解耦检测头（asymmetric decoupling detection head,ADDH）模块，使模型分类更关注于中心内容，而回归更关注于边缘信息。试验结果表明，在PlantCLEF2022公共数据集中选取的17种果树的数据集中，改进的YOLOv8s模型对果树果实和叶片器官识别的平均精度均值为90.2%，比YOLOv8s模型高6.7个百分点。此外，该研究还将该模型应用到自建的枣数据集上，达到了99.1%的识别准确率，较原模型提升6.6个百分点，证明了所提出方法的通用性，可为常见果树的器官分割与基于多器官特征的细粒度品种分类研究提供参考。

关键词：图像处理图像分割果树多器官 YOLOv8s 多尺度目标识别

基于改进注意力机制和多语义特征增强的枣品种识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2024年

作者：雷浩苑迎春许楠何振学河北农业大学信息科学与技术学院

针对目前自然场景下枣品种识别准确率较低的问题，提出了一种基于注意力机制和多语义特征增强的枣品种识别模型（ICBAM＿MSFE＿Res50）。该模型在ResNet-50基础上，引入注意力机制ICBAM（Improved convolutional block attention modul... 详细信息

针对目前自然场景下枣品种识别准确率较低的问题，提出了一种基于注意力机制和多语义特征增强的枣品种识别模型（ICBAM＿MSFE＿Res50）。该模型在ResNet-50基础上，引入注意力机制ICBAM（Improved convolutional block attention module），ICBAM采用一维卷积和多尺度空洞卷积对卷积块注意力模块（CBAM）进行改进，消除了特征图降维时的信息损失，降低了模型的计算量和参数量，提高了模型对枣果区域细粒度特征的提取能力。同时，提出了多语义特征增强（Multi semantic feature enhancement，MSFE）模块，该模块通过枣果区域定位算法提取更多枣果局部显著特征，并采用显著性特征抑制算法迫使模型学习枣果次要特征，从而达到枣果多种语义特征的学习。实验结果表明，本文模型在20类枣品种数据集上的准确率为92.20%，与ResNet-50相比，提高了4.26%。对比AlexNet、VGG-16、ResNet-18、InceptionV3模型，准确率分别提高了15.84%、9.22%、6.86%、3.55%。对比其他枣品种识别方法，本文方法在20种枣品种识别中表现最优，可为自然场景下枣品种的识别研究提供参考。

关键词：枣品种识别深度学习注意力机制多语义特征增强

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多器官特征融合的枣品种识别

农业机械学报 2024年

作者：许楠苑迎春雷浩孟惜何振学石家庄学院未来信息技术学院河北农业大学信息科学与技术学院

针对自然场景下的枣品种识别问题，以枣果为研究对象的机器视觉技术已成为枣品种精准识别的主流方法之一。针对枣品种存在类间差异小、类内差异大的问题，提出了一种基于多器官特征融合的枣品种识别方法。首先利用YOLOv3检测算法将采集... 详细信息

针对自然场景下的枣品种识别问题，以枣果为研究对象的机器视觉技术已成为枣品种精准识别的主流方法之一。针对枣品种存在类间差异小、类内差异大的问题，提出了一种基于多器官特征融合的枣品种识别方法。首先利用YOLOv3检测算法将采集的自然场景图像中的枣果和叶片器官分割提取，提出了基于笛卡尔乘积构建两器官组合对的枣品种多样本数据集，然后基于EfficientNetV2网络模型，设计了能够充分学习两器官特征相关性的融合策略来提升模型性能，引入了逐步迁移训练方式以提升枣品种识别效率。最后，在构建的包含20个枣品种数据集上进行了大量实验，得到97.04%的识别准确率，明显优于现有研究结果，并且在训练时间和收敛速度上，本方法也有一定提升。结果表明该方法能够有效融合枣品种枣果和叶片器官的特征信息，可为其他品种识别研究提供有价值的参考。

关键词：枣品种识别笛卡尔乘积特征融合迁移学习

基于改进ConvNeXt的奶牛行为识别方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2024年第5期55卷 282-289,404页

作者：李恩泽王克俭司永胜苑迎春何振学河北农业大学信息科学与技术学院保定071001 河北农业大学河北省农业大数据重点实验室保定071001

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt-ACM-F... 详细信息

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt-ACM-FAM)奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块(ACM)和特征注意力模块(FAM)。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×10^(6),浮点运算量减少了3×10^(8),相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。

关键词：奶牛行为识别非对称卷积 SimAM注意力 ConvNeXt

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于多尺度卷积和注意力机制的枣品种识别

中国农机化学报 2024年第6期45卷 135-141,148页

作者：雷浩苑迎春何振学河北农业大学信息科学与技术学院河北保定071001

为提高自然场景下枣品种识别方法的准确率,提出一种融合多尺度卷积和注意力机制的枣品种识别模型(Jujube-ResNet-18)。以自然场景下的10类枣品种为对象,根据枣品种图像的特点,该模型在ResNet-18基础上进行改进。引入多尺度卷积模块,增... 详细信息

为提高自然场景下枣品种识别方法的准确率,提出一种融合多尺度卷积和注意力机制的枣品种识别模型(Jujube-ResNet-18)。以自然场景下的10类枣品种为对象,根据枣品种图像的特点,该模型在ResNet-18基础上进行改进。引入多尺度卷积模块,增强模型对枣果多尺度特征的提取能力;在每个残差块中加入注意力机制CBAM,提高枣果特征信息权重,减弱复杂背景等无用特征的影响。试验结果表明,Jujube-ResNet-18在枣品种数据集上的准确率为89.5%,参数量和权重大小分别为1.135×10^(7)和43.41 MB。与其他算法相比,Jujube-ResNet-18有更好的特征提取能力、抗干扰能力和较小的模型复杂度,可为自然场景下的枣品种识别研究提供参考。

关键词：枣品种识别深度学习残差网络多尺度卷积注意力机制

基于改进YOLO v8s的羊只行为识别方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年

作者：王旺王福顺张伟进刘红达王晨王超何振学河北农业大学信息科学与技术学院河北农业大学大数据重点实验室

羊只站立、行走、采食等日常行为与其健康状况密切相关，高效、准确的羊只行为识别有助于疾病检测，对实现羊只健康预警具有重要意义。针对目前羊只多行为识别检测大多基于传感器等接触式设备，羊只活动受限，行为具有局限性，且群体养... 详细信息

羊只站立、行走、采食等日常行为与其健康状况密切相关，高效、准确的羊只行为识别有助于疾病检测，对实现羊只健康预警具有重要意义。针对目前羊只多行为识别检测大多基于传感器等接触式设备，羊只活动受限，行为具有局限性，且群体养殖环境下，羊只行为多样、场景复杂、存在遮挡等造成的行为识别精度低等问题，提出了一种基于改进YOLO v8s的羊只行为识别方法。首先，引入SPPCSPC空间金字塔结构增强了模型的特征提取能力，提升了模型的检测精度。其次，新增P2小目标检测层，增强了模型对小目标的识别和定位能力。最后，引入多尺度轻量化模块PConv和EMSConv，在保证模型识别效果的同时，降低了模型的参数量和计算量，实现了模型轻量化。实验结果表明，改进YOLO v8s模型对羊只站立、行走、采食、饮水、趴卧行为的平均识别精度分别为84.62%、92.58%、87.54%、98.13%和87.18%，整体平均识别精度为90.01%。与Faster R-CNN、YOLO v5s、YOLO v7、YOLO v8s模型相比，平均识别精度分别提高12.03、3.95、1.46和2.19个百分点。研究成果可为羊只健康管理和疾病预警提供技术支撑。

关键词：羊行为识别 YOLO v8s 轻量化

基于改进的ConvNeXt奶牛行为识别方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2024年

作者：李恩泽王克俭司永胜苑迎春何振学河北农业大学信息科学与技术学院河北农业大学河北省农业大数据重点实验室

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况，是奶牛疾病监测及感知奶牛异常的关键，为准确高效地对奶牛行为进行识别，提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt- AC... 详细信息

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况，是奶牛疾病监测及感知奶牛异常的关键，为准确高效地对奶牛行为进行识别，提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt- ACM- FAM)奶牛行为识别模型，该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块(ACM)和特征注意力模块(FAM)。首先，利用ACM划分通道分支提取特征并保留一部分原始特征，防止信息过度丢失。其次，FAM对不同通道的特征进行融合并引入SimAM注意力机制，不增加网络参数的同时增强重要特征的有效提取。实验结果表明，该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%，平均识别准确率为91.06%，参数量相较于原模型减少了1.5×106，浮点运算量减少了3×108，相较于其他模型，本文模型平均识别准确率平均提升8.63%。本文研究成果可为奶牛疾病监测及预防提供技术支持。

关键词：奶牛行为识别非对称卷积 SimAM注意力

基于SMABC算法的FPRM逻辑电路面积优化

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

北京航空航天大学学报 2023年第8期49卷 2099-2107页

作者：秦东阁何振学陈晨李隆昊王涛王翔河北农业大学河北省农业大数据重点实验室保定071001 河北农业大学现代科技学院保定071001 北京信息科技大学信息与通信工程学院北京100191 北京航空航天大学电子与信息工程学院北京100191

固定极性Reed-Muller(FPRM)逻辑电路面积优化是当前集成电路设计领域的研究热点。但现有FPRM逻辑电路面积优化方法存在优化效率低和优化效果差等问题。FPRM逻辑电路面积优化属于组合优化问题,提出一种自适应混合人工蜂群(SMABC)算法。... 详细信息

固定极性Reed-Muller(FPRM)逻辑电路面积优化是当前集成电路设计领域的研究热点。但现有FPRM逻辑电路面积优化方法存在优化效率低和优化效果差等问题。FPRM逻辑电路面积优化属于组合优化问题,提出一种自适应混合人工蜂群(SMABC)算法。所提算法在引领蜂搜索阶段引入细菌觅食算法中的细菌趋化行为,使引领蜂向靠近优秀蜜源的方向搜索,提高了所提算法的收敛速度;对跟随蜂的选择概率进行改进使其依据种群的变化自适应改变,提高了所提算法的全局搜索能力;对侦查蜂的转换条件进行改进,增加了侦查蜂在进化过程中的扰动幅度;且在进化过程中引入精英保留策略以提高种群质量。此外,提出一种基于SMABC算法的FPRM逻辑电路面积优化方法,所提方法收敛速度最快且面积优化率最高为54.62%,平均面积优化率为15.33%。

关键词：面积优化组合优化人工蜂群算法细菌觅食算法固定极性Reed-Muller逻辑电路

在线全文

学校读者我要写书评

暂无评论

基于时空特征的奶牛视频行为识别

农业机械学报 2023年第5期54卷 261-267,358页

作者：王克俭孙奕飞司永胜韩宪忠何振学河北农业大学信息科学与技术学院保定071001 河北农业大学河北省农业大数据重点实验室保定071001

准确、高效的奶牛行为识别有助于疾病检测、发现异常,是感知奶牛健康的关键。通过分析奶牛在牛场中各时段的行为,提出一种基于时空特征的奶牛行为识别模型,该模型在时域段网络(TSN)的基础上融合了时态移位模块(TSM)、特征注意单元(FAU)... 详细信息

准确、高效的奶牛行为识别有助于疾病检测、发现异常,是感知奶牛健康的关键。通过分析奶牛在牛场中各时段的行为,提出一种基于时空特征的奶牛行为识别模型,该模型在时域段网络(TSN)的基础上融合了时态移位模块(TSM)、特征注意单元(FAU)和长短期记忆(LSTM)网络。首先,利用TSM融合时间信息以提高时序建模能力,并将时序建模后的视频帧输入TSN。其次,利用FAU融合高分辨率空间信息和低分辨率语义信息,增强模型空间特征的学习能力。最后,由LSTM聚合过去和当前信息进行奶牛行为分类。实验表明,该方法对进食、行走、躺卧、站立行为识别准确率分别为76.7%、90.0%、68.0%、96.0%,平均行为识别准确率为82.6%,和C3D、I3D、CNN-LSTM网络相比,本文模型平均行为识别准确率分别提升7.9、9.2、9.6个百分点。光照变化会对奶牛行为识别准确率产生一定影响,但本文模型受光照影响相对较小。研究成果可为感知奶牛健康和疾病预防提供技术支持。

关键词：奶牛行为识别时域段网络时空特征时态移位长短期记忆