检索结果-南通市图书馆

农业机械学报 2022年第6期53卷 265-273页

作者：修春波孙乐乐天津工业大学控制科学与工程学院天津300387 天津工业大学天津市电气装备智能控制重点实验室天津300387

为提高马铃薯幼苗叶芽检测识别的准确率,提高自动育苗生产系统的工作效率,提出了基于YOLO v4网络的改进识别网络。将YOLO v4特征提取部分CSPDarknet53中的残差块(Residual Block)替换为Res2Net,并采用深度可分离卷积操作减小计算量。由... 详细信息

为提高马铃薯幼苗叶芽检测识别的准确率,提高自动育苗生产系统的工作效率,提出了基于YOLO v4网络的改进识别网络。将YOLO v4特征提取部分CSPDarknet53中的残差块(Residual Block)替换为Res2Net,并采用深度可分离卷积操作减小计算量。由此,在增大卷积神经网络感受野的同时,能够获得叶芽更加细小的特征信息,减少马铃薯叶芽的漏检率。设计了基于扩张卷积的空间特征金字塔(DSPP模块),并嵌入和替换到特征提取部分的3个特征层输出中,用于提高马铃薯叶芽目标识别定位的准确性。采用消融实验对改进策略的有效性进行了验证分析。实验结果表明,改进的识别网络对马铃薯叶芽检测的精确率为95.72%,召回率为94.91%,综合评价指标F1值为95%,平均精确率为96.03%。与Faster RCNN、YOLO v3、YOLO v4网络相比,改进的识别网络具有更好的识别性能,从而可有效提高马铃薯自动育苗生产系统的工作效率。

关键词：深度学习马铃薯叶芽检测扩张卷积感受野 YOLO v4

来源：

维普期刊数据库

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

基于深度学习的马铃薯叶芽检测方法研究

基于深度学习的马铃薯叶芽检测方法研究

引用

作者：孙乐乐天津工业大学

学位级别：硕士

马铃薯叶芽识别与定位的准确率是提高马铃薯自动化剪切效率的核心技术,针对马铃薯幼苗叶芽形态各异、大小不一、茎秆遮挡以及光照变化的情况,运用深度学习方法对马铃薯叶芽检测方法进行研究。并运用计算机控制技术搭建马铃薯幼苗自动剪... 详细信息

马铃薯叶芽识别与定位的准确率是提高马铃薯自动化剪切效率的核心技术,针对马铃薯幼苗叶芽形态各异、大小不一、茎秆遮挡以及光照变化的情况,运用深度学习方法对马铃薯叶芽检测方法进行研究。并运用计算机控制技术搭建马铃薯幼苗自动剪切平台,实现了马铃薯幼苗的自动化剪切。主要研究内容如下:为了增加马铃薯叶芽样本的多样性,提出了一种改进的DCGAN网络实现对马铃薯叶芽样本数据集的扩增,在生成器网络中增加两层转置卷积,以扩大生成图像尺寸,同时嵌入融合了sc SE注意力机制的Dense Net模块,以增加生成器网络的深度,增强生成图像质量,同时在判别器网络中加入两层卷积操作,以输出尺寸扩大后的生成图像的判别概率。实验结果表明,改进的DCGAN网络与原DCGAN网络的生成图像质量相比,其评价指标FID值降低了31.40%,IS值提高了43.88%,有效提高了图像的生成质量。为了提高马铃薯叶芽识别与定位的准确性,基于YOLO框架设计了一种适用于马铃薯叶芽识别与定位的检测方法。为了减少叶芽识别与定位过程中错检和漏检情况的发生,并减少网络的计算量,利用融合了深度可分离卷积思想的Res2Net模块替换特征提取部分CSPDarknet53中的残差结构。为了增加叶芽定位的准确性,设计了基于扩张卷积的空间特征金字塔（D-SPP模块）,并将其替换和嵌入到特征提取部分输出的三个特征层后。结合图像旋转、参数调整等数据增强方法以及改进后的DCGAN网络对原马铃薯幼苗图像样本数据集进行扩增,并按照8:1:1的比例将数据集样本随机划分为训练集、验证集和测试集样本用于网络模型训练。实验结果表明,该模型精度为95.72%,召回率为94.91%,综合评价指标F值为0.95,平均精度为96.03%。搭建了马铃薯幼苗自动剪切平台,实现马铃薯幼苗自动化剪切。对采集的马铃薯幼苗图像进行高斯滤波处理,采用基于YOLO框架改进的目标检测网络实现马铃薯叶芽的识别与定位,利用双目相机获取切割位置的三维坐标信息并计算距离信息,工控机根据获得的信息控制导轨运动,实现马铃薯幼苗剪切操作。

关键词： DCGAN YOLO框架数据增强叶芽检测马铃薯

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

马铃薯幼苗图像的检测与定位方法研究

马铃薯幼苗图像的检测与定位方法研究

引用

作者：董莉莹天津工业大学

学位级别：硕士

马铃薯叶芽检测是提高马铃薯自动育苗剪种环节生产效率的关键技术,由于马铃薯叶芽检测具有目标小、杆茎与叶芽遮挡严重、以及环境光照不稳定等特点,对叶芽的准确检测与定位算法提出了苛刻的要求。为此,本文开展基于深度学习网络的马铃... 详细信息

马铃薯叶芽检测是提高马铃薯自动育苗剪种环节生产效率的关键技术,由于马铃薯叶芽检测具有目标小、杆茎与叶芽遮挡严重、以及环境光照不稳定等特点,对叶芽的准确检测与定位算法提出了苛刻的要求。为此,本文开展基于深度学习网络的马铃薯叶芽识别与检测方法研究。首先,为了提高识别的准确性,开展了基础网络设计研究。为了降低漏检率,将基础网络的先验框设置为12个;为了提高小目标识别的准确性,根据基础网络的输入尺寸,添加了四种缩放比例;为了降低误识别率,提高叶芽与杆茎的区分度,在网络的损失函数设计中添加了颜色损失信息项,利用迁移学习加载Darknet的预训练权重,有助于网络地收敛。仿真实验表明,新设计的基础网络召回率比YOLOv3网络提高了6.61%,精准率比YOLOv3网络提高了3.67%,F分数比YOLOv3网络高出5.19%,同时将新设计的基础网络还与SSD、Faster R-CNN网络进行了对比,在识别时间和准确度上都优于这两种网络。其次,结合YOLOv4最新策略,基于上述基础网络,构建了用于马铃薯叶芽识别的深度学习网络。在12个先验框的基础上,针对输入尺寸,按照基础网络的多尺度缩放比例,生成了19×19、38×38、76×76、152×152的尺度预测层,将颜色融合到YOLOv4的损失函数,构建了新的损失函数,保留了YOLOv4的特点,进行了识别实验,新的卷积神经网络的召回率比YOLOv4网络提高了0.51%,比基础网络提高了3.12%,精准率比YOLOv4网络提高了0.82%,比基础网络提高了0.81%,其F分数比YOLOv4网络高出0.65%,比基础网络提高了1.98%,并且平均每幅图像识别速度能达到0.38s。结合YOLOv4策略,利用基础网络的先验框、多尺度预测、损失函数方法能够进一步提高网络的识别的准确性。最后,通过新设计的识别网络进行检测,检测结果经过预处理后,采用最大熵阈值,得到清晰的杆茎所在位置。与检测结果结合,经过匹配,确定杆茎的切割点。通过坐标的转换,最终获取下刀位置。结合实际搭建了剪切样机能够满足当前实验室的应用要求。

关键词：马铃薯育苗叶芽检测多尺度预测颜色识别信息卷积神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：