检索结果-南通市图书馆

基于改进yolo v3的红掌佛焰与病虫害特征检测研究

在线全文

学校读者我要写书评

暂无评论

实验室研究与探索 2023年第9期42卷 105-109页

作者：何平刘荣谭富林浙大宁波理工学院机电与能源工程学院浙江宁波315100 杭州电子科技大学机械工程学院杭州310018

针对红掌人工分级效率低下且易对红掌植株造成损伤的问题,提出改进yolo v3网络模型来实现对红掌佛焰与病虫害特征的提取与检测,实现红掌准确分级。将yolo v3特征金字塔网络替换双向特征金字塔-3网络,提升模型的感受野。添加通道注意力模... 详细信息

针对红掌人工分级效率低下且易对红掌植株造成损伤的问题,提出改进yolo v3网络模型来实现对红掌佛焰与病虫害特征的提取与检测,实现红掌准确分级。将yolo v3特征金字塔网络替换双向特征金字塔-3网络,提升模型的感受野。添加通道注意力模块,强化有效特征并减少噪声。使用解耦合检测头代替耦合检测头,提升模型的精度与泛化能力。实验结果表明,相比于yolo v3、CSP-yolo v3、Mask-RCNN等目标检测模型,在不明显降低检测速度的前提下,改进yolo v3模型对红掌佛焰与病虫害特征检测具有更高的精确率和召回率,能适用大批量红掌分级鉴定,满足实际生产需求。

关键词：特征检测改进yolo v3 红掌佛焰与病虫害检测精确率

基于改进yolo v3算法的零件目标快速检测方法

在线全文

学校读者我要写书评

暂无评论

南京工程学院学报（自然科学版） 2020年第3期18卷 6-11页

作者：黄家才邹俊丁凌陈田南京工程学院工业中心、创新创业学院江苏南京211167

针对通用算法在小规模数据集时零件目标检测效率不高的问题,提出一种基于yolo v3算法的改进网络.改进yolo v3算法针对数据集的特点,在充分保留深度卷积网络特征提取能力的基础上,减少网络层数、模型参数量和检测特征图,能够有效提高算... 详细信息

针对通用算法在小规模数据集时零件目标检测效率不高的问题,提出一种基于yolo v3算法的改进网络.改进yolo v3算法针对数据集的特点,在充分保留深度卷积网络特征提取能力的基础上,减少网络层数、模型参数量和检测特征图,能够有效提高算法检测速度.对比试验证明,改进yolo v3算法与原yolo v3算法相比,两者的检测效果没有明显差距,但改进yolo v3算法的检测效率得到了明显提升.

关键词：零件检测深度学习改进yolo v3 快速检测图像增强

在线全文

学校读者我要写书评

暂无评论

基于海洋遥感图像的无人艇路径覆盖规划算法

中国惯性技术学报 2023年第1期31卷 85-91页

作者：曹毅程向红李丹若刘丰宇微惯性仪表与先进导航技术教育部重点实验室南京210096 东南大学仪器科学与工程学院南京210096

遥感技术和无人艇的结合在海洋覆盖应用中具有巨大的潜力,提出了一种基于海洋遥感图像的无人艇路径覆盖方法。首先,为了建立精确的地图模型,提出了一种基于改进yolo v3的旋转目标检测算法,在yolo v3的基础上,细化障碍物的轴向、长度、... 详细信息

遥感技术和无人艇的结合在海洋覆盖应用中具有巨大的潜力,提出了一种基于海洋遥感图像的无人艇路径覆盖方法。首先,为了建立精确的地图模型,提出了一种基于改进yolo v3的旋转目标检测算法,在yolo v3的基础上,细化障碍物的轴向、长度、宽度和坐标信息,在不增加计算量的情况下提高复杂场景下障碍物检测的召回率。然后,为了获得高效的覆盖路径,提出了一种基于旋转光束和贪心算法的路径覆盖算法。该算法将完整路径分为直行路径和转弯路径,分别基于长度与避障目标优化覆盖路径。仿真结果表明,较基于栅格地图的神经元激励算法,所提出算法在长度上平均减少了9.3%,并且在2种极端海洋环境中实现路径覆盖率为100%,重复率小于2.1%。

关键词：无人艇遥感图像改进yolo v3 路径覆盖旋转光束贪心算法

基于深度学习的葡萄叶片黑腐病识别与病斑分割方法研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的葡萄叶片黑腐病识别与病斑分割方法研究

作者：朱加俊河北农业大学

学位级别：硕士

葡萄是世界范围内广泛种植的一种经济水果,病害是影响其产量的重要因素。黑腐病是一种会导致葡萄减产的真菌病害,发病时在葡萄叶片和果实等部位表现出黑色病斑,这种疾病主要盛行于较为潮湿的春天和初夏季节且影响地区较为广泛。目前,针... 详细信息

葡萄是世界范围内广泛种植的一种经济水果,病害是影响其产量的重要因素。黑腐病是一种会导致葡萄减产的真菌病害,发病时在葡萄叶片和果实等部位表现出黑色病斑,这种疾病主要盛行于较为潮湿的春天和初夏季节且影响地区较为广泛。目前,针对此类病害的识别和受害程度分级主要依靠人工判别,这种方法容易收到判断者的主观因素影响。利用计算机和图像处理技术进行葡萄叶片黑腐病识别和病斑分割,有利于快速准确的评估受害程度以便进行针对性的治疗,对保证葡萄产量和种植者的收入具有重要的意义。因此,本文以葡萄叶片黑腐病病害图像为研究对象,重点研究基于深度学习的葡萄叶片黑腐病识别方法以及病斑图像分割方法。论文的主要研究内容如下:(1)提出了一种基于超分辨率图像增强和yolo v3的葡萄叶片黑腐病识别方法。首先,利用双线性插值法将原始图像进行上采样并增强局部细节,提高图像的像素数量。然后,将增强后的图像输入到改进的yolo v3-SPP网络中进行检测,该网络将原始 yolo v3 网络中的 IoU(Intersection over Union,IoU)替换为 GIoU(Generalized Intersection over Union,GIoU),并加入了 SPP 模块(Spatial Pyramid Pooling,SPP)以提高网络的识别性能。最后,采用yolo v3官方的预训练权重对训练模型进行快速收敛。室内环境下的病害识别结果表明,yolo v3-SPP网络的识别精准率(Precision)达到95.79%,召回率(Recall)达到94.52%,相比原始yolo v3网络,Precision值提高了 5.94%,Recall值提高了 10.67%。室外环境下的病害识别结果表明,本文提出的方法可以应用于野外环境,Precision值为86.69%,Recall值为82.27%;如果图像的背景比较简单,则室外环境下的Precision和Recall分别可以提高到94.05%和93.26%。(2)提出了一种融合注意力机制和DeepLab v3+的葡萄叶片黑腐病分割方法。其中,利用ResNet101网络作为DeepLab v3+的骨干网络,并在其残差模块中插入通道注意力模块。此外,在Deeplab v3+的编码端中增加了一路基于特征金字塔网络(Feature Pyramid Networks,FPN)的特征融合分支用于融合不同层级的特征图。室内环境下的测试结果表明,改进后的DeepLab v3+在平均交并比(Mean Intersection over Union,MIoU)、Recall和F1-score三项评估指标上分别达到了 84.8%、88.1%和91.8%,比改进前的DeepLab v3+分别提高3.0%、2.3%和1.7%。在室外环境下的试验数据中,改进后DeepLab v3+的MIoU、Recall和Fl-score分别比改进前提高了 3.3%、2.5%和 1.9%。(3)开发了葡萄叶片黑腐病病害程度分级软件程序。以改进后的DeepLab v3+深度学习模型为基础,利用Python语言编写了 GUI人机交互软件。此外,对该软件的性能进行了测试,测试结果表明该软件可以正确的完成葡萄叶片黑腐病的识别和受害程度分级;同时,该软件还具有很好的泛化性,可以用于其它感染了黑腐病叶片的识别与受害等级评估。

关键词：葡萄黑腐病改进yolo v3 病害识别改进Deeplab v3+ 病斑分割

运动摄像机下飞机目标检测、识别与跟踪方法研究

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

运动摄像机下飞机目标检测、识别与跟踪方法研究

作者：李玉虎桂林电子科技大学

学位级别：硕士

近年来,我国面临着错综复杂的国家安全形势,防空的任务愈加繁重,防空预警和反制更加困难,因此,一系列新式地空武器系统开始列装部队,在训练和教学中,若完全采用传统实弹训练方式,不仅不利于针对性的训练和提高,也不符合军费效能最大化... 详细信息

近年来,我国面临着错综复杂的国家安全形势,防空的任务愈加繁重,防空预警和反制更加困难,因此,一系列新式地空武器系统开始列装部队,在训练和教学中,若完全采用传统实弹训练方式,不仅不利于针对性的训练和提高,也不符合军费效能最大化利用的实际需求。因此研制配套训练系统,对针对性训练和节省军费开支具有较强的现实意义。在训练过程中,训练操作指令触发和训练成绩的评估均基于飞机目标的检测,针对低空飞机目标,由移动摄像机获取天空画面,通过视频处理技术进行目标的检测、识别与跟踪。具体研究可分为如下四部分:(1)运动目标检测。摄像机运动会引起视频画面的背景运动,传统目标检测方法难以将运动目标准确提取,本文提出了基于区域评分和运动补偿的方法进行运动目标检测,并提出了基于HSI(色调、饱和度、亮度)颜色空间和运动一致性的碎片整合方法,通过与其他算法对比,在多云和半空背景下本文算法检测准确度改善明显。(2)目标类型识别。在运动目标检测的基础上,近一步对运动目标类型进行识别,本文首先对基于候选区域的R-CNN(区域卷积神经网络)系列算法和基于回归的yolo(You Only Look Once)系列算法进行分析,然后针对小目标识别的需求,对yolo v3进行改进,主要表现在基于更大尺度的特征图进行目标检测,并且在检测网络中引入残差网络。建立飞机目标数据集,训练改进网络,通过对改进yolo v3,未改进yolo v3,Faster R-CNN算法进行实验对比,结果表明,相比未改进前单帧耗时略有增加,但改进后的网络对小目标的识别能力提升明显。(3)目标跟踪。由于运动目标检测和目标识别算法的单帧处理速度难以满足实时性要求,需要跟踪算法替代部分检测识别工作,本文通过对DSST(区分尺度空间跟踪器)、KCF(核相关滤波)、TLD(学习检测跟踪)、Camshift(连续自适应均值漂移)跟踪进行对比实验,结果表明,DSST算法单目标跟踪帧率可达到95FPS以上,能够适应目标的尺度变化。(4)系统集成。首先介绍了系统集成思路和框架,主要思路是以少数帧的检测识别结果创建跟踪器对后续序列进行目标跟踪,达到提升整体处理速度的目的。主要包括跟踪目标获取,跟踪器创建与更新,离开目标跟踪器删除,飞行趋势判别等,实验结果表明集成系统的检测准确率达81%以上,处理帧率在18～35FPS之间,基本满足实时性要求。

关键词：飞机检测区域评分运动补偿改进yolo v3 DSST跟踪系统集成

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

基于深度学习的挤奶奶牛个体识别方法研究

基于深度学习的挤奶奶牛个体识别方法研究

作者：刘建敏西北农林科技大学

学位级别：硕士

精确、快速的挤奶奶牛个体识别技术是自动化养殖的重要组成部分,对保障奶牛健康、提高养殖场的管理能力和生产效益具有重要作用。针对传统人工耳标法识别效率低、易磨损、占用人力资源;二维码耳标、胃标、射频识别等电子设备成本高、识... 详细信息

精确、快速的挤奶奶牛个体识别技术是自动化养殖的重要组成部分,对保障奶牛健康、提高养殖场的管理能力和生产效益具有重要作用。针对传统人工耳标法识别效率低、易磨损、占用人力资源;二维码耳标、胃标、射频识别等电子设备成本高、识别距离短、耐用率低,且会对奶牛造成物理损伤的问题,本文在分析国内外奶牛识别研究现状的基础上,采用计算机视觉技术和视频分析技术,结合奶牛背部体斑特征的多样性,研究基于深度学习的挤奶奶牛个体识别方法,为奶牛养殖场提供一种高精度、无接触、低成本识别奶牛的方法。本文的主要工作及结论如下:(1)搭建了奶牛背部视频采集平台并研究了奶牛图像预处理方法。根据奶牛日常的挤奶过程和挤奶厅实际情况,设计并搭建了奶牛背部视频采集软硬件平台和视频处理平台,共获取48段奶牛背部视频;为减少采集的视频帧图像中的噪声,分别进行双边滤波、高斯滤波、中值滤波、均值滤波和方框滤波试验,结果表明双边滤波在去噪的同时与原图结构具有最强的相似性和最高的信噪比;对图像进行亮度、对比度增强与锐化处理,增强了图像质量;用张正友棋盘格标定法对摄像机进行标定,得到无畸变的奶牛图像。通过对奶牛图像样本旋转和亮度扩充,增强样本多样性,由于奶牛头部较小且变化幅度大,因此仅标注奶牛背部区域,建立了89头奶牛的36790幅供试集。(2)针对奶牛个体身份的识别,研究并提出了基于改进yolo v3的奶牛个体识别模型。首先以Darknet-53为框架,根据奶牛目标的特点和yolo v3的不足,从优化适合的锚点框个数和尺寸、对预测框的位置参数建模、改进损失函数、增加1×1卷积核和残差模块等4个方面,对yolo v3模型进行改进,并从迭代次数和置信度阈值2个方面对训练网络得到的不同识别模型进行评估,获得了最优的改进yolo v3识别模型。为分析、验证模型的识别效果,建立了基于Faster R-CNN和yolo v3的奶牛个体识别模型作为对比。(3)用测试集样本对奶牛个体识别模型进行识别试验和分析。将实际养殖场环境中获取的奶牛测试集分别输入改进yolo v3模型、yolo v3模型、Faster R-CNN模型进行测试,测试结果分析表明,改进yolo v3模型在测试集上的准确率为95.91%,召回率为95.32%,m AP为95.16%,平均帧率为32fps,均高于其他2个模型,具有较高的识别准确率和适应奶牛形变的能力,对视频段识别的误检率为3.63%,且预处理方法对识别结果有一定提升,能够满足养殖场对挤奶奶牛进行实时识别的要求。(4)对不同体斑颜色、不同光照条件下3种模型的识别效果进行对比试验,验证模型的鲁棒性。用纯黑色、纯白色(不同体斑颜色),侧向阳光和灯光(不同光照条件)下的样本进行识别试验,改进yolo v3模型在不同条件下对奶牛识别的F1值均高于yolo v3模型和Faster R-CNN模型2-5%,表明本文提出的改进yolo v3模型具有良好的适应不同光照条件下对不同体斑颜色的奶牛识别的性能以及鲁棒性,可为养殖场进出挤奶厅的奶牛个体编号实时识别提供技术支撑。

关键词：挤奶奶牛个体识别深度学习改进yolo v3 Faster R-CNN