检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOX的茶叶嫩芽检测方法分析

集成电路应用 2024年第1期41卷 48-49页

作者：肖辉谢本亮贵州大学大数据与信息工程学院贵州550025

阐述基于改进YOLOX模型检测茶叶嫩芽的过程,包括茶叶嫩芽数据集的构建与注意力机制的原理。试验结果表明,改进YOLOX算法大大提高了茶芽检测的准确性。

关键词：图像处理深度学习茶叶嫩芽检测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的茶叶嫩芽检测和采摘研究

基于深度学习的茶叶嫩芽检测和采摘研究

作者：付昊浙江科技学院

学位级别：硕士

随着科技的不断进步,人们的生活品质和饮茶需求也在不断的提升。茶园里的人工采茶费时又费力,而需求量越来越大,因此对于智能采茶的研究需要不断深入。由此本文基于深度学习展开对茶叶嫩芽进行识别的研究,并联合机械臂来完成对茶叶嫩芽... 详细信息

随着科技的不断进步,人们的生活品质和饮茶需求也在不断的提升。茶园里的人工采茶费时又费力,而需求量越来越大,因此对于智能采茶的研究需要不断深入。由此本文基于深度学习展开对茶叶嫩芽进行识别的研究,并联合机械臂来完成对茶叶嫩芽的采摘。在研究过程中,为了更准确的找到不同形状茶叶的采摘点,通过对YOLOv5算法进行优化,从而可以对茶叶这种小目标的检测更加具有实时性。重点考虑了茶叶嫩芽检测、坐标系互相转换以及控制器通信等过程中的速度和准确性,主要工作和研究成果如下:(1)首先,采用传统的基于颜色特征方法,对茶叶嫩芽分割进行研究。分别采用阈值分割和HSV分割找到茶叶嫩芽的ROI区域,对其进行图像分割。通过对比两种算法的分割效果,HSV虽然在准确性上优于阈值分割,但是适用性较差,而且速度太慢,不太适合如今的智能采摘。(2)为了提高检测效率,本文提出一种改进的Ghost Net-YOLOv5模型,首先,为了简化网络模型,将Ghost Net与YOLOv5进行融合,以此大大地减少了计算量。其次,为了解决YOLOv5中尺度不同所带来的特征图不平衡的问题,在YOLOv5的基础上添加注意力机制,通过比较SE通道注意力和CBAM空间注意力,选择合适的模块使检测网络可以更容易提取图像特征。同时将改进后的网络与原网络进行对比实验。结果表明,添加注意力机制后的网络模型在检测精度上明显要优于原模型。随后,为了提高对小目标检测的准确率,对Neck层进行改进。考虑到Bi FPN结构的优势,将双向特征融合添加到YOLOv5中。最后,通过改进损失函数EIOU提高训练的收敛速度。实验结果表明,改进后的YOLOv5模型相较于当前主流的Faster RCNN、YOLOv5-Lite都有明显的改善。考虑到模型的实际应用,将改进后的网络模型在Android端进行部署,完成对茶叶图像的检测。(3)利用双目相机,对茶叶的深度信息进行研究。通过Matlab软件中的标定工具箱对双目相机进行标定实验,以获取相机的内外参数。利用SGBM立体匹配算法计算得到茶叶的深度图,再根据深度学习测量得到的中心位置从而得到嫩芽的三维信息,定位误差保持在2%以内。同时,通过手眼标定将相机坐标系下的三维坐标转化为机械臂坐标系下的三维坐标。最后,通过采用D-H参数法对机械臂各个关节构建坐标系,可以对机械臂正向和逆向运动学进行研究。(4)最后,本文结合深度学习的目标检测平台,以武汉需要智能技术有限公司生产的3自由度串联机械臂为主体,配合末端采摘器为气动剪刀的装置,使用路径控制指令传输的通讯模块来完成采茶机械臂的识别和抓取功能,并进行室内的采摘实验。

关键词：茶叶嫩芽检测深度学习 YOLO算法目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的茶叶嫩芽检测方法研究

基于深度学习的茶叶嫩芽检测方法研究

作者：徐慧蓉浙江理工大学

学位级别：硕士

茶叶嫩芽以其优良的品质以及精细的加工而深受欣赏。但是对于茶叶嫩芽的采摘方式目前仍然是处于人工采摘的阶段,导致存在劳动强度大、成本高且效率低的问题,无法满足市场需求。随着现代科技技术在农业领域的广泛应用,基于深度学习的自... 详细信息

茶叶嫩芽以其优良的品质以及精细的加工而深受欣赏。但是对于茶叶嫩芽的采摘方式目前仍然是处于人工采摘的阶段,导致存在劳动强度大、成本高且效率低的问题,无法满足市场需求。随着现代科技技术在农业领域的广泛应用,基于深度学习的自动采摘设备被用于茶叶嫩芽的智能化采摘中,而在设备研发过程中最具挑战性和关键性的问题是如何准确地识别和定位茶叶嫩芽以及将模型嵌入到移动端实现实时检测。本文针对现有的茶叶嫩芽检测算法检测精度低、泛化性能差且无法实现实时检测的问题,以中茶龙井108品种(中国农业科学院茶叶研究所,简称中茶)作为研究对象,提出了一种基于深度学习的茶叶嫩芽智能识别算法,研究的内容主要包括以下方面:(1)构建自然环境下生长的茶叶嫩芽数据集。针对不同时期、不同光照、不同角度下采集的茶叶嫩芽,使用Label Img软件对茶叶嫩芽图像进行标注,并应用多种数据增强技术扩充数据集的规模,编写Python程序将数据集转换成可供神经网络识别的格式。(2)选定基线网络并分析基线网络存在的不足。将目前主流的目标检测网络在自制的数据集上进行实验并比较实验结果,综合考量检测精度以及实地检测要求,分析选择YOLOv3作为基线网络的原因,并就其在检测茶芽时存在的不足进行分析。(3)搭建基于YOLOv3的YOLO-Tea深度学习网络框架。针对原始的YOLOv3网络特征提取能力不足导致茶叶嫩芽出现漏检误检的问题,分别改进原始YOLOv3网络的主干特征提取网络、特征融合网络以及预测头。针对原始的YOLOv3网络检测框定位不准确的问题,分别改进原始YOLOv3网络的锚框、边界框回归损失函数以及候选框筛选算法。通过不同的数据增强算法,创新性的将Token Mix数据增强方法应用于YOLOv3网络中,增强了模型的稳健性和泛化性能。实验结果显示,相比较于原始的网络,改进后的YOLO-Tea网络有效的提高了复杂背景下的茶叶嫩芽检测性能。(4)搭建基于YOLO-Tea网络的轻量化网络YOLO-Ghost。针对YOLO-Tea网络在嵌入式设备上出现的问题进行改进,设计轻量化模型,具体的改进点包括:1)将主干特征提取网络Dark Net53替换为Dark Net19,提高模型训练速度的同时降低内存占用;2)通过在网络中引进轻量化的多尺度卷积块注意力模块(Multiscale Convolutional Block Module,MCBAM),在不增加模型参数量的情况下聚集有利于茶叶嫩芽分类的信息同时抑制无关的信息;3)使用Ghost模块替换原网络的普通卷积块,通过廉价运算产生多特征图,降低模型的参数量的同时提升模型的精度。实验结果显示,相较于原始的YOLO-Tea网络,改进后的YOLOGhost网络在保持高精度检测的同时实现了实时检测。

关键词：茶叶嫩芽检测深度学习 YOLO-Tea 注意力模块 YOLO-Ghost

基于深度学习的茶叶嫩芽检测系统的设计与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的茶叶嫩芽检测系统的设计与实现

作者：何虎四川农业大学

学位级别：硕士

茶叶是我国重要的经济作物,其产值普遍高于其他农作物。茶叶种植面积广阔,种类繁多,按照加工工艺的不同,可将其归为六大类:绿茶、红茶、白茶、乌龙茶、黄茶和黑茶。其中绿茶和黄茶是使用茶叶嫩芽制作,需要在采摘时即时处理。由于茶园面... 详细信息

茶叶是我国重要的经济作物,其产值普遍高于其他农作物。茶叶种植面积广阔,种类繁多,按照加工工艺的不同,可将其归为六大类:绿茶、红茶、白茶、乌龙茶、黄茶和黑茶。其中绿茶和黄茶是使用茶叶嫩芽制作,需要在采摘时即时处理。由于茶园面积通常十分广阔,地形和气候条件具有很大差异,导致出芽数量和速度均不相同。因此,需要在最佳采摘时间内进行采摘,以避免芽头过少或过多而导致茶叶经济效益不佳。目前大部分的茶园通常通过人力评估和雇人巡山来解决采茶及时性的问题,浪费了大量人力成本。为了解决这个问题,本研究旨在提供智慧茶园和农业现代化技术支持,通过使用无人机巡山来降低农民的工作量,减少生产合作社生产成本,提高生产效益。本研究以四川省雅安市雨城区合江镇万亩茶园的茶叶嫩芽为研究对象,采用改进的YOLOv5模型对采集的茶叶图片进行嫩芽的检测,旨在帮助茶农更好地管理和利用茶园资源,推动茶叶产业的发展。主要研究内容如下:(1)构建复杂背景环境下的茶叶嫩芽图像数据集。因研究所用茶叶嫩芽图片没有任何公开的数据集,故进行人工采集。采集距离茶树15cm-25cm茶叶嫩芽视频,通过抽帧切片生成原始图片数据集,共采集2898张原始茶叶嫩芽图像。为了解决原始图像质量不佳的问题,采用Tenengrad梯度函数去除模糊图像,同时利用SSIM(结构相似度量)去除相似度高的图片。去除部分图片后,由于数据集数量较少,采用数据增强方法进行扩充至6242张。(2)研究主流的目标检测模型对茶叶嫩芽检测效果。采用Faster-RCNN、SSD以及YOLOv5s基础模型对茶叶嫩芽进行学习与训练,实验结果显示,传统检测模型对复杂背景下茶叶嫩芽的检测存在漏检误检,YOLOv5s模型相较之下检测精度和速度较好,并对YOLOv5的s、m、l、x四种模型大小进行对比实验,为了解决漏检和误检问题,最终选择对YOLOv5s模型进行优化改进。(3)提出一种基于改进YOLOv5模型的茶叶嫩芽检测方法。本文对YOLOv5s进行了优化,包括使用Adam优化器和Label Smoothing标签平滑,引入卷积注意力模块CBAM来提高模型定位能力并增加对茶叶嫩芽的关注度,以及使用改进的Wise IOU损失函数算法来增强模型的泛化能力。实验结果表明,本文提出的改进算法在茶叶嫩芽的检测效果上最优,平均精度均值(m AP)达到了87.04%。分别与Faster RCNN、SSD和YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x主流网络模型相比,其平均检测精度分别提高了15.6%、21.2%、2.4%、1.7%、1.2%和0.7%。(4)设计并实现基于Web的茶叶嫩芽检测系统。该系统旨在为茶农提供一种便捷、高效、准确的茶叶嫩芽检测解决方案。用户可以通过Web页面查看茶园检测的图像,并获取该茶园检测出的茶叶嫩芽个数,从而便于用户进行茶园管理和决策。

关键词：茶叶嫩芽检测改进YOLOv5 注意力机制 Wise IOU 深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图像的茶叶嫩芽检测技术研究

基于图像的茶叶嫩芽检测技术研究

作者：王子钰沈阳工业大学

学位级别：硕士

中国是茶的故乡,茶叶种植量、产量、消费量、出口量均位居世界第一。茶叶的广泛需求需要茶叶采摘工业的大力支撑与发展。如今的茶叶采摘技术以人工采摘与机械采摘为主。然而人工采摘和普通的机械采摘难以保证采摘的效率和成本,同时也会... 详细信息

中国是茶的故乡,茶叶种植量、产量、消费量、出口量均位居世界第一。茶叶的广泛需求需要茶叶采摘工业的大力支撑与发展。如今的茶叶采摘技术以人工采摘与机械采摘为主。然而人工采摘和普通的机械采摘难以保证采摘的效率和成本,同时也会影响茶叶的品质。因此,需要一种能自动地、有选择性地采摘茶叶的技术,而这一技术的前提就是茶叶嫩芽的检测。基于以上背景分析,本文以茶叶图像为研究对象,研究和探索自动检测茶叶嫩芽的方法,主要内容如下:首先,采用提取颜色特征的方法检测茶叶嫩芽。对采集到的茶叶图像做滤波降噪处理,随后比较分析茶叶图像在RGB、HSI、Lab、YIQ四个颜色模型下的颜色特征,对比后提取G-B颜色特征并灰度化。对于灰度图,采取Otsu分割法实现图像分割。将分割得到的二值图进行形态学处理后,与原图像进行掩模处理,得到了保留了茶叶嫩芽和少量无关信息的图像。其次,针对提取颜色特征方法的不足,提出新的方法检测茶叶嫩芽,即基于深度学习的目标检测算法:SSD算法和YOLO V3算法。SSD算法采用了改进的VGG16卷积神经网络提取茶叶图像的特征,并根据茶叶图像的实际情况生成了对应尺度和长宽比的默认框,随后根据NMS算法进行筛选建立正负样本,最后采用损失函数来保证训练的进行。YOLO V3算法则采用Darknet-53提取茶叶图像特征,并生成了与SSD算法中默认框类似的候选框,之后同样利用NMS算法、损失函数来控制训练。两种算法在原理与特点上存在差异,但是在理论上都可以应用到茶叶嫩芽的检测上。最后,使用上述两种目标检测算法进行茶叶嫩芽检测。整个实验过程包括:搭建Matlab可视化平台和深度学习平台,利用爬虫法和相机拍摄采集茶叶图像,通过提取颜色特征的方法预处理茶叶图像,使用四种方法增强茶叶图像数据集,人工标注茶叶图像数据集以及SSD和YOLO V3算法的训练与调整参数。最终可以得到用来检测茶叶嫩芽的神经网络模型。结果表明,在结合了提取颜色特征的预处理过程后,SSD、YOLO V3两种目标检测算法都可以实现对茶叶嫩芽的精确与自适应检测。两种算法对比而言,YOLO V3具有更高的准确率和更快的速度,更适合茶叶嫩芽的检测,对于未来茶叶自动化采摘技术具有较大的支持与帮助。

关键词：茶叶嫩芽检测颜色特征目标检测 SSD算法 YOLO V3算法

基于YOLOv5s的轻量级茶叶嫩芽终端检测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

浙江农业学报 2024年第6期36卷 1413-1424页

作者：朱铭敏张国平谭建军孙玲姣朱黎焦洁华中师范大学物理科学与技术学院湖北武汉430079 湖北恩施学院智能工程学院湖北恩施445000 湖北民族大学智能科学与工程学院湖北恩施445000

在茶园环境中快速精准识别茶叶嫩芽是实现智能化采茶的关键技术之一,但茶芽检测模型的复杂性导致模型参数量大、计算量大、模型尺寸大,限制了模型在采茶机器人嵌入式设备的部署。鉴于此,本文提出一种基于YOLOv5s的轻量级茶叶嫩芽终端检... 详细信息

在茶园环境中快速精准识别茶叶嫩芽是实现智能化采茶的关键技术之一,但茶芽检测模型的复杂性导致模型参数量大、计算量大、模型尺寸大,限制了模型在采茶机器人嵌入式设备的部署。鉴于此,本文提出一种基于YOLOv5s的轻量级茶叶嫩芽终端检测模型。首先,使用轻量级网络GhostNet替换YOLOv5s中的Backbone网络,并重构Neck网络,降低模型的参数量、计算量和内存占用量,改进后的模型分别降低了47.64%、49.36%、45.51%。其次,通过引入协调注意力(coordinate attention,CA)机制,抑制图像背景信息,增强模型对茶叶嫩芽的特征提取能力。接着,在Neck网络引入多尺度特征融合(multi-scale context,MSC)模块,有效融合浅层图像特征和深层语义特征,帮助网络模型提取有效识别信息。最后,使用边界框回归损失函数EIOU替换CIOU,加快损失函数收敛速度,提高茶叶嫩芽边界框定位精度。试验结果表明,与原YOLOv5s模型相比,改进模型的参数量、计算量以及模型内存占用量分别降低了3 Mb、7.3 Gb和6.37 Mb,检测精度提升0.3%。通过模型转换将该模型移植到树莓派平台,经过环境部署和推理引擎加速,达到了轻量级模型在资源和算力有限的树莓派上对茶叶嫩芽检测的目的,在一定程度上提高了茶叶嫩芽的识别精确度,为茶叶嫩芽的智能化采摘提供了理论研究和技术支持。

关键词：茶叶嫩芽检测树莓派轻量级注意力机制

维普期刊数据库

同方期刊数据库

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

名优茶采摘机器人关键技术研究

中国农机化学报 2023年第12期44卷 174-179页

作者：陈光明毛奔章永年南京农业大学工学院南京市210031 江苏省智能化农业装备重点实验室南京市210031

目前我国仍采用传统的人工方式采摘名优茶,实现名优茶机械化、智能化、高效率采摘成为当前一个研究热点。从名优茶嫩芽的识别和定位、机械臂的设计、末端执行器的设计等方面,介绍国内外名优茶采摘机器人的研究进展、特点,指出当前采茶... 详细信息

目前我国仍采用传统的人工方式采摘名优茶,实现名优茶机械化、智能化、高效率采摘成为当前一个研究热点。从名优茶嫩芽的识别和定位、机械臂的设计、末端执行器的设计等方面,介绍国内外名优茶采摘机器人的研究进展、特点,指出当前采茶机器人存在识别定位较差、采摘速度较慢等问题。研发具有普适性和通用性的嫩芽识别定位算法、高效的采摘机械臂及其控制系统、具有保护性的柔性末端执行器都是未来名优茶采摘机器人需要解决的关键问题。

关键词：名优茶采摘茶叶嫩芽检测机械臂末端执行器