检索结果-南通市图书馆

智慧农业（中英文） 2021年第1期3卷 63-74页

作者：郝王丽尉培岩郝飞韩猛韩冀皖孙玮蓉李富忠山西农业大学软件学院山西晋中030801 陕西师范大学计算机学院陕西西安710119

谷穗的检测和计数对于预测谷子产量和育种至关重要。但是,传统的谷穗计数主要基于人工统计,既费时又费力。为解决上述问题,本研究首先建立了一个包含784张图像和10,000个谷穗样本的谷穗检测数据集。提出了一种基于YOLOv4和自适应锚框调... 详细信息

谷穗的检测和计数对于预测谷子产量和育种至关重要。但是,传统的谷穗计数主要基于人工统计,既费时又费力。为解决上述问题,本研究首先建立了一个包含784张图像和10,000个谷穗样本的谷穗检测数据集。提出了一种基于YOLOv4和自适应锚框调整的谷穗检测方法,可快速准确地检测特定框中的谷穗。通过自适应地调整锚框,可生成符合谷穗目标的候选框,从而提升检测的准确率。为验证该方法的有效性,采用了多个标准,包括平均精度(mAP),F1得分(F1-Score),精度(Precision)和召回率(Recall)进行评价。此外,设计了对比试验验证所提出方法的有效性,包括与其他模型(YOLOv2,YOLOv3和Faster-RCNN)进行比较来评估模型的性能,评估模型在不同交并比(IOU)取值下的性能,评估模型在自适应锚框调整下的谷穗检测性能,评估引起模型评价标准变化的原因,以及评估模型在不同原始输入图像尺寸下的性能。试验结果表明,YOLOv4获得了良好的谷穗检测性能。YOLOv4的mAP达到78.99%,F1-score达到83.00%,Precision达到87%和Recall达到79.00%,在所有评价标准上均比其他比较模型高出8%。试验结果表明,该方法具有较好的准确性和高效性。

关键词：谷穗检测 YOLOv4 深度神经网络数据集自适应锚框调整

来源：

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YOLO算法的大田谷穗检测方法研究

基于YOLO算法的大田谷穗检测方法研究

引用

作者：尉培岩山西农业大学

学位级别：硕士

谷穗检测的传统方法是人工观察,此方法效率低下、劳动强度大、主观性较强,检测准确率低;基于图像处理技术的谷穗检测,可以通过对谷穗的特征进行提取来识别谷穗,但容易受到光照、土壤等实地问题的影响,不能得到泛化的模型,且人为对谷穗... 详细信息

谷穗检测的传统方法是人工观察,此方法效率低下、劳动强度大、主观性较强,检测准确率低;基于图像处理技术的谷穗检测,可以通过对谷穗的特征进行提取来识别谷穗,但容易受到光照、土壤等实地问题的影响,不能得到泛化的模型,且人为对谷穗的特征提取需要大量经验。针对以上问题,本文提出使用YOLO系列模型,对特定框中的大田谷穗进行快速高效地检测,在提升谷穗计数效率的同时也降低了研究人员在田间的工作量,满足对谷穗的计数要求,对谷子亩产量估计有一定的科研价值。本文的主要工作如下:（1）本文以山西农业大学谷子实验地种植的雄性不育系GBS为实验对象,采集了784张谷穗图像,构建了谷穗检测数据集。（2）本文通过对比YOLOv2、YOLOv3和YOLOv4这三种模型对谷穗的检测性能,验证了YOLOv4的优势;针对这三种模型,固定置信度得分,选取不同的IOU阈值对模型的检测性能进行研究,结果表明,这三种模型的性能随着IOU的增大呈下降趋势。（3）本文对YOLOv3和YOLOv4两种模型,从批处理数据的样本大小和锚定框大小这两方面研究对谷穗的检测性能。针对不同大小的批处理数据样本,实验结果表明批处理数据的样本大小会影响模型性能,且模型性能随着批处理样本的减小而增大;本文使用k-means聚类算法,生成了符合谷穗数据集的锚定框,修改了这两种网络原本的锚定框,修改后的模型性能优于原模型。（4）本文最后使用YOLOv5的四个版本,YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x分别对谷穗进行检测,在不过拟合的情况下,随着模型深度的增加,模型的检测性能越来越好;其次分析了不同IOU对这四种模型检测性能的影响,从0.2到0.5随着IOU阈值的增大,模型的检测性能在随之提升。实验结果表明,基于YOLO的神经网络可以有效检测特定框中的谷穗,是高效且准确的方法。

关键词：谷穗检测目标检测 YOLO算法

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

基于轻量化YOLOv5模型的谷穗目标检测方法研究与应用

基于轻量化YOLOv5模型的谷穗目标检测方法研究与应用

引用

作者：李云山西农业大学

学位级别：硕士

中国是世界上最大的谷子种植区域,但谷子生产过程中存在农机装备智能化水平低、适用于复杂田间环境的智能农机种类少等问题。随着人工智能、深度学习等先进技术的快速发展,谷子智能化作业势在必行,其中实现应用于移动设备的谷穗快速精... 详细信息

中国是世界上最大的谷子种植区域,但谷子生产过程中存在农机装备智能化水平低、适用于复杂田间环境的智能农机种类少等问题。随着人工智能、深度学习等先进技术的快速发展,谷子智能化作业势在必行,其中实现应用于移动设备的谷穗快速精准检测技术,是谷子智能装备全方位高质量发展的关键。针对大田环境中的谷穗空间分布复杂、尺寸不一、茎叶遮挡及谷穗相互遮挡等致使谷穗检测困难和检测模型太大不利于在移动设备上部署的问题,本文开展了面向复杂田间背景下的轻量化谷穗检测方法的研究,实现了嵌入式开发板实时检测谷穗功能。本文主要工作内容如下:（1）谷穗数据集的建立。鉴于目前缺少谷穗数据集,本文通过在谷子实地基地拍摄的方式,采集了谷穗的图像,并使用Label Img标注工具,建立PASCAL VOC数据集格式的田间谷穗图像数据集。采集的谷穗图像中包含不同生长时期（抽穗期、灌浆期、成熟期）、不同光照条件和时间的谷穗图像。对所采集谷穗原始图像采取翻转、镜像、亮度调节、添加噪音等数据增强操作扩充数据集,提高训练数据多样性。（2）设计面向复杂田间背景下的轻量化谷穗检测方法。本文基于YOLOv5s模型提出三种面向复杂田间背景下的轻量化谷穗检测方法:1)采用轻量级网络Mobile Net V3替换YOLOv5s模型的特征提取网络,对模型进行轻量化改进,为提高模型的检测性能在多特征融合检测结构中增加微尺度特征检测层,后处理阶段采用融合非极大抑制值（Merge Non Max Suppression,Merge NMS）算法,设计了基于Mobile Net V3轻量化改进的谷穗检测模型（YOLOv5s-Mobile Net V3s-多尺度检测层-Merge NMS）。结果表明,该模型的m AP@0.5为91.80%,模型大小为7.57MB,相较于标准YOLOv5s减少了2.88MB。2)采用轻量级Ghost Net算法对YOLOv5s模型进行轻量化改进,在Backbone结构中融入在通道注意力中添加了位置信息坐标注意力机制（Coordinate Attention,CA）,并引入有效交并比（Efficient Intersection over Union,EIOU）损失函数降低模型回归过程中的损失以提高检测能力,构建了基于Ghost Net和坐标注意力机制的谷穗检测模型（YOLOv5s-Mobile Net V3s-多尺度检测层-Merge NMS）。结果表明,该模型的模型大小比YOLOv5s模型降低了2.33MB,其m AP@0.5达到96.60%,值达到95.81%。3)采用轻量化网络Shuffle Net V2作为YOLOv5s模型的主干特征提取网络,设计模型的轻量化结构;其次在Neck部分采用加权双向特征金字塔网络（Bidirectional Feature Pyramid Network,Bi FPN）,针对不同分辨率的谷穗特征有效地实现了多尺度特征融合;随后在Bi FPN结构中引入卷积注意力（Convolutional Block Attention Module,CBAM）模块,提出了基于Ghost Net和卷积注意力机制的谷穗检测模型（YOLOv5s-Shuffle Net V2-Bi FPN-CBAM）。结果表明,该模型的模型大小从10.45MB降低至8.08MB,减少了2.37MB,m AP@0.5达到为91.9%。（3）基于Jetson Nano的谷穗检测平台设计与实现。针对目标检测模型不易在大田环境中应用,采用边缘设备Jetson Nano部署谷穗检测模型,并基于Py Qt5框架实现谷穗检测系统。经过测试本文设计的谷穗检测系统检测精度和检测速度能满足智能农机装备的实际需求,具有很好的应用前景。

关键词：深度学习谷穗检测轻量化模型移动检测平台 Jetson Nano

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：