检索结果-南通市图书馆

基于改进yolo v7的苹果叶片病害检测方法

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11期55卷 68-74页

作者：袁杰谢霖伟郭旭梁荣光张迎港马浩田新疆大学电气工程学院乌鲁木齐830017

针对苹果叶片疾病形态多样、分布密集,导致检测精度不高的问题,提出了一种改进的yolo v7模型。首先,用双向特征金字塔网络(BiFPN)替代yolo v7中原有的特征融合方法,以提高模型对苹果叶片上不同尺度病害的检测能力。其次,在yolo v7的ELAN... 详细信息

针对苹果叶片疾病形态多样、分布密集,导致检测精度不高的问题,提出了一种改进的yolo v7模型。首先,用双向特征金字塔网络(BiFPN)替代yolo v7中原有的特征融合方法,以提高模型对苹果叶片上不同尺度病害的检测能力。其次,在yolo v7的ELAN和E-ELAN模块之后,增加高效通道注意力机制(ECA),以增强模型对苹果叶片病害特征的提取能力,并提高检测精度。最后,将yolo v7的损失函数改为SIOU损失函数,以加快模型的收敛速度。实验结果表明:改进yolo v7模型精确率为89.4%,召回率为81.5%,mAP@0.5为90.5%,mAP@0.95为62.1%,与原始yolo v7模型相比,分别提高4.9、5.2、3.5、4.6个百分点。改进yolo v7模型与Faster R-CNN、SSD、yolo v3、yolo v5s、yolo v7模型相比,mAP@0.5分别提升40.9、20.3、4.0、2.3、3.5个百分点,单幅图像检测时间为12 ms。

关键词：苹果叶片病害检测 yolo v7 多尺度融合注意力机制

基于yolo v7-ST-ASFF的复杂果园环境下苹果成熟度检测方法

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年第6期55卷 219-228页

作者：苗荣慧李港澳黄宗宝李志伟杜慧玲山西农业大学信息科学与工程学院太谷030801 山西农业大学农业工程学院太谷030801 山西农业大学基础部太谷030801

针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题,本文提出一种改进的yolo v7网络模型用于苹果成熟度(未成熟、半成熟、成熟)检测。以yolo v7为基线网络,在特征提取结构中引入窗口多头自注意力机制(Swin transformer,ST),极大... 详细信息

针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题,本文提出一种改进的yolo v7网络模型用于苹果成熟度(未成熟、半成熟、成熟)检测。以yolo v7为基线网络,在特征提取结构中引入窗口多头自注意力机制(Swin transformer,ST),极大地降低网络参数量与计算量;为提高模型对远景图像中小目标的检测能力,在特征融合结构中引入自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块优化Head部分,有效利用图像的浅层特征和深层特征,加强特征尺度不变性;采用WIoU(Wise intersection over union)代替原始CIoU(Complete intersection over union)损失函数,在提高检测准确率的同时加快模型收敛速度。试验结果表明,本文改进的yolo v7-ST-ASFF模型在苹果图像测试集上的检测速度和准确率均有显著提高,不同成熟度检测精确率、召回率和平均精度均值可达92.5%、84.2%和93.6%,均优于Faster R-CNN、SSD、yolo v3、yolo v5、yolo v7以及yolo v8目标检测模型;针对多目标、单目标、顺光、逆光、远景、近景以及套袋、未套袋苹果目标的检测效果都较好;本文网络模型内存占用量为53.4MB,模型平均检测时间(Average detection time,ADT)为***,均优于其他目标检测模型。改进的yolo v7-ST-ASFF模型能够满足复杂果园环境下苹果目标的检测,可为果蔬机器人自动化采摘提供技术支撑。

关键词：苹果成熟度检测复杂果园环境 yolo v7 窗口多头自注意力机制 ASFF

基于MS-yolo v7的多尺度稻飞虱识别分类方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第S01期54卷 212-221页

作者：刘双喜刘思涛屈慧星王刘西航胡宪亮许增海山东农业大学机械与电子工程学院泰安271018 山东省农业装备智能化工程实验室泰安271018 山东省农业机械科学研究院济南250100 济南祥辰科技有限公司济南251400 济阳区农业农村局济南251400

智能虫情测报灯下害虫的精准识别和分类是实现稻田虫情预警的前提,为解决水稻害虫图像识别过程中存在分布密集、体态微小、易受背景干扰等造成识别精度不高的问题,提出了一种基于MS-yolo v7(Multi-Scale-yolo v7)轻量化稻飞虱识别分类... 详细信息

智能虫情测报灯下害虫的精准识别和分类是实现稻田虫情预警的前提,为解决水稻害虫图像识别过程中存在分布密集、体态微小、易受背景干扰等造成识别精度不高的问题,提出了一种基于MS-yolo v7(Multi-Scale-yolo v7)轻量化稻飞虱识别分类方法。首先,采用稻飞虱害虫诱捕装置搭建稻飞虱害虫采集平台,获取的稻飞虱图像构成ImageNet数据集。然后,MS-yolo v7目标检测算法采用GhostConv轻量卷积作为主干网络,减小模型运行的参数量;在Neck部分加入CBAM注意力机制模块,有效强调稻飞虱区别度较高的特征通道,抑制沉冗无用特征,准确提取稻飞虱图像中的关键特征,动态调整特征图中不同通道的权重;将SPPCSPS空间金字塔池化模块替换SPPFS金字塔池化模块,提高网络模型对各分类样本的特征提取能力;同时将yolo v7模型中的SiLU激活函数替换为Mish激活函数,增强网络的非线性表达能力。试验结果表明,改进后的MS-yolo v7在测试集上的模型平均精度均值(Mean average precision,mAP)为95.7%,精确率(Precision)为96.4%,召回率(Recall)为94.2%,与Faster R-CNN、SSD、yolo v5、yolo v7网络模型相比mAP分别提高2.1、3.4、2.3、1.6个百分点,F1值分别提高2.7、4.1、2.5、1.4个百分点。改进后的模型内存占用量、参数量、浮点运算数分别为63.7 MB、2.85×107、7.84×1010,相比yolo v7模型分别缩减12.5%、21.7%、25.4%,MS-yolo v7网络模型对稻飞虱种间害虫均能实现高精度的识别与分类,具有较好的鲁棒性,可为稻田早期稻飞虱虫情预警提供技术支持。

关键词：稻飞虱图像识别机器学习目标检测分类 yolo v7

基于SNSS-yolo v7的肉牛行为识别方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第10期54卷 266-274,347页

作者：段青玲赵芷青蒋涛桂小飞张宇航中国农业大学信息与电气工程学院北京100083 农业农村部智慧养殖技术重点实验室北京100083 北京福通互联科技集团有限公司北京101300

肉牛活动过程中所表现出的行为是肉牛健康状况的综合体现,实现肉牛行为的快速准确识别,对肉牛疾病防控、自身发育评估和发情监测等具有重要作用。基于机器视觉的行为识别技术因其无损、快速的特点,已应用在畜禽养殖行为识别中,但现有的... 详细信息

肉牛活动过程中所表现出的行为是肉牛健康状况的综合体现,实现肉牛行为的快速准确识别,对肉牛疾病防控、自身发育评估和发情监测等具有重要作用。基于机器视觉的行为识别技术因其无损、快速的特点,已应用在畜禽养殖行为识别中,但现有的基于机器视觉的肉牛行为识别方法通常针对单只牛或单独某个行为开展研究,且存在计算量大等问题。针对上述问题,本文提出了一种基于SNSS-yolo v7(Slim-Neck&Separated and enhancement attention module&Simplified spatial pyramid pooling-fast-yolo v7)的肉牛行为识别方法。首先在复杂环境下采集肉牛的爬跨、躺卧、探究、站立、运动、舔砥和互斗7种常见行为图像,构建肉牛行为数据集;其次在yolo v7颈部采用Slim-Neck结构,以减小模型计算量与参数量;然后在头部引入分离和增强注意力模块(Separated and enhancement attention module,SEAM)增强Neck层输出后的检测效果;最后使用SimSPPF(Simplified spatial pyramid pooling-fast)模块替换原yolo v7的SPPCSPC(Spatial pyramid pooling cross stage partial conv)模块,在增大感受野的同时进一步减少参数量。在自建数据集上测试,本文提出的肉牛行为识别方法的平均精度均值(mAP_(@0.5))为95.2%,模型内存占用量为39 MB,参数量为1.926×10^(7)。与yolo v7、yolo v6m、yolo v5m、yoloX-S、TPH-yolo v5、Faster R-CNN相比,模型内存占用量分别减小47.9%、45.4%、7.6%、43.1%、57.8%和92.5%,平均精度均值(mAP_(@0.5))分别提高1.4、2.2、3.1、13.7、1.9、4.5个百分点,试验结果表明,本文方法能够实现肉牛行为的准确识别,可以部署在计算资源有限的设备上,为实现畜禽养殖智能化提供支持。

关键词：肉牛行为识别深度学习 yolo v7 多目标识别

基于yolo v7-ECA模型的苹果幼果检测

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 2023年第6期54卷 233-242页

作者：宋怀波马宝玲尚钰莹温毓晨张姝瑾西北农林科技大学机械与电子工程学院陕西杨凌712100 农业农村部农业物联网重点实验室陕西杨凌712100

为实现自然环境下苹果幼果的快速准确检测,针对幼果期苹果果色与叶片颜色高度相似、体积微小、分布密集,识别难度大的问题,提出了一种融合高效通道注意力(Efficient channel attention,ECA)机制的改进yolo v7模型(yolo v7-ECA)。在模型... 详细信息

为实现自然环境下苹果幼果的快速准确检测,针对幼果期苹果果色与叶片颜色高度相似、体积微小、分布密集,识别难度大的问题,提出了一种融合高效通道注意力(Efficient channel attention,ECA)机制的改进yolo v7模型(yolo v7-ECA)。在模型的3条重参数化路径中插入ECA机制,可在不降低通道维数的前提下实现相邻通道局部跨通道交互,有效强调苹果幼果重要信息、抑制冗余无用特征,提高模型效率。采集自然环境下苹果幼果图像2557幅作为训练样本、547幅作为验证样本、550幅作为测试样本,输入模型进行训练测试。结果表明,yolo v7-ECA网络模型准确率为97.2%、召回率为93.6%、平均精度均值(Mean average precision,mAP)为98.2%、F1值为95.37%。与Faster R-CNN、SSD、Scaled-yolo v4、yolo v5、yolo v6、yolo v7网络模型相比,其mAP分别提高15.5、4.6、1.6、1.8、3.0、1.8个百分点,准确率分别提高49.7、0.9、18.5、1.2、0.9、1.0个百分点,F1值分别提高33.53、2.81、9.16、1.26、2.38、1.43个百分点,召回率相较于Faster R-CNN、SSD、yolo v5、yolo v6、yolo v7网络模型分别提高5.0、4.5、1.3、3.7、1.8个百分点;单幅图像检测时间为28.9 ms,可实现苹果幼果的高效检测。针对幼果目标模糊、存在阴影和严重遮挡的情况,本研究采用550幅测试图像进行模型鲁棒性检验。在加噪模糊情况下,yolo v7-ECA的mAP为91.1%,F1值为89.8%,与Faster R-CNN、SSD、Scaled-yolo v4、yolo v5、yolo v6、yolo v7网络模型相比其mAP分别提高26.3、21.0、5.4、8.0、11.5、8.9个百分点,F1值分别提高27.19、7.08、8.50、4.20、3.94、4.67个百分点;在阴影情况下,yolo v7-ECA的mAP为97.5%,F1值为95.36%,与Faster R-CNN、SSD、Scaled-yolo v4、yolo v5、yolo v6、yolo v7网络模型相比其mAP分别提高14.8、8.8、2.1、2.4、5.4、2.5个百分点,F1值分别提高21.51、2.60、10.49、1.53、3.23、2.56个百分点;在严重遮挡情况下,yolo v7-ECA的mAP为98.6%,F1值为94.8%,与Faster R-CNN、SSD、Scaled-yolo v4、yolo v5、yolo v6、yolo v7网络模型相比其mAP分别提高21.7、13.7、2.3、2.4、4.8、2.2个百分点,F1值分别提高28.29、3.50、6.45、0.96、1.36、1.36个百分点。该网络模型可在保证网络模型精度的同时拥有较快的检测速度,且对场景模糊、阴影和严重遮挡等影响具有较好的鲁棒性。该研究可为幼果实时检测系统提供有效借鉴。

关键词：苹果幼果检测 yolo v7 高效通道注意力机制机器视觉

基于融合GhostNetv2的yolo v7水稻籽粒检测

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第12期54卷 253-260,299页

作者：刘庆华杨欣仪接浩孙世诚梁振伟江苏科技大学自动化学院镇江212100 苏州科技大学电子与信息工程学院苏州215004 江苏大学农业农村部智能农机装备重点实验室镇江212013

水稻籽粒检测在粮食储存中凸显重要作用,直接影响粮食销售的价格。针对一般机器视觉检测算法在水稻籽粒小目标的密集场景下存在难以识别且网络模型参数大,检测速度较慢、成本高等问题,提出一种基于yolo v7优化的水稻籽粒检测算法。首先... 详细信息

水稻籽粒检测在粮食储存中凸显重要作用,直接影响粮食销售的价格。针对一般机器视觉检测算法在水稻籽粒小目标的密集场景下存在难以识别且网络模型参数大,检测速度较慢、成本高等问题,提出一种基于yolo v7优化的水稻籽粒检测算法。首先将部分高效聚合网络模块(Efficient layer aggregation network,ELAN)替换成轻量级网络模块GhostNetv2添加到主干及颈部网络部分,实现网络参数精简化的同时也减少了通道中的特征冗余;其次将卷积和自注意力结合的注意力模块(Convolution and self-attention mixed model,ACmix)添加到MP模块中,平衡全局和局部的特征信息,充分关注特征映射的细节信息;最后使用WIoU(Wise intersection over union)作为损失函数,减少了距离、纵横比之类的惩罚项干扰,单调聚焦机制的设计提高了模型的定位性能。在水稻籽粒图像数据集上验证改进后的模型检测水平,实验结果表明,改进后的yolo v7模型的mAP@0.5达96.55%,mAP@0.5:0.95达70.10%,训练模型参数量也有所下降,在实际场景以暗黑色为背景的水稻杂质检测中的效果优于其他模型,满足了水稻籽粒的实时检测要求,可将此算法应用于自动化检测粮食系统中。

关键词：水稻籽粒检测 yolo v7 轻量级网络注意力模块

基于CBAM-yolo v7的自然环境下棉叶病虫害识别方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第S01期54卷 239-244页

作者：张楠楠张晓白铁成尚鹏王文瀚李莉中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 塔里木大学信息工程学院阿拉尔843300 塔里木绿洲农业教育部重点实验室(塔里木大学) 阿拉尔843300 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制yolo v7算法(CBAM-yolo v7)。该模型在yolo v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在H... 详细信息

针对自然环境下棉花叶片病害检测难度大和人工设计特征提取器难以获取与棉叶病虫害相近特征表达的问题,提出一种改进的注意力机制yolo v7算法(CBAM-yolo v7)。该模型在yolo v7模型基础上,在Backbone与Head中间增加注意力机制CBAM,并在Head部进行4倍下采样,然后将CBAM-yolo v7模型用于棉叶病虫害识别,并与yolo v5和yolo v7进行对比试验。试验结果表明:蚜虫和正常叶片检测方面,yolo v7可取得好的检测结果;CBAM-yolo v7对黄萎病、棉盲蝽、红蜘蛛棉叶病虫害图像检测的准确率高于其他模型。CBAM-yolo v7的mAP为85.5%,相较于yolo v5提高21个百分点,相较于yolo v7提高4.9个百分点;单幅图检测耗时为29.26 ms,可为棉叶病害在线监测提供理论基础。

关键词：棉叶病虫害目标检测注意力机制 yolo v7

基于改进yolo v7轻量化模型的自然果园环境下苹果识别方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第3期55卷 231-242,262页

作者：张震周俊江自真韩宏琪南京农业大学工学院南京210031

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进yolo v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块... 详细信息

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进yolo v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于yolo v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

关键词：苹果识别自然果园环境 yolo v7 PConv 高效通道注意力机制麻雀搜索算法

基于改进yolo v7的农田复杂环境下害虫识别算法研究

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第10期54卷 246-254页

作者：赵辉黄镖王红君岳有军天津理工大学电气工程与自动化学院天津300384 天津市复杂系统控制理论与应用重点实验室天津300384

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进yolo v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模... 详细信息

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进yolo v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到yolo v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。

关键词：农田复杂环境害虫识别目标检测深度学习 yolo v7 Swin Transformer