检索结果-南通市图书馆

基于改进YOLO v5s的轻量化植物识别模型研究

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8期54卷 267-276页

作者：马宏兴董凯兵王英菲魏淑花黄文广苟建平北方民族大学电气信息工程学院银川750021 宁夏农林科学院植物保护研究所银川750002 宁夏回族自治区草原工作站银川750002 西南大学计算机与信息科学学院重庆400715

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络... 详细信息

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入sIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DsC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在vOC数据集平均精度均值可达80.09%。相比yolo v3-tiny、yolo v4-tiny和YOLO v5s,改进模型内存占用量减小,平均精度均值提升。模型YOLO v5s-CBD在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息。

关键词：植物识别 YOLO v5s BoTNet 坐标注意力深度可分离卷积轻量化

基于sEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

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9期54卷 316-328页

作者：杨断利王永胜陈辉孙二东王连增宁炜河北农业大学信息科学与技术学院保定071001 河北省农业大数据重点实验室保定071001 河北农业大学动物科技学院保定071001 农业农村部肉蛋鸡养殖设施工程重点实验室保定071001 河北桃木疙瘩农业科技股份有限公司保定074300 河北省蛋鸡产业技术研究院邯郸056007 成都小巨人畜牧设备有限公司成都611435

针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于sEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加sEAM注意力模块、在特征融合部分引入显式视觉中心模块(EvCBlock),扩大了模... 详细信息

针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于sEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加sEAM注意力模块、在特征融合部分引入显式视觉中心模块(EvCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,sEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点,对比Faster R-CNN、yolo X-s、yolo v4-tiny和yolo v7-tiny模型,平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。

关键词：蛋鸡日常行为识别 sEAM模块 EvCBlock模块 YOLO v5s

基于改进YOLO v5s的复杂环境下蔗梢分叉点识别与定位

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11期54卷 247-258页

作者：李尚平卞俊析李凯华任泓宇广西民族大学电子信息学院南宁530006

甘蔗蔗梢分叉点的精确识别与高度定位是实现甘蔗收获机切梢器实时控制的关键技术之一,也是提高甘蔗收获机械化水平和降低甘蔗含杂率的重要途径。针对甘蔗地环境复杂、光照变化大、蔗梢分叉点相互遮挡等问题,首先通过田间调查,并现场测... 详细信息

甘蔗蔗梢分叉点的精确识别与高度定位是实现甘蔗收获机切梢器实时控制的关键技术之一,也是提高甘蔗收获机械化水平和降低甘蔗含杂率的重要途径。针对甘蔗地环境复杂、光照变化大、蔗梢分叉点相互遮挡等问题,首先通过田间调查,并现场测试、分析甘蔗生长点、甘蔗分叉点及相互关系的特征规律,采集图像的甘蔗分叉点的统计分析,并结合现场对甘蔗分叉点高度的测量统计分析,发现其均具有明显的正态统计特征。接着,提出了一种基于改进YOLO v5s的蔗梢分叉点识别方法。该方法采用单目和双目相机在广西大学扶绥农科基地采集甘蔗图像数据,并进行数据预处理和标注,构建了甘蔗蔗梢分叉点数据集。然后,在YOLO v5s中引入BiFPN特征融合结构和CA注意力机制,以增强不同层次特征的交互和表达能力,并使用GsConv卷积和slim-Neck范式设计,在原始模型主干网络中引入Ghost模块替换原始普通卷积,来降低模型的计算量和参数量,提高模型的运行效率。最后,通过在现场采集的数据集上进行训练和测试,验证了该方法的有效性和优越性。实验结果表明,该方法在甘蔗蔗梢分叉点数据集上平均精确率达到92.3%、召回率89.3%和检测时间19.3 ms,相比原始YOLO v5s网络,平均精确率提高5个百分点,召回率提高4个百分点,参数量降低43%,模型内存占用量减少5.5 MB,检测时间减少0.7 ms。最后,根据甘蔗分叉点具有明显的正态统计特征的规律,利用该特征结合双目视觉的定位算法,可为开展甘蔗收获机切梢的特征识别、切梢器高度定位及实时控制研究奠定理论及技术基础。

关键词：蔗梢分叉点 YOLO v5s 生长高度统计规律目标识别

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法

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3期54卷 274-281页

作者：宋怀波李嵘王云飞焦义涛华志新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

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融... 详细信息

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention module)、CA(Coordinate attention)、sE(squeeze and excitation)和ECA(Efficient channel attention)4种注意力机制,试验结果表明,ECA注意力机制的平均精度均值分别比CBAM、CA、sE高0.5、0.6、0.2个百分点。并且分析讨论了不同遮挡情况以及光照情况的检测结果,结果表明,ECA-YOLO v5s网络可以准确、快速地检测不同遮挡以及光照情况的肉牛目标。模型具有较高的鲁棒性,且模型较小,便于模型的迁移应用,可为肉牛目标检测及质押监管等研究提供必要的技术支撑。

关键词：肉牛目标检测 ECABasicBlock YOLO v5s 重度遮挡环境

基于改进YOLO v5s的甘蔗切种茎节特征识别定位技术

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 234-245,293页

作者：李尚平郑创锐文春明李凯华甘伟光李洋广西民族大学电子信息学院南宁530006 广西高校智慧无人系统与智能装备重点实验室南宁530006

为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据... 详细信息

为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据增强,利用原始的YOLO v5s模型进行训练和测试,结果显示数据增强能一定程度上提高检测精度。针对茎节特征目标小以及模型体积大导致检测精度低、部署难度高等问题,对YOLO v5s的骨干网络进行改进,在sPPF特征融合模块前引入坐标注意力(Coordinate attention,CA)模块和Ghost轻量化结构,在Head网络中剔除P5大目标检测头,得到了改进后甘蔗茎节检测模型YOLO v5s-CA-BackboneGhost-p34,测试结果表明该模型优于其他主流算法和原始模型,具有高精度、小体积等优势。其中,平均精度均值1和平均精度均值2分别提高5.2、16.5个百分点,模型浮点数计算量和内存占用量分别降低42%和51%。最后,为了提高检测速度和实时性,将模型部署于边缘端,利用TensorRT技术加快检测速度,并在传送速度为0.15 m/s的甘蔗智能横向切种工作站上完成实际切种实验。实验结果表明,加速后茎节检测速度达到95 f/s,实时检测定位平均误差约为2.4 mm,切种合格率为100%,漏检率0.4%,说明本文提出的模型具有高度可靠性和实用性,可以为甘蔗横向切种工作站的工厂化、智能化以及标准化应用提供有效的技术支持。

关键词：甘蔗智能横向切种工作站茎节识别与定位 YOLO v5s 边缘端部署

基于改进YOLO v5s的奶山羊面部识别方法

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4期54卷 331-337页

作者：宁纪锋林靖雅杨蜀秦王勇胜蓝贤勇西北农林科技大学信息工程学院陕西杨凌712100 农业农村部农业物联网重点实验室陕西杨凌712100 西北农林科技大学机械与电子工程学院陕西杨凌712100 西北农林科技大学动物医学院陕西杨凌712100 西北农林科技大学动物科技学院陕西杨凌712100

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使... 详细信息

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入simAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R CNN、ssD、yolo v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。

关键词：奶山羊个体识别 YOLO v5s 迁移学习注意力机制

基于YOLO v5s的自然场景油茶果识别方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2022年第7期53卷 234-242页

作者：宋怀波王亚男王云飞吕帅朝江梅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

针对油茶果体积小、分布密集、颜色多变等特点,为实现自然复杂场景下油茶果的快速精准定位,并依据果实的疏密分布,确定恰当的自动振荡采收装置夹持位置,利用YOLO v5s卷积神经网络模型,开展了自然环境下油茶果图像检测方法研究,用3296幅... 详细信息

针对油茶果体积小、分布密集、颜色多变等特点,为实现自然复杂场景下油茶果的快速精准定位,并依据果实的疏密分布,确定恰当的自动振荡采收装置夹持位置,利用YOLO v5s卷积神经网络模型,开展了自然环境下油茶果图像检测方法研究,用3296幅油茶果图像制作PAsCAL vOC的数据集,对网络进行了150轮训练,得到的最优权值模型准确率为90.73%,召回率为98.38%,综合评价指标为94.4%,平均检测精度为98.71%,单幅图像检测时间为12.7 ms,模型占内存空间为14.08 MB。与目前主流的一阶检测算法yolo v4tiny和RetinaNet相比,其精确率分别提高了1.99个百分点和4.50个百分点,召回率分别提高了9.41个百分点和10.77个百分点,时间分别降低了96.39%和96.25%。同时结果表明,该模型对密集、遮挡、昏暗环境和模糊虚化情况下的果实均能实现高精度识别与定位,具有较强的鲁棒性。研究结果可为自然复杂环境下油茶果机械采收及小目标检测等研究提供借鉴。

关键词：油茶果自然场景目标检测 YOLO v5s 深度学习数据增强

基于YOLO v5s和改进sORT算法的黑水虻幼虫计数方法

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7期54卷 339-346页

作者：赵新龙顾臻奇李军浙江理工大学信息科学与工程学院杭州310018 台州学院智能制造学院台州318000

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难... 详细信息

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难等问题。针对以上问题,本文提出了一种改进sORT算法,通过改进卡尔曼滤波模型的方式提升目标追踪算法的快速性和准确性,提升了计数的精度。另外,针对黑水虻幼虫目标识别过程中幼虫性状的多样性和混料导致的复杂背景问题,本文通过实验对比多种深度学习网络性能选定YOLO v5s算法提取图像多维度特征,提升了目标识别精度。实验结果表明:在划线计数方面,本文提出的改进sORT算法与原模型相比,平均精度从91.36%提升到95.55%,提升4.19个百分点,通过仿真和实际应用,证明了本文模型的有效性;在目标识别方面,使用YOLO v5s模型在训练集上帧率为156 f/s,mAP@0.5为99.10%,精度为90.11%,召回率为99.22%,综合性能优于其他网络。

关键词：黑水虻幼虫目标识别目标追踪划线计数 YOLO v5s sORT算法

一种轻量级YOLO v5s农作物虫害目标检测模型

在线全文

学校读者我要写书评

暂无评论

南京农业大学学报 2023年

作者：郭小燕于帅卿甘肃农业大学信息科学技术学院

[目的]针对将目标检测技术应用于农作物虫害检测中时，需要大量训练样本以及高性能计算设备，这对于计算硬件、样本数量质量受限的情况下进行农作物虫害的识别带来了困难，本文提出了一种轻量级YOLO v5s农作物虫害目标检测模型以解决在... 详细信息

[目的]针对将目标检测技术应用于农作物虫害检测中时，需要大量训练样本以及高性能计算设备，这对于计算硬件、样本数量质量受限的情况下进行农作物虫害的识别带来了困难，本文提出了一种轻量级YOLO v5s农作物虫害目标检测模型以解决在样本数量不足的情况下，农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost BottleBlock线性特征提取模块封装为1个GB模块，代替了YOLO v5s中前7个CBL，CsP，sPP非线性特征提取模块，从而约简了YOLO v5s的网络参数，减轻了网络体量。[结果]在保证虫害检测效果的前提下降低了网络对计算硬件与训练样本的依赖。为了验证模型的有效性，对于水稻、玉米、棉花、马铃薯、苜蓿等5种农作物的12类虫害进行识别与定位，平均精确率mAP为91.31%，比YOLO v5s模型高出2.5个百分点。[结论]通过和ssD，Faster-RCNN，YOLO v5s对比，发现本文提出的模型在mAP，F1-score，Precision，Recall四个评价指标均占优势，尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。

关键词：农作物虫害 YOLO v5s 轻量级目标检测