检索结果-南通市图书馆

基于改进yolo v5的混凝土桥梁裂缝轮廓提取研究

在线全文

学校读者我要写书评

暂无评论

交通技术 2024年第1期13卷 67-72页

作者：侯珂王翔刘文江程文党山东交通学院轨道交通学院山东济南济南城建集团有限公司山东济南山东交通学院航空学院山东济南

裂缝是混凝土桥梁的常见病害之一,当前主要依靠人工实施检测,存在效率低和准确率低等问题,研究自动化、智能化的裂缝检测方法一直是行业的热点问题。文章提出了一种改进yolo v5的深度学习方法可以解决当前桥梁裂缝检测误检率高实时性差... 详细信息

裂缝是混凝土桥梁的常见病害之一,当前主要依靠人工实施检测,存在效率低和准确率低等问题,研究自动化、智能化的裂缝检测方法一直是行业的热点问题。文章提出了一种改进yolo v5的深度学习方法可以解决当前桥梁裂缝检测误检率高实时性差的问题。首先,我们将yolo v5中主干网络替换为残差网络,进而加深网络的深度,通过残差连接使网络学习更复杂的特征;然后,在颈部网络结构的最后一层使用GCNet网络结构,通过全局相关层,将全局信息编码到每个位置的特征中,可以更好地捕捉裂缝的轮廓和细节。实验表明,该方法能够快速准确地检测出裂缝,且误检率较低,精确率可达到67.1%,比原始网络提高了9.2%,在混凝土桥梁裂缝轮廓提取任务中展现了出色的性能。

关键词：桥梁裂缝实例分割 yolo v5s 残差网络 GCNet

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

复杂环境下蛋鸡个体识别与自动计数系统研究

农业机械学报 2023年第6期54卷 297-306页

作者：杨断利王永胜陈辉孙二东王连增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

鸡群计数是鸡场资产评估中一项非常重要的工作。目前鸡场采用的人工计数方法,存在效率低下且计数准确度不稳定的问题。针对此问题,本文提出了一种基于改进yolo v5s的蛋鸡个体识别与计数的方法。该方法为了消除真实复杂环境下产蛋箱、食... 详细信息

鸡群计数是鸡场资产评估中一项非常重要的工作。目前鸡场采用的人工计数方法,存在效率低下且计数准确度不稳定的问题。针对此问题,本文提出了一种基于改进yolo v5s的蛋鸡个体识别与计数的方法。该方法为了消除真实复杂环境下产蛋箱、食槽等设施对蛋鸡个体识别带来的干扰,在yolo v5s模型的Neck部分引入了simAM注意力机制;为了扩大模型感受野,解决蛋鸡个体较小、识别困难的问题,将yolo v5s模型的sPPF(空间金字塔池化模块)改为了sPPCsPC模块;为了尽可能多地提取蛋鸡有效特征,通过在yolo v5s的Neck结构添加自适应特征融合模块AsFF,将不同尺度的蛋鸡成像特征信息进行融合的方法,进一步提升了模型的检测精度。在此基础上,通过调用模型检测接口,在接口内部添加计数函数、统计目标数量的方法,实现了蛋鸡个体的计数和鸡舍饲养密度的计算。将改进后的模型通过PyQt工具包进行封装、打包,开发了蛋鸡个体识别与自动计数系统。实验结果表明,改进的yolo v5s模型的精准率、召回率、平均精度均值分别为89.91%、79.24%、87.53%,较yolo v5s模型分别提高2.37、2.55、2.20个百分点。本模型在120~247只蛋鸡鸡舍的计数平均准确率为94.77%,较yolo v5s模型提升2.49个百分点。研发的蛋鸡计数系统在河北省某养殖基地得到了实际应用,为养殖场的蛋鸡数量清点提供了一种可靠且有效的方法。

关键词：蛋鸡个体识别与计数系统真实环境 yolo v5s 注意力机制特征融合

在线全文

学校读者我要写书评

暂无评论

基于顶芽智能识别的棉花化学打顶系统研究

农业机械学报 2024年第3期55卷 145-152页

作者：韩鑫韩金鸽陈允琳兰玉彬李建坤崔立华山东理工大学农业工程与食品科学学院淄博255000 潍柴雷沃智慧农业科技股份有限公司潍坊261200 山东绿风农业集团有限公司滨州256600

设计了基于顶芽智能识别的棉花化学打顶系统,为实现精准作业,合理高效使用棉花化学打顶药剂,以减少因化学打顶剂的过度使用造成的环境污染。该系统主要由棉花顶芽识别系统、控制系统和喷施系统组成。采用yolo v5s算法构建棉花顶芽识别... 详细信息

设计了基于顶芽智能识别的棉花化学打顶系统,为实现精准作业,合理高效使用棉花化学打顶药剂,以减少因化学打顶剂的过度使用造成的环境污染。该系统主要由棉花顶芽识别系统、控制系统和喷施系统组成。采用yolo v5s算法构建棉花顶芽识别模型。控制系统采用sTM32F407单片机,负责接收识别系统的信号,并对各个棉花打顶剂管道进行控制。同时,显示界面能够实时显示机具行驶速度、药液流量、打顶剂液位等参数。试验结果表明,在田间全天光照试验中,上午和下午时间段识别效果最优;在速度0.4 m/s下,平均识别率约为94%;信号发送区间为100 mm时,成功向下位机发送信号的成功率达到92%;田间对靶喷施试验表明,有效喷施率为94%,满足作业要求。

关键词：棉花化学打顶控制系统 yolo v5s 顶芽识别

基于CRv-yolo的苹果中心花和边花识别方法

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2期55卷 278-286页

作者：司永胜孔德浩王克俭刘丽星杨欣河北农业大学信息科学与技术学院保定071001 河北农业大学机电工程学院保定071001

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRv-yolo的苹果中心花和边花识别方法。本文基于yolo v5s模型进行了如下改进:将C-Co... 详细信息

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRv-yolo的苹果中心花和边花识别方法。本文基于yolo v5s模型进行了如下改进:将C-CoTCsP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用variFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRv-yolo的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、ssD、yoloX、yolo v7模型相比,CRv-yolo的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

关键词：苹果花识别 yolo v5s 上下文信息中心花边花

基于视觉定位的串并混联型百香果采摘机器人研究

在线全文

学校读者我要写书评

暂无评论

中国农机化学报 2023年第10期44卷 209-216,244,F0003页

作者：张日红欧炬基丁力行李小敏林桂潮钟建鸣仲恺农业工程学院机电工程学院广州市510550

针对垂帘式种植工艺的百香果,研制串并混联型采摘机器人。该采摘机器人由串并混联型机械臂、末端剪切执行器、移动车体、深度相机、控制电箱、智能控制终端和移动电源所组成。针对复杂背景下定位百香果采摘点的问题,根据百香果与果梗连... 详细信息

针对垂帘式种植工艺的百香果,研制串并混联型采摘机器人。该采摘机器人由串并混联型机械臂、末端剪切执行器、移动车体、深度相机、控制电箱、智能控制终端和移动电源所组成。针对复杂背景下定位百香果采摘点的问题,根据百香果与果梗连通关系,提出一种融合深度信息的yolo v5s目标检测与区域搜索的百香果采摘点识别定位算法。串并混联型采摘机械臂的升降和伸缩自由度存在非线性运动耦合问题,综合运用几何降维和数值迭代的方法获得逆解运动学控制模型。试验研究结果表明,采摘点定位成功率为89.4%,降维迭代的逆运动学求解平均时间为0.084 s,采摘成功率为93.3%,单次果实采摘的平均时间为30 s。

关键词：百香果采摘机器人混联机械臂 yolo v5s 视觉定位

在线全文

学校读者我要写书评

暂无评论

基于深度学习的河道航拍影像检测算法研究

工程科学与技术 2024年

作者：邓业发郄志红吴鑫淼河北农业大学城乡建设学院国家北方山区农业工程技术研究中心河北省河湖长制研究院

利用先进手段快速、精准地发现河湖四乱和水质等问题是提高河湖管理及河湖长制工作效率的重要途径之一，通过无人机巡视结合图像识别技术有望有效解决传统人工巡查河道观测范围受限、效率低下和涉河问题响应慢等问题，但目前存在河道水... 详细信息

利用先进手段快速、精准地发现河湖四乱和水质等问题是提高河湖管理及河湖长制工作效率的重要途径之一，通过无人机巡视结合图像识别技术有望有效解决传统人工巡查河道观测范围受限、效率低下和涉河问题响应慢等问题，但目前存在河道水面环境复杂，河道漂浮垃圾形状不规则且形态多样、尺寸不一，水华绿藻分布较广，非法采砂行为发生地点较为隐蔽且易受到遮挡等问题，依靠传统的图像识别算法进行检测存在较大的挑战性。针对这一挑战，本文提出一种基于改进yolo v5s(You Only Look Once)的河道巡查图像识别算法，即yolo v5s–CDF算法。首先，使用FocalNext模块替代Backbone骨干网络中的C3模块，通过引入深度可分离卷积和空洞卷积，增强网络对小目标的特征提取能力；在输出部分添加Context Aggregation注意力机制，通过引入上下文聚合机制来调整输入数据的权重，使模型能够更加关注于图像中的关键信息；使用解耦头（Decouple Head）替换原有的耦合检测头，将特征提取和任务预测分开，加快了网络的收敛速度，进一步提升了模型对于小目标的检测能力。实验结果表明，yolo v5s–CDF模型的平均精度均值（mAP）为86.7%，比yolo v5s模型高了4.1%，对比yolo v7–tiny和yolo X–s模型，平均精度均值提高了20.4%和8.3%。实例分析结果说明本研究提出的yolo v5s–CDF模型是能够实现河湖问题精准识别的可靠且有效的方法。

关键词： yolo v5s 小目标检测河道垃圾 FocalNext模块注意力机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

宿根蔗补种机轻量化蔗苗识别与定位技术

农业机械学报 2024年

作者：李尚平张超张彪文春明李凯华广西民族大学电子信息学院广西高校智慧无人系统与智能装备重点实验室广西大学机械工程学院

宿根蔗补种机是为了解决甘蔗田间缺苗问题而研发出来的一种补种装置，对于补种机田间作业，其能够精准地识别并定位宿根蔗苗十分重要。针对甘蔗田间宿根蔗苗难以精确检测并定位的问题，提出了一种双目相机结合改进yolo v5目标检测算法... 详细信息

宿根蔗补种机是为了解决甘蔗田间缺苗问题而研发出来的一种补种装置，对于补种机田间作业，其能够精准地识别并定位宿根蔗苗十分重要。针对甘蔗田间宿根蔗苗难以精确检测并定位的问题，提出了一种双目相机结合改进yolo v5目标检测算法的宿根蔗苗检测和定位方法。针对目标检测，提出了一种改进yolo v5s网络模型yolo v5s＿P234＿sGG，首先在不同光照及距离条件下拍摄宿根蔗苗图像，进行数据预处理和标注，构建宿根蔗苗数据集，然后剔除原始yolo v5s网络模型的大目标检测层，新增一个小目标检测层，使模型能够更好地适应对蔗苗这种小目标的识别需求，其次在主干网络引入simAM注意力机制，以增强模型对宿根蔗苗关键特征信息的关注，引入slimNeck代替Neck网络，在保持足够精度的同时降低了模型的复杂度，并将主干网络中的普通卷积模块替换成Ghost模块，显著减小了模型的内存占用量。实验结果表明，该方法在宿根蔗苗数据集上准确率达到95.8%，召回率达到95.2%，平均精度均值达到97.1%，相比原始yolo v5s网络，准确率上升3.1个百分点，召回率上升2.6个百分点，平均精度均值上升3.1个百分点，模型内存占用量减小7.7MB，参数量减少4062632，GFLOPs减少7.8，单幅图像检测时间减少3.7ms。蔗苗定位实验表明，双目测距定位算法的平均相对误差为2.83%，最大相对误差为4.58%。成功实现了对甘蔗苗的精准识别与测距，为后续的农业智能作业提供了重要的实时信息和决策支持。

关键词：宿根蔗补种机蔗苗识别与定位 yolo v5s 轻量化双目相机

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于无人机RGB图像的宿根蔗缺苗定位方法

农业机械学报 2024年

作者：李尚平郑创锐文春明李凯华广西民族大学电子信息学院广西高校智慧无人系统与智能装备重点实验室

针对预切种式双芽蔗段横向补种机缺少整体的缺苗数据，导致补种效率不佳等问题，提出了一种基于无人机RGB图像的宿根蔗缺苗定位方法。首先，通过无人机快速采集实际田间宿根蔗幼苗的高分辨图像，将航拍大图（分辨率为5472像素×3648像... 详细信息

针对预切种式双芽蔗段横向补种机缺少整体的缺苗数据，导致补种效率不佳等问题，提出了一种基于无人机RGB图像的宿根蔗缺苗定位方法。首先，通过无人机快速采集实际田间宿根蔗幼苗的高分辨图像，将航拍大图（分辨率为5472像素×3648像素）切分成多幅子图并进行数据增强，从而构建宿根蔗幼苗数据集；其次，在yolo v5s的基础上引入P2小目标特征层和DyHead模块，提高对幼苗小目标的检测准确性，并在训练过程引入图像加权策略解决样本数量不平衡问题，进一步提高被遮挡幼苗的检测精度；接着，在切片辅助推理框架中引入改进模型的训练权重，在大尺寸田间图像中实现宿根蔗幼苗的检测；最后，构建以改进的DBsCAN聚类算法和PCA拟合算法为核心的作物行识别算法，在作物行线上定位缺苗位置。试验结果表明，改进后的宿根蔗幼苗检测模型在子图上的平均检测精度为96.8%，在大图上的识别准确率和召回率分别为94.5%和91.8%，检测时间为0.32s。基于检测的位置坐标信息利用作物行识别算法实现分垄，作物行聚类准确率达到100%，拟合的作物行中心线角度平均误差为0.2455°，作物行中心线上缺苗位置识别的准确率和召回率分别为91.9%和97.1%，平均定位误差为9.73px。该方法可用于大尺寸复杂田间图像上的宿根蔗智能缺苗定位，为补种作业提供技术支持，对延长宿根年限、提高甘蔗产量具有重要意义。

关键词：宿根蔗幼苗缺苗定位无人机RGB图像 yolo v5s 作物行识别 DBsCAN

基于CRv-yolo的苹果中心花和边花识别

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 2023年

作者：司永胜孔德浩王克俭刘丽星杨欣河北农业大学信息科学与技术学院河北农业大学机电工程学院

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花，是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求，提出了一种基于CRv-yolo的苹果中心花和边花识别方法。本文基于yolo v5s模型进行了如下改进：首... 详细信息

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花，是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求，提出了一种基于CRv-yolo的苹果中心花和边花识别方法。本文基于yolo v5s模型进行了如下改进：首先，将C-CoTCsP结构融入Backbone，更好地学习上下文信息并提高了模型特征提取能力，提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。然后，在Backbone中添加改进RFB结构，扩大特征提取感受野并对分支贡献度进行加权，更好地利用了不同尺度特征。最后，采用variFocal Loss损失函数，提高了模型对遮挡等场景下的难样本的检测能力。在3个品种1837幅图像的数据集上进行了实验，结果表明，CRv-yolo的精确率、召回率和mAP分别为95.6%、92.9%和96.9%，同原模型相比，分别提高了3.7、4.3、3.9个百分点，模型受光照变化和苹果品种影响较小。与Faster R-CNN、ssD、yoloX、yolo v7模型相比，CRv-yolo的精确率、mAP、模型大小和复杂度性能最优，召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

关键词：苹果花识别 yolo v5s 上下文信息中心花边花