检索结果-南通市图书馆

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

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

维普期刊数据库博看期刊

基于StyleGAN2-ADA和改进yolo v7的葡萄叶片早期病害检测方法

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1期55卷 241-252页

作者：张林鍹巴音塔娜曾庆松新疆大学电气工程学院乌鲁木齐830017 清华大学国家计算机集成制造系统工程技术研究中心北京100084

为实现葡萄早期病害的快速准确识别,针对葡萄病害的相似表型症状识别率低及小病斑检测困难的问题,以葡萄黑腐病和黑麻疹病为研究对象,提出了一种基于自适应鉴别器增强的样式生成对抗网络与改进的yolo v7相结合的葡萄黑腐病和黑麻疹病的... 详细信息

为实现葡萄早期病害的快速准确识别,针对葡萄病害的相似表型症状识别率低及小病斑检测困难的问题,以葡萄黑腐病和黑麻疹病为研究对象,提出了一种基于自适应鉴别器增强的样式生成对抗网络与改进的yolo v7相结合的葡萄黑腐病和黑麻疹病的病斑检测方法。通过自适应鉴别器增强的样式生成对抗网络和拉普拉斯滤波器的方差扩充葡萄病害数据。采用MSRCP算法进行图像增强,改善光照环境凸显病斑特征。以yolo v7网络框架为基础,将BiFormer注意力机制嵌入特征提取网络,强化目标区域的关键特征;采用BiFPN代替PA-FPN,更好地实现低层细节特征与高层语义信息融合,以同时降低计算复杂度;在yolo v7的检测头部分嵌入SPD模块,以提高模型对低分辨率图像的检测性能;并采用CIoU与NWD损失函数组合对损失函数重新定义,实现对小目标快速、准确识别。实验结果表明,该方法病斑检测精确率达到94.1%,相比原始算法提升5.7个百分点,与Faster R-CNN、yolo v3-SPP和yolo v5x等模型相比分别提高3.3、3.8、4.4个百分点,能够实现葡萄早期病害快速准确识别,对于保障葡萄产业发展具有重要意义。

关键词：葡萄病害识别 StyleGAN2-ADA 目标检测自注意力机制 yolo v7

基于yolo v7-ST-ASFF的复杂果园环境下苹果成熟度检测方法

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

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45.ms,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

维普期刊数据库博看期刊

G-yolo v7：面向无人机航拍图像的目标检测算法

在线全文

学校读者我要写书评

暂无评论

光电子·激光 2024年

作者：陈卫彪贾小军朱响斌冉二飞魏远旺浙江师范大学计算机科学与技术学院嘉兴大学信息科学与工程学院浙江理工大学计算机科学与技术学院(人工智能学院)

针对传统无人机目标检测算法存在漏检率高、检测成功率低、模型体积大等问题，提出一种新的基于GhostNet和注意力机制的大检测头网络结构的目标检测方法G-yolo v7（ghostnet yolo v7）。该技术在yolo v7-tiny的基础上增加一个大尺寸160x... 详细信息

针对传统无人机目标检测算法存在漏检率高、检测成功率低、模型体积大等问题，提出一种新的基于GhostNet和注意力机制的大检测头网络结构的目标检测方法G-yolo v7（ghostnet yolo v7）。该技术在yolo v7-tiny的基础上增加一个大尺寸160x160目标检测头以提升小目标检测能力，同时对网络进行轻量化处理。删除原有20x20的小检测头及其卷积结构，新增GhostNet卷积模块，以减少网络的参数量，降低模型体积，同时修改损失函数为WIoU(wise intersection over union)，增加PCBAM(parallel convolutional block attention module)注意力模块以提升检测精度。实验结果表明，基于G-yolo v7网络结构的目标检测的mAP@0.5为42.3%，较yolo v7-tiny提升5.2%，较yolo v8n提升7.4%。G-yolo v7的参数量和模型体积仅为yolo v7-tiny的33.9%和37.9%，yolo v8n的64%和75.6%，能够有效地应用于无人机航拍图像目标检测。

关键词： G-yolo v7 目标检测 GhostNet yolo v7 无人机图像

基于改进yolo v7的铁路隧道仰坡排水沟病害检测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

铁道建筑 2024年第5期64卷 114-118页

作者：汪明许贵阳白堂博北京建筑大学机电与车辆工程学院北京100044 北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室北京100044

针对铁路隧道洞口仰坡地质条件复杂,排水沟时常堵塞问题,基于改进yolo v7模型构建了铁路隧道仰坡排水沟状态智能检测方法。将原yolo v7模型检测头中的传统卷积替换为全维动态卷积,使模型更有效捕捉和识别排水沟图像中的小目标,增强模型... 详细信息

针对铁路隧道洞口仰坡地质条件复杂,排水沟时常堵塞问题,基于改进yolo v7模型构建了铁路隧道仰坡排水沟状态智能检测方法。将原yolo v7模型检测头中的传统卷积替换为全维动态卷积,使模型更有效捕捉和识别排水沟图像中的小目标,增强模型对特征的提取能力。将自适应矩阵估计优化器更换为自适应矩阵估计-权重衰减优化器,可解决原模型可能出现的梯度消失问题,显著提高模型的泛化能力。采用层归一化算法替换批量归一化算法,有助于增强模型训练的稳定性。将修正线性单元激活函数调整为高斯误差线性单元激活函数,能够提高模型识别的平均精度。利用无人机拍摄的排水沟图像,将改进后模型与现有常见模型对五类检测目标的识别结果进行了对比。改进后模型对五类目标识别的精确率大部分在0.9以上,且其识别的平均精度、召回率均高于现有常用模型。改进后模型识别精确率更高,检测稳定性更好,满足铁路隧道仰坡排水沟检测需求。

关键词：铁路隧道目标检测深度学习排水沟病害 yolo v7 全维动态卷积训练策略智能巡检

融合BiFPN的轻量化yolo v7疲劳检测方法

在线全文

学校读者我要写书评

暂无评论

兰州工业学院学报 2024年第2期31卷 35-41页

作者：秦心茹吴涛安徽理工大学计算机科学与工程学院安徽淮南232000

为了解决矿井提升机司机疲劳检测准确率低和实时性差等问题,提出一种融合BiFPN的轻量化yolo v7疲劳检测方法。该模型将yolo v7主干网络中会产生冗余的卷积计算用轻量级的Ghost网络代替来提取特征并将Ghost网络中指数型的激活函数换成轻... 详细信息

为了解决矿井提升机司机疲劳检测准确率低和实时性差等问题,提出一种融合BiFPN的轻量化yolo v7疲劳检测方法。该模型将yolo v7主干网络中会产生冗余的卷积计算用轻量级的Ghost网络代替来提取特征并将Ghost网络中指数型的激活函数换成轻量级激活函数SMU(Smooth Maximum Unit)。融合双向特征金字塔(BiPFN)的轻量化yolo v7疲劳检测模型在自建矿井提升机司机疲劳驾驶数据集进行实验,结果表明:平均精度达到了97.25%,实时性达到了78 FPS,相较于原始的yolo v7网络精度提升了3.14%,速度提高了8 FPS。

关键词：疲劳检测 BiFPN yolo v7 Ghost

基于改进yolo v7和DeepSORT的罐笼人员跟踪计数方法

在线全文

学校读者我要写书评

暂无评论

兰州工业学院学报 2024年第2期31卷 13-18页

作者：李敬兆刘敏郑鑫周小锋郎贵彬许志安徽理工大学计算机科学与工程学院安徽淮南232000 淮沪煤电有限公司丁集煤矿安徽淮南232000

煤矿副井罐笼载人时,超载现象时有发生,给副井运输安全带来了隐患。针对该问题,提出了基于改进yolo v7和DeepSORT的罐笼人员跟踪计数方法。首先利用煤矿副井罐笼区域的监控摄像头采集的视频制作罐笼行人数据集,再利用改进的yolo v7对罐... 详细信息

煤矿副井罐笼载人时,超载现象时有发生,给副井运输安全带来了隐患。针对该问题,提出了基于改进yolo v7和DeepSORT的罐笼人员跟踪计数方法。首先利用煤矿副井罐笼区域的监控摄像头采集的视频制作罐笼行人数据集,再利用改进的yolo v7对罐笼人员进行识别:基于GhostNet网络改进yolo v7以提升模型的实时性;通过引入ACmix注意力机制提升模型对副井复杂背景人员的感知能力,并基于SIoU损失函数进一步增强模型的鲁棒性;最后利用优化后的DeepSORT算法对罐笼人员进行跟踪计数:基于CIOU优化DeepSORT算法的匹配准确度,使目标追踪更加稳定。试验结果表明:在构建的CP dataset数据集上,改进后的yolo v7网络的均值平均精度mAP达到了97.4%,算法的跟踪准确性MOTA和跟踪精度MOTP分别达到了95.74%和94.26%。

关键词：煤矿罐笼安全 yolo v7 DeepSORT GhostNet 目标检测与跟踪

基于yolo v7的海量烟支外观缺陷快速自动标注方法

在线全文

学校读者我要写书评

暂无评论

科技创新与应用 2024年第15期14卷 40-45页

作者：吕献周蒋铭李庆松吴仕超余茜红云红河烟草(集团)有限责任公司会泽卷烟厂云南曲靖654299 云南财经大学昆明650000

图像标注作为监督式机器学习的关键环节,在处理海量的烟支缺陷数据时,传统的人工标注方法由于耗时长和主观性强等缺点显得不够高效。针对烟支缺陷检测领域中大量图像数据的自动化标注挑战,该文以yolo v7作为基线网络,并进行一系列经验... 详细信息

图像标注作为监督式机器学习的关键环节,在处理海量的烟支缺陷数据时,传统的人工标注方法由于耗时长和主观性强等缺点显得不够高效。针对烟支缺陷检测领域中大量图像数据的自动化标注挑战,该文以yolo v7作为基线网络,并进行一系列经验性的改进,以解决传统人工标注过程中存在的高成本和低效率问题。通过对yolo v7的结构进行创新性调整,如合并neck层和head层,并引入Rep vGG结构,实现烟支图像的高效自动标注。实验结果表明,改进后的yolo v7和yolo v7-tiny在真实烟支数据集上的标注错误率分别为7.3%和6.56%,其中yolo v7-tiny展现最快的标注速度。这项研究不仅在提高标注效率和准确性方面取得显著进步,还为烟支缺陷检测领域提供一种经济高效的自动化处理方案。

关键词： yolo v7 烟支外观缺陷检测自动标注 RepConv vGG

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