检索结果-南通市图书馆

农业机械学报 2024年第7期55卷 290-297页

作者：马中杰罗晨骆巍王利锋冯晓李会勇河南省农业科学院农业信息技术研究所农业农村部黄淮海智慧农业技术重点实验室河南省农业科学院农作物种质资源研究所

针对玉米种质资源遗传多样性丰富导致雄穗大小、形态结构及颜色呈现较大差异，无人机搭载可见光传感器相比地面采集图像分辨率低，以及图像中部分雄穗过小、与背景相似度高、被遮挡、相互交错等情况带来的雄穗检测精度低的问题，提出了... 详细信息

针对玉米种质资源遗传多样性丰富导致雄穗大小、形态结构及颜色呈现较大差异，无人机搭载可见光传感器相比地面采集图像分辨率低，以及图像中部分雄穗过小、与背景相似度高、被遮挡、相互交错等情况带来的雄穗检测精度低的问题，提出了一种改进yolo v7-tiny模型的玉米种质资源雄穗检测方法。该方法通过在yolo v7-tiny中引入SPD-Conv模块和vanillaBlock模块，以及添加ECA-Net模块的方式，增强模型对雄穗特征的提取能力。利用自建的玉米种质资源雄穗数据集，训练并测试改进模型。结果表明，改进yolo v7-tiny的平均精度均值为94.6%,相比yolo v7-tiny提升1.5个百分点，相比同等规模的轻量级模型yolo v5s、yolo v8s分别提升1.0、3.1个百分点，显著降低了图像中雄穗漏检及背景误检为雄穗的发生，有效减少了单穗误检为多穗和交错状态下雄穗个数误判的情况。改进yolo v7-tiny模型内存占用量为17.8 MB,推理速度为231 f/s。本文方法在保证模型轻量化的前提下提升了雄穗检测精度，为玉米种质资源雄穗实时、精准检测提供了技术支撑。

关键词：种质资源玉米雄穗目标检测无人机可见光影像 yolo v7-tiny

来源：

维普期刊数据库

同方期刊数据库博看期刊

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

基于改进yolo v7-tiny的笼养鸡/蛋自动识别与计数方法研究

引用

农业机械学报 2023年

作者：赵春江梁雪文于合龙王海峰樊世杰李斌吉林农业大学信息技术学院北京市农林科学院智能装备技术研究中心北京市华都峪口禽业有限责任公司

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用，针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题。本研究以笼养鸡只与鸡蛋为研究对象，基于yolo v7-tiny提出一种轻量... 详细信息

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用，针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题。本研究以笼养鸡只与鸡蛋为研究对象，基于yolo v7-tiny提出一种轻量型网络yolo v7-tiny-DO用于鸡只与鸡蛋识别，并设计自动化分笼计数方法。首先，采用JRWT1412无畸变相机与巡检设备搭建自动化数据采集平台，获取2146幅笼养鸡只图像用于构建数据集。然后，在yolo v7-tiny网络基础上应用指数线性单元（Exponential linear unit，ELU）激活函数减少模型训练时间；将高效层聚合网络（Efficient layer aggregation network，ELAN）中的常规卷积替换为深度卷积减少模型参数量，并在其基础上添加深度过参数化组件（深度卷积）构建深度过参数化深度卷积层（Depthwise over-parameterized depthwise convolutional layer，DO-DConv），以提取目标深层特征；同时在特征融合模块引入坐标注意力机制（Coordinate attention mechanism，CoordAtt），提升模型对目标空间位置信息的感知能力。试验结果表明，yolo v7-tiny-DO识别鸡只和鸡蛋的平均精确率（Average precision，AP）分别为96.9%与99.3%，与yolo v7-tiny相比，鸡只与鸡蛋的AP分别提高了3.2、1.4个百分点；改进后模型内存占用量为5.6MB，比原模型减小了6.1MB，适合部署于算力相对有限的巡检机器人；yolo v7-tiny-DO在局部遮挡、运动模糊和鸡蛋粘连情况下均能实现高精度识别与定位，在光线昏暗情况下识别结果优于其他模型，具有较强的鲁棒性。最后，将本文算法部署到NvIDIA Jetson AGX Xavier边缘计算设备，在实际场景下选取30个鸡笼开展计数测试，持续3d。结果表明，3个测试批次鸡只与鸡蛋的计数平均准确率均值分别为96.7%和96.3%，每笼平均绝对误差均值分别为0.13只鸡和0.09枚鸡蛋，可为规模化养殖场智能化管理提供参考。

关键词：深度学习 yolo v7-tiny 深度过参数化深度卷积层计数边缘计算

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于改进yolo v7-tiny的甜椒畸形果识别算法

引用

农业机械学报 2023年第11期54卷 236-246页

作者：王昱姚兴智李斌徐赛易振峰赵俊宏华南农业大学工程学院广州510642 岭南现代农业科学与技术广东省实验室广州510600 广东省农业科学院设施农业研究所广州510640

甜椒在生长发育过程中容易产生畸形果,机器代替人工对甜椒畸形果识别和摘除一方面可提高甜椒品质和产量,另一方面可解决当前人工成本过高、效率低下等问题。为实现机器人对甜椒果实的识别,提出了一种基于改进yolo v7-tiny目标检测模型,... 详细信息

甜椒在生长发育过程中容易产生畸形果,机器代替人工对甜椒畸形果识别和摘除一方面可提高甜椒品质和产量,另一方面可解决当前人工成本过高、效率低下等问题。为实现机器人对甜椒果实的识别,提出了一种基于改进yolo v7-tiny目标检测模型,用于区分正常生长和畸形生长的甜椒果实。将无参数注意力机制(Parameter-free attention module,SimAM)融合到骨干特征提取网络中,增强模型的特征提取和特征整合能力;用Focal-EIOU(Focal and efficient intersection over union)损失替换原损失函数CIOU(Complete intersection over union),加快模型收敛并降低损失值;使用SiLU激活函数代替原网络中的Leaky ReLU,增强模型的非线性特征提取能力。试验结果表明,改进后的模型整体识别精确度、召回率、平均精度均值(Mean average precision,mAP)mAP0.5、mAP0.5-0.95分别为99.1%、97.8%、98.9%、94.5%,与改进前相比,分别提升5.4、4.7、2.4、10.7个百分点,模型内存占用量为10.6 MB,单幅图像检测时间为4.2 ms。与yolo v7、Scaled-yolo v4、yoloR-CSP等目标检测模型相比,模型在F1值上与yolo v7相同,相比Scaled-yolo v4、yoloR-CSP分别提升0.7、0.2个百分点,在mAP0.5-0.95上分别提升0.6、1.2、0.2个百分点,而内存占用量仅为上述模型的14.2%、10.0%、10.0%。本文所提出的模型实现了小体量而高精度,便于在移动端进行部署,为后续机械化采摘和品质分级提供技术支持。

关键词：甜椒畸形果 yolo v7-tiny 目标检测机器视觉

来源：

维普期刊数据库

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

基于改进yolo v7的笼养鸡/蛋自动识别与计数方法

引用

农业机械学报 2023年第7期54卷 300-312页

作者：赵春江梁雪文于合龙王海峰樊世杰李斌吉林农业大学信息技术学院长春130118 北京市农林科学院智能装备技术研究中心北京100097 北京市华都峪口禽业有限责任公司北京101206

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用,针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题,本研究以笼养鸡只与鸡蛋为研究对象,基于yolo v7-tiny提出一种轻量型网... 详细信息

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用,针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题,本研究以笼养鸡只与鸡蛋为研究对象,基于yolo v7-tiny提出一种轻量型网络yolo v7-tiny-DO用于鸡只与鸡蛋识别,并设计自动化分笼计数方法。首先,采用JRWT1412型无畸变相机与巡检设备搭建自动化数据采集平台,获取2146幅笼养鸡只图像用于构建数据集。然后,在yolo v7-tiny网络基础上应用指数线性单元(Exponential linear unit,ELU)激活函数减少模型训练时间;将高效层聚合网络(Efficient layer aggregation network,ELAN)中的常规卷积替换为深度卷积减少模型参数量,并在其基础上添加深度过参数化组件(深度卷积)构建深度过参数化深度卷积层(Depthwise over-parameterized depthwise convolutional layer,DO-DConv),以提取目标深层特征;同时在特征融合模块引入坐标注意力机制(Coordinate attention mechanism,CoordAtt),提升模型对目标空间位置信息的感知能力。试验结果表明,yolo v7-tiny-DO识别鸡只和鸡蛋的平均精确率(Average precision,AP)分别为96.9%与99.3%,与yolo v7-tiny相比,鸡只与鸡蛋的AP分别提高3.2、1.4个百分点;改进后模型内存占用量为5.6 MB,比原模型减小6.1 MB,适合部署于算力相对有限的巡检机器人;yolo v7-tiny-DO在局部遮挡、运动模糊和鸡蛋粘连情况下均能实现高精度识别与定位,在光线昏暗情况下识别结果优于其他模型,具有较强的鲁棒性。最后,将本文算法部署到NvIDIA Jetson AGX Xavier边缘计算设备,在实际场景下选取30个鸡笼开展计数测试,持续3 d。结果表明,3个测试批次鸡只与鸡蛋的计数平均准确率均值分别为96.7%和96.3%,每笼平均绝对误差均值分别为0.13只鸡和0.09枚鸡蛋,可为规模化养殖场智能化管理提供参考。

关键词：笼养鸡/蛋 yolo v7-tiny 深度过参数化深度卷积层计数边缘计算

来源：

维普期刊数据库

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

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

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

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：