检索结果-南通市图书馆

农业工程学报 2024年第14期40卷 100-108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

针对苹果疏花作业中无法自动识别枝干以及缺乏花序疏除方法,该研究提出了一种适用于现代果园的苹果树单枝条花序疏除方法。首先,对yolov8-seg模型进行改进:在Backbone部分添加GCT(Gaussian context transformer)模块,通过引入全局上下... 详细信息

针对苹果疏花作业中无法自动识别枝干以及缺乏花序疏除方法,该研究提出了一种适用于现代果园的苹果树单枝条花序疏除方法。首先,对yolov8-seg模型进行改进:在Backbone部分添加GCT(Gaussian context transformer)模块,通过引入全局上下文信息和调整通道的重要性,提高模型对遮挡目标的分割性能;在对应3个检测头的Neck部分的C2f模块内部增加EMA(efficient multi-scale attention)机制,通过并行子网结构和跨空间信息聚合更好地关注多尺度特征。其次,使用改进yolov8-seg模型对单枝条中的花苞、花序、开放花朵和花枝四类目标进行实例分割。最后,基于分割结果应用多项式拟合曲线表征花枝,并计算花序间距离实现花序疏除。结果表明,改进的yolov8s-seg模型在自建数据集mask水平的精确率、召回率和mAP分别达到了89.9%、89.5%和91%,比原模型分别提升了6.5、4.1和5.8个百分点。与主流分割模型Mask R-CNN,YOLACT,SOLOv2进行对比,mask水平的mAP分别高出10.8、12.3和9.1个百分点。花序疏除决策结果与人工决策结果对比误差不超过10%。该方法可应用于单枝条水平上的花序疏除任务,为苹果智能疏花提供技术支持。

关键词：图像处理模型苹果疏花深度学习实例分割 yolov8-seg 花序疏除

来源：

维普期刊数据库

同方期刊数据库

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

基于深度学习的半直接法SLAM研究

基于深度学习的半直接法SLAM研究

引用

作者：张珂珂盐城工学院

学位级别：硕士

视觉同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)是机器人自我定位与构建地图的关键技术。目前,工业界和学术界都对视觉SLAM产生越来越多的兴趣,也提出了较为行之有效的方法。为保证视觉SLAM的定位准确性,需要针... 详细信息

视觉同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)是机器人自我定位与构建地图的关键技术。目前,工业界和学术界都对视觉SLAM产生越来越多的兴趣,也提出了较为行之有效的方法。为保证视觉SLAM的定位准确性,需要针对不同情形实现有效的位姿估计。然而,在低纹理环境中,从图像中难以提取足够的特征,因此无法获得准确位姿估计。同时,在动态环境下,运动物体会对位姿估计进行干扰,从而导致定位误差增大。针对上述问题,本文使用深度学习与传统视觉SLAM相结合的方式来解决,主要工作内容如下:(1)针对在低纹理环境中视觉SLAM无法从视觉传感器传来的图片中获取足够的特征进行定位的问题,设计一种基于O-Super Point特征提取的半直接法SLAM。首先,提出了一种使用轻型网络Ghost Net与EAC注意力机制改进的Super Point特征点提取方法;然后,利用融合深度残差与光度残差的直接法进行位姿估计;其次,使用O-Super Point对关键帧进行特征提取;最后,使用特征点约束对后端的局部/全局地图中关键帧位姿与路标点进行优化。实验结果表明,本文的O-Super Point方法的特征点重复率有明显提升,重复率分别超过ORB、SIFT、Super Point 39.1～62.2%、5.9～9.9%、1.9～7.9%。同时,本文视觉SLAM方法在大多数纹理丰富的环境下轨迹精度优于ORB-SLAM3系统,在低纹理环境下依然可以稳定定位,而ORB-SLAM3由于没有足够特征点定位失败。在实景实验中,本文算法可以从低纹理环境中提取足够的特征点进行定位。(2)为解决动态特征点影响视觉SLAM系统运行精度的问题,设计了融合yolov8-seg与自适应LK光流检测来剔除动态点的方法。首先,对彩色图片使用yolov8-seg进行实例分割;然后,将分割出物体分为静止物体与待确定动态物体;最后,利用自适应LK光流检测待确定动态物体。实验对比了计算耗时和定位精度两个方面。与DS-SLAM相比,在高动态场景下本章视觉SLAM系统在定位精度上提升了36%～46.5%,在低动态场景下定位精度相差不大,但是在处理单帧图像平均消耗的时间比DS-SLAM多了73%;与Dyna SLAM相比,在定位精度上相差不大,但是在处理单帧图像平均消耗的时间上快了153%。在实景实验中,本文算法可以在动态环境中识别并剔除动态物体,提高系统定位的精度。

关键词：视觉SLAM 深度学习 O-SuperPoint yolov8-seg LK光流

来源：

同方学位论文库评论

在线全文

同方学位论文库

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

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

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：