检索结果-南通市图书馆

基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2021年第21期37卷 191-198页

作者：胡根生吴继甜鲍文霞曾伟辉安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

茶叶的产量和品质深受病虫害的影响。茶尺蠖是一种常见的茶叶害虫,精确检测茶尺蠖对茶叶病虫害防治有重要意义。由于茶尺蠖和茶树枝、枯死茶叶的颜色、纹理相近,茶尺蠖的体积小、形态多变、被遮挡等问题,现有方法检测茶尺蠖的精度不高... 详细信息

茶叶的产量和品质深受病虫害的影响。茶尺蠖是一种常见的茶叶害虫,精确检测茶尺蠖对茶叶病虫害防治有重要意义。由于茶尺蠖和茶树枝、枯死茶叶的颜色、纹理相近,茶尺蠖的体积小、形态多变、被遮挡等问题,现有方法检测茶尺蠖的精度不高。该研究提出一种基于深度学习的复杂背景图像中茶尺蠖检测方法,该方法使用YOLOv5为基线网络,利用卷积核组增强对茶尺蠖的特征提取,在不增加计算量的条件下减少复杂背景对茶尺蠖检测结果的干扰;使用注意力模块关注茶尺蠖整体,根据茶尺蠖的大小和形状自适应调节感受野,降低因目标大小形状不一导致的漏检;使用Focal loss损失函数减少前景和背景的类不平衡对检测结果的影响。试验结果表明,所提方法用于复杂背景图像中茶尺蠖的检测,可以达到0.94的召回率,0.96的精确度和92.89%的平均精度均值。与基线网络相比,该方法的平均精度均值提高了6.44个百分点。使用相同的数据集和预处理的对比分析表明,该方法优于SSD、Faster RCNN和YOLOv4等其他经典深度学习方法,平均精度均值比SSD、Faster RCNN、YOLOv4分别高17.18个百分点、6.52个百分点和4.78个百分点。该方法可实现对茶尺蠖的智能检测,减少人力成本,有助于实现精准施药,提高茶叶的产量和品质。

关键词：农业算法目标检测深度学习卷积核组注意力模块茶尺蠖

在线全文

学校读者我要写书评

暂无评论

基于注意力机制金字塔网络的麦穗检测方法

农业机械学报 2021年第11期52卷 253-262页

作者：章权兵胡姗姗舒文灿程鸿安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

为了准确预测小麦产量,提出了一种基于特征金字塔网络改进的小麦穗部检测方法。针对检测结果中存在的误检或漏检等问题,本文首先在原始特征提取网络的编码和解码区域分别引入通道注意力机制和空间注意力机制,以增加对麦穗空间信息和语... 详细信息

为了准确预测小麦产量,提出了一种基于特征金字塔网络改进的小麦穗部检测方法。针对检测结果中存在的误检或漏检等问题,本文首先在原始特征提取网络的编码和解码区域分别引入通道注意力机制和空间注意力机制,以增加对麦穗空间信息和语义信息的提取,有效提升网络对遮挡麦穗的检测性能;其次对原始区域建议网络的输入进行改进,设计了一种加权区域建议网络,在通道级别上将高层具有强语义信息的低分辨率特征图融合在一起,经过一系列的全连接层和激活函数生成对应维度的概率后,对底层高分辨率特征图进行加权以增强有用的信息通道,为难以检测的较小麦穗生成更精确的检测框。关于实地采集的灌浆期麦穗图像的实验结果表明,本文方法明显改善了对遮挡麦穗和较小麦穗的检测效果,其检测精确度、召回率和平均精度分别达到80.53%、87.12%和88.53%。通过对公开ACID数据集上不同时期麦穗检测结果的对比分析,进一步验证了本文方法的有效性。

关键词：麦穗检测金字塔网络特征提取注意力机制加权区域建议网络

基于改进YOLO v5s的轻量级奶牛体况评分方法

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6期54卷 287-296页

作者：黄小平冯涛郭阳阳梁栋安徽大学互联网学院合肥230039 农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230039

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-M... 详细信息

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention,CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×109,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减少83.4%,在保证模型复杂度较低与实时性较高的情况下,实现了奶牛体况的高效评分。此外,改进的YOLO v5s模型的整体性能优于Faster R-CNN、SDD和YOLO v3目标检测模型。本研究为奶牛体况评分商业化提供理论基础和研究思路,为奶牛养殖业提供了智能化解决方案。

关键词：奶牛体况评分轻量化目标检测注意力机制

基于多路卷积神经网络的大田小麦赤霉病图像识别

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2020年第11期36卷 174-181页

作者：鲍文霞孙庆胡根生黄林生梁栋赵健安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像... 详细信息

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。

关键词：图像识别农作物病害小麦赤霉病多路卷积神经网络联合损失函数

基于深度卷积神经网络的田间麦穗密度估计及计数

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2020年第21期36卷 186-193,F0003页

作者：鲍文霞张鑫胡根生黄林生梁栋林泽安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理... 详细信息

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络(Congested Scene Recognition Network,CSRNet)构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R^2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。

关键词：卷积神经网络机器视觉密度图估计麦穗计数拥挤场景识别网络迁移学习

基于坐标注意机制和YOLO v5s模型的山羊脸部检测方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年

作者：郭阳阳洪文浩丁屹黄小平农业生态大数据分析与应用技术国家地方联合工程研究中心安徽大学互联网学院

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中，羊群存在多角度、分布随机、灵活多变羊脸检测难度大的问题，以YOLO v5s为基础目标检测网络，提出了一种结合坐标信息的山羊脸部检测模型。首先，通过移动设备获... 详细信息

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中，羊群存在多角度、分布随机、灵活多变羊脸检测难度大的问题，以YOLO v5s为基础目标检测网络，提出了一种结合坐标信息的山羊脸部检测模型。首先，通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次，在YOLO v5s的主干网络融入坐标注意机制，以充分利用目标的位置信息，提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明，改进的YOLO v5s模型的检测精确率为95.6%，召回率为83.0%，mAP@0.5为90.2%，帧率为69 f/s，模型内存占用量为13.2MB；与原始YOLO v5s模型相比，检测精度提高了1.3个百分点，模型所占内存空间减少了1.2MB；且模型的整体性能远优于FasterR-CNN、YOLO v4模型。此外，模拟并构建了不同光照和相机抖动的数据集，来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位，为动物精细化养殖时目标检测识别提供了检测思路和技术支持。

关键词：羊脸检测 YOLO v5s 坐标注意机制精准畜牧

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于椭圆型度量学习空间变换的水稻虫害识别

华南理工大学学报（自然科学版） 2020年第10期48卷 136-144页

作者：鲍文霞邱翔胡根生梁栋黄林生安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心安徽合肥230601

为了提高水稻虫害识别的准确率,文中首先采用深度语义分割U-Net网络去除复杂背景的影响,采用滑动窗口法提取水稻虫害图像的HSV颜色特征和SILTP纹理特征,统计同一水平滑窗中特征的最大值来构成特征向量,并利用Relief-F算法进行优化,获取... 详细信息

为了提高水稻虫害识别的准确率,文中首先采用深度语义分割U-Net网络去除复杂背景的影响,采用滑动窗口法提取水稻虫害图像的HSV颜色特征和SILTP纹理特征,统计同一水平滑窗中特征的最大值来构成特征向量,并利用Relief-F算法进行优化,获取具有高辨识性的水稻虫害图像特征。同时,引入对数据具有更好区分性的椭圆型度量,通过椭圆型度量学习寻找反映虫害图像特征空间结构信息和语义信息的非线性变换,对虫害图像特征的潜在关系进行建模,使相同类别特征之间的距离减小,不同类别特征之间的距离增大;在椭圆型度量学习过程中,通过在三元组约束函数中增加Frobenius范数正则项来避免过拟合,提高泛化能力。最后,利用椭圆型度量矩阵将水稻虫害特征变换到新的特征空间,从而提升SVM分类器的辨识能力。对13类常见水稻虫害图像的识别结果表明,文中提出的算法显著提高了小样本和复杂背景下水稻虫害图像识别的准确率,可以为精准农业中农作物病虫害的智能识别提供参考。

关键词：水稻虫害识别椭圆型度量空间变化三元组约束

在线全文

学校读者我要写书评

暂无评论

基于椭圆型度量学习的小麦叶部病害识别

农业机械学报 2018年第12期49卷 20-26页

作者：鲍文霞赵健张东彦梁栋安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

特征提取和相似性度量是基于图像处理的农作物病虫害识别方法中的两大关键问题。以感染小麦白粉病的叶片为研究对象,提出了一种基于椭圆型度量学习的小麦叶部病害严重度识别算法。该算法首先给出了一种滑窗最大值(Moving window maximum... 详细信息

特征提取和相似性度量是基于图像处理的农作物病虫害识别方法中的两大关键问题。以感染小麦白粉病的叶片为研究对象,提出了一种基于椭圆型度量学习的小麦叶部病害严重度识别算法。该算法首先给出了一种滑窗最大值(Moving window maximum,MWM)特征提取方法,对分割后的病斑图像采用滑窗法提取HSV颜色特征和LBP纹理特征,在同一水平条滑窗上取每一维特征的最大值作为这一水平条的特征,这种MWM特征表示方法能有效减弱小麦叶片弯曲、倾斜、拍摄角度不同等对识别率的影响;然后,引入对样本数据具有更好区分性的椭圆型度量,根据样本的类内与类间高斯分布的对数似然比定义椭圆型度量矩阵,为了保持最大化的分类信息,将特征子空间学习和椭圆型度量学习同时进行;最后,利用得到的椭圆型度量计算特征向量之间的距离实现不同严重度病害的识别。对比实验结果表明,本文算法使得小麦白粉病严重度的识别正确率达到了100%,优于SVM方法的88. 33%、BP神经网络方法的90%。

关键词：小麦白粉病叶部病害识别图像处理滑窗最大值特征椭圆型度量

基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测方法

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年第5期46卷 1004-1010页

作者：周晋兵陈鹏雷雨黄林生赵晋陵梁栋安徽大学互联网学院/农业生态大数据分析与应用技术国家地方联合工程研究中心安徽合肥230601

[目的]条锈病菌夏孢子是引起小麦条锈病暴发的重要原因。针对夏孢子显微图像识别中存在的检测精度不高和分割精度较低的问题,提出了一种基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测算法。[方法]针对显微图像中夏孢子目标密集,易... 详细信息

[目的]条锈病菌夏孢子是引起小麦条锈病暴发的重要原因。针对夏孢子显微图像识别中存在的检测精度不高和分割精度较低的问题,提出了一种基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测算法。[方法]针对显微图像中夏孢子目标密集,易粘连等特点,通过改进Unet++特征提取网络,将原始网络的输出反向连接至输入端形成一种自旋结构,并增加超参数K控制自旋次数,以达到迭代训练的目的,优化Unet++网络的分割精度,提高检测的分割率;根据孢子的形态特征,提出一种加权映射矩形计算公式,计算其矩形热力图,以提高孢子的检测精确率。[结果]算法测试结果表明,改进算法的平均精确率达到99.03%,分割率为86.45%,较原始CenterNet模型分割率提高了10.35百分点,精确率提高0.46百分点,占用内存降低66.09%。[结论]该模型在保证较高精度检测夏孢子目标的同时,保证了较高的孢子分割率,为小麦条锈病早期预警提供了一种有效的方法。

关键词：小麦条锈病真菌夏孢子改进Unet++ 图像分割椭圆框