检索结果-南通市图书馆

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

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4期55卷 165-175页

作者：胡根生谢一帆鲍文霞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

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的... 详细信息

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

关键词：茶叶病害目标检测无人机遥感轻量型网络 LiTLBNet

面向无人机遥感图像中茶叶枯病检测的轻量型网络

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

作者：胡根生谢一帆鲍文霞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

针对无人机采集的茶叶枯病图像中病斑差异大，病斑和背景之间相似性高等问题，本研究设计了一个轻量型网络LiTLBNet，用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络，用来提取茶叶... 详细信息

针对无人机采集的茶叶枯病图像中病斑差异大，病斑和背景之间相似性高等问题，本研究设计了一个轻量型网络LiTLBNet，用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络，用来提取茶叶枯病病斑的可区分特征，减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块，帮助网络在通道维度上学习目标的综合特征，减少因病斑和背景之间的相似性造成的误检，同时删除原基线网络最大的特征图，以减少计算量和模型大小。此外，本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量，提高小样本条件下LiTLBNet网络的泛化能力。实验结果表明，利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%，mAP为78.5%，与YOLO v5s接近。然而，LiTLBNet的内存占用量只有2.0MB，只有YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

关键词：茶叶病害目标检测无人机遥感深度学习轻量型网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于无人机图像的小麦麦穗计数方法

农业机械学报 2024年

作者：鲍文霞苏彪彪胡根生黄承沛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

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题，提出了一种基于FE-P2Pnet（Feature Enhance-Point To Point）的无人机小麦图像麦穗自动计数方法。首先，对无人机图像进行亮度和对比度增强，增大麦穗目标与... 详细信息

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题，提出了一种基于FE-P2Pnet（Feature Enhance-Point To Point）的无人机小麦图像麦穗自动计数方法。首先，对无人机图像进行亮度和对比度增强，增大麦穗目标与背景之间的差异度，减少叶、杆等复杂背景因素的影响。其次，引入了基于点标注的网络P2Pnet作为基线网络，以解决麦穗密集的问题。同时，针对麦穗目标小引起的特征信息较少的问题，在P2Pnet的主干网络VGG16中添加了Triplet模块，将C(通道)、H(高度)和W(宽度)3个维度的信息相互交互，使得主干网络可以提取更多与目标相关的特征信息；针对麦穗尺寸不一的问题，在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块，使得该模块能够更好地处理特征信息和融合多尺度信息；为了更好地对目标进行分类，使用Focal Loss损失函数代替交叉熵损失函数，该损失函数可以对背景和目标的特征信息进行不同的权重加权，进一步突出特征。实验结果表明，在本文所构建的无人机小麦图像数据集(Wheat ZWF)上，麦穗计数的Mae（平均绝对误差）、Mse（均方误差）和Acc(平均精确度)分别达到了3.77、5.13和90.87%，相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet（Congested scene recognition network)和WHCNETs (Wheat head counting networks)等，表现最佳。与基线网络P2Pnet相比，Mae和Mse分别降低了23.2%和16.6%，Acc提高了2.67个百分点。为了进一步验证本文算法的有效性，对采集的其它4种不同品种的小麦（AK1009、AK1401、AK1706和YKM222）进行了实验，实验结果显示，麦穗计数的平均Mae和Mse值为5.10和6.17，准确率也达到了89.69%，表明本文提出的模型具有较好的泛化性能。本文的研究可以为小麦麦穗计数相关研究提供一定的支持和帮助。

关键词：无人机图像麦穗计数 FE-P2Pnet FEM Wheat-ZWF数据集

基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2023年第7期54卷 313-321页

作者：郭阳阳洪文浩丁屹黄小平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

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... 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力机制,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YOLO v5s模型的检测精确率为95.6%,召回率为83.0%,mAP0.5为90.2%,帧速率为69 f/s,模型内存占用量为13.2 MB;与YOLO v5s模型相比,检测精度提高1.3个百分点,模型所占内存空间减少1.2 MB;且模型的整体性能远优于Faster R-CNN、YOLO v4、YOLO v5s模型。此外,本文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 坐标注意力机制精准畜牧

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