共查询到18条相似文献,搜索用时 62 毫秒
1.
2.
植株数是用于监测作物生长状况和估测产量的重要田间表型性状。为实现烟草植株数高效自动清点,针对无人机遥感影像烟株检测中存在小尺寸聚集目标容易漏检的问题,提出了一种YOLOv7目标检测优化模型YOLOv7-Sim。首先引入Sim AM注意力机制增强图像特征之间的聚合能力;然后加入小目标检测层强化算法对小目标的检测能力;再对定位损失函数进行优化,引入了EIOU定位损失函数;最后利用分块策略解决大图像检测中小目标容易采样丢失的问题。在VisDrone2019数据集和本文构造的UAVTob无人机遥感影像烟草数据集上的检测结果显示,检测均值平均精确率mAP@0.5提升了0.3%和6.3%,mAP@0.5:0.95提升了0.6%和18.3%,YOLOv7-Sim算法对无人机遥感影像中的烟株检测更具优越性。 相似文献
3.
4.
5.
6.
针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。实验表明:该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP50、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。 相似文献
7.
碎米检测是评估大米品质的重要环节,传统的碎米检测是由人工挑选完成的,这种方式耗时费力,误差率高,而且公开可用的碎米检测数据集并不多。为解决该问题,本文创建了一个大米碎米数据集,该数据集共由2435张图片和对应标签文件组成,其中包含3种类别;并提出了一个改进的YOLOv5碎米检测模型,该模型引入ShuffleNetv2轻量化结构作为特征提取结构,大大减少了模型的参数量,在此基础上,引入了BiFPN结构作为特征融合结构,使用α_IoU作为回归框损失对损失函数进行改进。实验表明,改进之后的模型精度可达98.9%,比原YOLOv5高0.3%,参数量和计算量也比原模型减少了85%以上,其中精度相比于YOLOv3、SSD、RestinaNet、FasterRCNN分别高了0.4%、33.3%、27.9%、27.2%。相关数据集将在https://github.com/THFrag/broken-rice-detection上提供。 相似文献
8.
9.
作为车体主要部件的铁路客车转向架是列车运行安全保障的关键部件,目前主要依靠客车故障轨旁图像检测系统检测出转向架故障并分类定位,但存在一定漏检和误检,检测准确率无法保证。基于此,针对客车转向架常见的关键部件漏油现象,展开漏油区域视觉图像缺陷检测研究,提出一种改进的YOLOv4目标检测算法,使用k-means++聚类方法获得更匹配关键部位漏油区域目标的候选框参数,更准确地识别和定位漏油区域目标。在网络中将部分标准卷积替换为可变形卷积,提高目标检测的准确性。 相似文献
10.
【背景和目的】烟叶成熟度的准确判定和适时采收是提高烟叶质量的关键,为提高烟叶成熟度判定的准确性。【方法】以翠碧一号(CB-1)的鲜烟叶为研究对象,采用手机拍摄上、中、下3个部位5个成熟度(M1~M5)烟叶图像,利用labelimg软件从原始的图像中获取目标烟叶图像二维坐标信息,通过轻量级网络You Only Look Once(YOLO)v5进行数据训练,构建烟叶5个成熟度识别模型。【结果】CB-1的上、中、下3个部位模型中的m AP值均达到0.9以上,平均准确率分别为93.6%,92.8%,95.2%。进一步将模型部署到云服务器、并配套开发了基于Android端的烟草成熟度智能识别应用程序,实现在大田环境下响应式的鲜烟叶成熟度等级判断。【结论】基于YOLOv5模型的智能识熟APP可有效、准确地判定鲜烟叶成熟度。本研究结果可为鲜烟叶成熟度的智能识别提供理论基础和技术支撑。 相似文献
11.
针对传统纸病检测算法中纸病特征提取困难、实时性差的问题,提出一种改进YOLOv5的纸病检测方法。该方法首先在批量归一化模块的首尾部分添加居中和缩放校准,形成更稳定的纸病有效特征分布;其次在骨干网络中添加坐标注意力机制,增强骨干网络的纸病特征提取能力;最后选用 CIoU_loss作为边界框回归的损失函数,实现高精度的定位。实验结果表明,改进后的算法平均精度达99.02%,实时检测速度达41.58 帧/s,相较于现有的基于CNN纸病分类算法,检测精度与检测速度都有较大的提升,且改进后的算法对光源的依赖程度更低,能对各类纸病实现精准辨识。 相似文献
12.
为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×109次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。 相似文献
13.
为明确重庆市丰都烟区田间烟草病毒病的发生情况,开展了病毒病调查,并于还苗期、伸根期、旺长期和成熟期共采集病毒病样品117份,利用TMV、CMV、PVY、TEV、PVX、TuMV和BBWV-2等7种病毒的特异性抗体对其进行Dot-ELISA检测。调查发现,病毒病症状主要包括花叶、畸形、坏死斑、脉坏死、矮化和蚀纹等类型。9个调查点烟草病毒病的发病率在28%~84%,病情指数最低为6.67,最高为60.89。Dot-ELISA检测结果表明,还苗期样品未检出病毒;伸根期没有检测到PVX;旺长期和成熟期均检测到7种病毒,其中TMV和CMV的检出率较高,其次为TuMV和PVY,PVX的检出率较低。此结果表明,烟草病毒病在丰都烟区发生较普遍,且TMV和CMV为田间烟草病毒病的优势毒源。 相似文献
14.
基于机器视觉的病虫害检测综述 总被引:1,自引:0,他引:1
作物病虫害直接影响作物的代谢过程,是降低作物的产量和品质的主要威胁之一,给农民造成了大量的经济损失。实现快速、准确的病虫害检测和分类识别,对农民及时采取有效的防治措施具有重要意义。目前,利用机器视觉技术实现农作物病虫害检测具有很好的前景,可以有效的克服人工识别速度慢、误判率高的不足,对于加快农业产业智能化,以及病虫害防治的智能化水平的提高都有很好的借鉴价值。结合近年来国内外学者研究进展情况,本文就病虫害检测方面的应用进展进行综述,并展望了未来的研究方向,以期为后续研究工作提供参考。 相似文献
15.
针对卷纸包装检测效率低、人工成本高的问题,本研究基于机器视觉设计了一个卷纸包装检测模型,并命名为F-YOLOv4。首先利用工业相机在卷纸包装过程中采集目标图像,并人工标注制作成数据集;随后基于YOLOv4构建卷纸包装检测模型,通过引入轻量级的混合通道注意力模块,以强化重要特征同时避免背景噪声的引入;并设计了残差上采样模块以提升上采样的效果;最后在检测头部分,将不同分辨率的特征进行了融合以丰富特征图信息。研究结果表明,F-YOLOv4模型的准确率为97.53%,高于原始模型1.97%,检测速度为129 f/s,模型大小为39.7 MB。F-YOLOv4模型能够有效解决卷纸包装问题,为企业降低用人成本,提高生产效率。 相似文献
16.
原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集进行数据增强,最终形成大小为9 990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9 990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。 相似文献
17.
陕西烟田病害种类调查 总被引:1,自引:0,他引:1
以烟田系统调查为主要手段明确了2010-2014年陕西烟区的主要病害种类、分布及其发生程度。结果表明,危害陕西省烟田的主要病害有16种,其中烟草真菌性病害6种:烟草猝倒病、烟草赤星病、烟草根黑腐病、烟草灰霉病、烟草白粉病和烟草黑胫病;烟草细菌性病害3种:烟草青枯病、烟草野火病和烟草角斑病;病毒性病害5种:烟草黄瓜花叶病毒病(CMV)、烟草马铃薯Y病毒病(PVY)、烟草蚀纹病毒病(TEV)、烟草普通花叶病毒(TMV)、烟草脉带花叶病毒(TVBMV);线虫病害1种:烟草南方根结线虫病;烟草非侵染性病害1种:气候性斑点病。 相似文献