期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进ResNeXt50残差网络的锦鲤选美方法
被引量:
2
1
作者
王军龙
宣魁
+2 位作者
熊海涛
王峰
李娟
《农业机械学报》
EI
CAS
CSCD
北大核心
2023年第S01期330-337,共8页
锦鲤选美的不同等级之间具有高相似度的特点,目前都是人工进行选美分级。为解决人工选美所存在的效率低、主观性强、成本高的问题,提出了一种基于迁移学习和改进ResNeXt50残差网络的锦鲤选美方法。本文首先构建了红白、大正、昭和3种锦...
锦鲤选美的不同等级之间具有高相似度的特点,目前都是人工进行选美分级。为解决人工选美所存在的效率低、主观性强、成本高的问题,提出了一种基于迁移学习和改进ResNeXt50残差网络的锦鲤选美方法。本文首先构建了红白、大正、昭和3种锦鲤的选美等级数据集。其次,采用迁移学习策略提高训练速度,并从SE注意力模块、Hardswish激活函数和Ranger优化器3方面对ResNeXt50模型进行了改进,构建了SH-ResNeXt50锦鲤选美分级模型。试验结果表明:SH-ResNeXt50模型有效提升了锦鲤选美的等级分选能力,模型准确率达95.6%,损失值仅0.074,优于常用的AlexNet、GoogLeNet、ResNet50和ResNeXt50网络模型。最后,采用Grad-CAM分析SH-ResNeXt50模型的可解释性,结果表明SH-ResNeXt50模型和人工识别的感兴趣区域基本一致。本文所提出的方法实现了具有高相似度的锦鲤不同等级的智能分选,对其它具有高相似度的生物等级分选具有借鉴意义。
展开更多
关键词
锦鲤选美
等级分选
迁移学习
深度学习
目标识别
目标分类
下载PDF
职称材料
基于改进Faster R-CNN的海参目标检测算法
被引量:
3
2
作者
熊海涛
林琪
+2 位作者
宣魁
葛凤丽
李娟
《农业机械学报》
EI
CAS
CSCD
北大核心
2022年第S02期204-209,共6页
海参目标检测是实现海参自动化捕捞的前提。为了解决复杂海底环境下背景和目标颜色相近以及遮挡导致的目标漏检问题,本文在Faster R-CNN框架下,提出了Swin-RCNN目标检测算法。该算法的骨干网络采用Swin Transformer,同时在结构上融入了...
海参目标检测是实现海参自动化捕捞的前提。为了解决复杂海底环境下背景和目标颜色相近以及遮挡导致的目标漏检问题,本文在Faster R-CNN框架下,提出了Swin-RCNN目标检测算法。该算法的骨干网络采用Swin Transformer,同时在结构上融入了多尺度特征提取层和实例分割功能,提高了算法的自适应特征融合能力,从而提高了模型在复杂环境下对不同尺寸海参的识别能力。实验结果表明:本文方法对海参检测的平均精度均值(mAP)达到94.47%,与Faster R-CNN、SSD、YOLO v5、YOLO v4、YOLO v3相比分别提高4.49、4.56、4.46、11.78、22.07个百分点。
展开更多
关键词
海参
目标检测
目标识别
Faster
R-CNN
Swin
Transformer
深度学习
下载PDF
职称材料
题名
基于改进ResNeXt50残差网络的锦鲤选美方法
被引量:
2
1
作者
王军龙
宣魁
熊海涛
王峰
李娟
机构
青岛农业大学机电工程学院
青岛农业大学海洋科学与工程学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2023年第S01期330-337,共8页
基金
国家自然科学基金项目(32073029)
山东省自然科学基金重点项目(ZR2020KC027)
山东省研究生教育质量提升计划项目(SDYJG19134)
文摘
锦鲤选美的不同等级之间具有高相似度的特点,目前都是人工进行选美分级。为解决人工选美所存在的效率低、主观性强、成本高的问题,提出了一种基于迁移学习和改进ResNeXt50残差网络的锦鲤选美方法。本文首先构建了红白、大正、昭和3种锦鲤的选美等级数据集。其次,采用迁移学习策略提高训练速度,并从SE注意力模块、Hardswish激活函数和Ranger优化器3方面对ResNeXt50模型进行了改进,构建了SH-ResNeXt50锦鲤选美分级模型。试验结果表明:SH-ResNeXt50模型有效提升了锦鲤选美的等级分选能力,模型准确率达95.6%,损失值仅0.074,优于常用的AlexNet、GoogLeNet、ResNet50和ResNeXt50网络模型。最后,采用Grad-CAM分析SH-ResNeXt50模型的可解释性,结果表明SH-ResNeXt50模型和人工识别的感兴趣区域基本一致。本文所提出的方法实现了具有高相似度的锦鲤不同等级的智能分选,对其它具有高相似度的生物等级分选具有借鉴意义。
关键词
锦鲤选美
等级分选
迁移学习
深度学习
目标识别
目标分类
Keywords
beauty pageant of koi
level sorting
transfer learning
deep learning
object detection
object classification
分类号
TP393 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于改进Faster R-CNN的海参目标检测算法
被引量:
3
2
作者
熊海涛
林琪
宣魁
葛凤丽
李娟
机构
青岛农业大学机电工程学院
福建省海洋生物增养殖与高值化利用重点实验室
青岛农业大学经济管理学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2022年第S02期204-209,共6页
基金
国家自然科学基金项目(32073029)
山东省自然科学基金重点项目(ZR2020KC027)
+2 种基金
山东省研究生教育质量提升计划项目(SDYJG19134)
国家留学基金项目(201908370048)
福建省海洋生物增养殖与高值化利用重点实验室开放课题(2021fjscq08)
文摘
海参目标检测是实现海参自动化捕捞的前提。为了解决复杂海底环境下背景和目标颜色相近以及遮挡导致的目标漏检问题,本文在Faster R-CNN框架下,提出了Swin-RCNN目标检测算法。该算法的骨干网络采用Swin Transformer,同时在结构上融入了多尺度特征提取层和实例分割功能,提高了算法的自适应特征融合能力,从而提高了模型在复杂环境下对不同尺寸海参的识别能力。实验结果表明:本文方法对海参检测的平均精度均值(mAP)达到94.47%,与Faster R-CNN、SSD、YOLO v5、YOLO v4、YOLO v3相比分别提高4.49、4.56、4.46、11.78、22.07个百分点。
关键词
海参
目标检测
目标识别
Faster
R-CNN
Swin
Transformer
深度学习
Keywords
sea cucumber
object detection
object recognition
Faster R-CNN
Swin Transformer
deep learning
分类号
S951.2 [农业科学—水产养殖]
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进ResNeXt50残差网络的锦鲤选美方法
王军龙
宣魁
熊海涛
王峰
李娟
《农业机械学报》
EI
CAS
CSCD
北大核心
2023
2
下载PDF
职称材料
2
基于改进Faster R-CNN的海参目标检测算法
熊海涛
林琪
宣魁
葛凤丽
李娟
《农业机械学报》
EI
CAS
CSCD
北大核心
2022
3
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部