一种改进YOLOv5s小目标无人机实时检测算法

为满足对小目标无人机检测高精度、实时性的要求,提出一种基于YOLOv(You Only Look Once version) 5s的轻量化小目标无人机实时检测改进算法。采用MobileNetV3代替原有的骨干网络,以提取小目标无人机的浅层特征信息;在网络中添加轻量级卷积注意力模块,以提取小目标无人机的深层特征信息;在原有3个检测层基础上增加小目标检测层,以提高对小目标无人机的关注度。实验结果表明,与经典YOLOv5s检测算法相比,改进算法的参数量下降30.5%,权重减少5.3 MB,实现了算法的轻量化。另外,网络精度提高3.16%,网络召回率提高1.14%,帧率增加了8。改进算法的检测精度与检测速率均得到提升,并且有效地改善了小目标无人机的漏检问题。

植物常见病虫害识别系统的设计与实现

针对植物病虫害识别智能应用化不足的问题,设计一个基于视觉几何小组19(Visual Geometry Group,VGG19)模型的植物病虫害识别系统。首先,通过网络收集相关病虫害图像数据集,进行图像预处理并采用数据增强方法对数据集进行数据平衡及扩充。其次,对VGG19网络模型进行适配性调整并训练,通过设置相关超参数,得到稳定的植物病虫害识别模型并进行保存。最后,根据训练得到的模型,基于Python平台使用PyQt5设计相关界面系统,实现对植物病虫害的识别。实验结果表明,该系统识别准确率达到99.58%,相比适配前模型准确率提升了4.26%,能够对常见植物病虫害进行精确识别。