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YOLOv5算法的马铃薯表皮缺陷程度检测方法研究
被引量:
1
1
作者
田博宇
李存阳
+4 位作者
王孟凡
宋超
郑运昌
乔福宇
夏孟尧
《科学技术创新》
2023年第11期123-126,共4页
马铃薯作为一种产量可观、营养丰富的农作物,已经成为全球不可或缺的食物之一。但恰恰因为其体量庞大的特点在对马铃薯进行分类出售时需要耗费大量的人力和物力以及时间。为了实现对马铃薯品质的自动分类,解放人力物力,提升效率。我们...
马铃薯作为一种产量可观、营养丰富的农作物,已经成为全球不可或缺的食物之一。但恰恰因为其体量庞大的特点在对马铃薯进行分类出售时需要耗费大量的人力和物力以及时间。为了实现对马铃薯品质的自动分类,解放人力物力,提升效率。我们提出了一种基于计算机视觉及改进特征融合YOLOv5s算法的马铃薯表皮缺陷程度检测方法,我们把YOLOv5s的颈部网络中的特征金字塔网络结构替换为加权特征金字塔网络结构,采用这种双向加权特征网络能够更好的提取特征信息,更好的融合特征。并且我们加入了二分K均值聚类算法,该算法的加入极大提升了检测时的收敛速度和精度,并且有效避免了K均值聚类算法因初始聚类点质心选取不适所带来的影响。经过我们的实验表明,本项技术能够对马铃薯表皮检测的正确率达到98%。由此可见,本项基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法可行性较强,可以用于市场对马铃薯检测分类。
展开更多
关键词
YOLOv5
马铃薯表皮缺陷检测
改进特征融合
二分K均值聚类算法
下载PDF
职称材料
基于IFSSD卷积神经网络的柚子采摘目标检测模型
被引量:
13
2
作者
肖德琴
蔡家豪
+3 位作者
林思聪
杨秋妹
谢晓君
郭婉怡
《农业机械学报》
EI
CAS
CSCD
北大核心
2020年第5期28-35,97,共9页
为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(InceptionV3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器...
为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(InceptionV3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的InceptionV3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93.7%(IoU大于0.5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。
展开更多
关键词
柚子
采摘
实时检测
深度学习
特征
融合
改进
的
特征
融合
单镜头检测器
下载PDF
职称材料
题名
基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法研究
被引量:
1
1
作者
田博宇
李存阳
王孟凡
宋超
郑运昌
乔福宇
夏孟尧
机构
河北建筑工程学院
张家口市不动产登记中心
出处
《科学技术创新》
2023年第11期123-126,共4页
基金
张家口市重点研发计划农业领域技术攻关专项(项目名称:基于计算机视觉的马铃薯表面缺陷检测管理系统研究,项目编号:2121029C)。
文摘
马铃薯作为一种产量可观、营养丰富的农作物,已经成为全球不可或缺的食物之一。但恰恰因为其体量庞大的特点在对马铃薯进行分类出售时需要耗费大量的人力和物力以及时间。为了实现对马铃薯品质的自动分类,解放人力物力,提升效率。我们提出了一种基于计算机视觉及改进特征融合YOLOv5s算法的马铃薯表皮缺陷程度检测方法,我们把YOLOv5s的颈部网络中的特征金字塔网络结构替换为加权特征金字塔网络结构,采用这种双向加权特征网络能够更好的提取特征信息,更好的融合特征。并且我们加入了二分K均值聚类算法,该算法的加入极大提升了检测时的收敛速度和精度,并且有效避免了K均值聚类算法因初始聚类点质心选取不适所带来的影响。经过我们的实验表明,本项技术能够对马铃薯表皮检测的正确率达到98%。由此可见,本项基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法可行性较强,可以用于市场对马铃薯检测分类。
关键词
YOLOv5
马铃薯表皮缺陷检测
改进特征融合
二分K均值聚类算法
Keywords
YOLOv5
potato skin defect detection
improved feature fusion
Binary K-means clustering algorithm
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP391.4 [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IFSSD卷积神经网络的柚子采摘目标检测模型
被引量:
13
2
作者
肖德琴
蔡家豪
林思聪
杨秋妹
谢晓君
郭婉怡
机构
华南农业大学数学与信息学院
广州中医药大学医学信息工程学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2020年第5期28-35,97,共9页
基金
国家重点研发计划项目(2017YFD0701601)
广东省重点领域研发计划项目(2019B020217003、2019B020214005)
广东省科技计划项目(2015A020224034)。
文摘
为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(InceptionV3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的InceptionV3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93.7%(IoU大于0.5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。
关键词
柚子
采摘
实时检测
深度学习
特征
融合
改进
的
特征
融合
单镜头检测器
Keywords
grapefruit
picking
real-time detection
deep learning
feature fusion
IFSSD
分类号
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YOLOv5算法的马铃薯表皮缺陷程度检测方法研究
田博宇
李存阳
王孟凡
宋超
郑运昌
乔福宇
夏孟尧
《科学技术创新》
2023
1
下载PDF
职称材料
2
基于IFSSD卷积神经网络的柚子采摘目标检测模型
肖德琴
蔡家豪
林思聪
杨秋妹
谢晓君
郭婉怡
《农业机械学报》
EI
CAS
CSCD
北大核心
2020
13
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