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YOLOv5s的自然环境下猕猴桃花朵检测方法
被引量:
10
1
作者
龚惟新
杨珍
+4 位作者
李凯
郝伟
何智
丁辛亭
崔永杰
《农业工程学报》
EI
CAS
CSCD
北大核心
2023年第6期177-185,共9页
为实现对猕猴桃花朵的快速准确检测,该研究提出了一种基于改进YOLOv5s的猕猴桃花朵检测模型YOLOv5s_S_N_CB_CA,并通过对比试验进行了精度验证。在YOLOv5s基础上引入C3HB模块和交叉注意力(criss-cross atte ntion,CCA)模块增强特征提取能...
为实现对猕猴桃花朵的快速准确检测,该研究提出了一种基于改进YOLOv5s的猕猴桃花朵检测模型YOLOv5s_S_N_CB_CA,并通过对比试验进行了精度验证。在YOLOv5s基础上引入C3HB模块和交叉注意力(criss-cross atte ntion,CCA)模块增强特征提取能力,结合样本切分和加入负样本处理方法进一步提升模型精度。改进模型的检测精确率为85.21%,召回率为90%,模型大小为14.6 MB,交并比(intersection over union,IoU)为0.5下的均值平均精度(mAP0.5)为92.45%,比仅进行样本缩放处理的原始YOLOv5s提高了31.91个百分点,检测速度为35.47帧/s,比原始YOLOv5s提高了34.15%。使用改进模型对自然环境下不同天气、晴天不同时段光照强度下的猕猴桃花朵进行检测,结果表明模型检测晴天、阴天下猕猴桃花朵的mAP0.5分别为91.96%、91.15%,比原始YOLOv5s分别高出2.55、2.25个百分点;检测晴天9:00-11:00、15:00-17:00光强下猕猴桃花朵的mAP0.5分别为92.11%、92.10%,比原始YOLOv5s分别高出2.20、1.32个百分点。结果表明,该研究提出的基于改进YOLOv5s的猕猴桃花朵检测模型在保持轻量化的同时,检测精度高、速度快,可实现对自然环境下猕猴桃花朵的有效检测。
展开更多
关键词
图像处理
模型
目标检测
猕猴桃花朵
改进YOLOv5s
自然环境
下载PDF
职称材料
基于K-means聚类的猕猴桃花朵识别方法
被引量:
9
2
作者
刘浩洲
陈礼鹏
+2 位作者
穆龙涛
高宗斌
崔永杰
《农机化研究》
北大核心
2020年第2期22-26,共5页
针对猕猴桃授粉机器人的研究,由于缺少猕猴桃花朵识别方法,现有授粉机器人自动化程度低。为此,提出基于K-means聚类的猕猴桃花朵识别方法。首先,原图像通过K-means聚类分割,得到包含花蕊图像在内的4个类别图像;然后,由经过训练的卷积神...
针对猕猴桃授粉机器人的研究,由于缺少猕猴桃花朵识别方法,现有授粉机器人自动化程度低。为此,提出基于K-means聚类的猕猴桃花朵识别方法。首先,原图像通过K-means聚类分割,得到包含花蕊图像在内的4个类别图像;然后,由经过训练的卷积神经网络对这4个类别图像进行分类,自动选出花蕊图像;再通过形态学运算对花蕊图像进行去噪,计算余下各个区域形心,找到各花朵在图像中位置并标出,最终完成猕猴桃花朵识别。该算法识别成功率为92.5%,满足现有授粉机器人要求,利于提高其自动化程度。
展开更多
关键词
猕猴桃花朵
花朵
识别
K-MEANS聚类
卷积神经网络
授粉机器人
下载PDF
职称材料
题名
基于改进YOLOv5s的自然环境下猕猴桃花朵检测方法
被引量:
10
1
作者
龚惟新
杨珍
李凯
郝伟
何智
丁辛亭
崔永杰
机构
西北农林科技大学机械与电子工程学院
农业农村部农业物联网重点实验室
陕西省农业信息感知与智能服务重点实验室
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2023年第6期177-185,共9页
基金
国家自然科学基金项目(31971805)
国家重点研发计划项目(2019YFD1002401)
陕西省重点研发计划项目(2019ZDLNY02-04)。
文摘
为实现对猕猴桃花朵的快速准确检测,该研究提出了一种基于改进YOLOv5s的猕猴桃花朵检测模型YOLOv5s_S_N_CB_CA,并通过对比试验进行了精度验证。在YOLOv5s基础上引入C3HB模块和交叉注意力(criss-cross atte ntion,CCA)模块增强特征提取能力,结合样本切分和加入负样本处理方法进一步提升模型精度。改进模型的检测精确率为85.21%,召回率为90%,模型大小为14.6 MB,交并比(intersection over union,IoU)为0.5下的均值平均精度(mAP0.5)为92.45%,比仅进行样本缩放处理的原始YOLOv5s提高了31.91个百分点,检测速度为35.47帧/s,比原始YOLOv5s提高了34.15%。使用改进模型对自然环境下不同天气、晴天不同时段光照强度下的猕猴桃花朵进行检测,结果表明模型检测晴天、阴天下猕猴桃花朵的mAP0.5分别为91.96%、91.15%,比原始YOLOv5s分别高出2.55、2.25个百分点;检测晴天9:00-11:00、15:00-17:00光强下猕猴桃花朵的mAP0.5分别为92.11%、92.10%,比原始YOLOv5s分别高出2.20、1.32个百分点。结果表明,该研究提出的基于改进YOLOv5s的猕猴桃花朵检测模型在保持轻量化的同时,检测精度高、速度快,可实现对自然环境下猕猴桃花朵的有效检测。
关键词
图像处理
模型
目标检测
猕猴桃花朵
改进YOLOv5s
自然环境
Keywords
image processing
model
target detection
kiwi flowers
improved YOLOv5s
natural environments
分类号
S24 [农业科学—农业电气化与自动化]
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K-means聚类的猕猴桃花朵识别方法
被引量:
9
2
作者
刘浩洲
陈礼鹏
穆龙涛
高宗斌
崔永杰
机构
西北农林科技大学机械与电子工程学院
农业农村部农业物联网重点实验室
出处
《农机化研究》
北大核心
2020年第2期22-26,共5页
基金
国家自然科学基金项目(61175099)
陕西省科技统筹创新工程计划项目(K3320215126)
文摘
针对猕猴桃授粉机器人的研究,由于缺少猕猴桃花朵识别方法,现有授粉机器人自动化程度低。为此,提出基于K-means聚类的猕猴桃花朵识别方法。首先,原图像通过K-means聚类分割,得到包含花蕊图像在内的4个类别图像;然后,由经过训练的卷积神经网络对这4个类别图像进行分类,自动选出花蕊图像;再通过形态学运算对花蕊图像进行去噪,计算余下各个区域形心,找到各花朵在图像中位置并标出,最终完成猕猴桃花朵识别。该算法识别成功率为92.5%,满足现有授粉机器人要求,利于提高其自动化程度。
关键词
猕猴桃花朵
花朵
识别
K-MEANS聚类
卷积神经网络
授粉机器人
Keywords
kiwifruit flowers
flowers recognition
K-means clustering
convolutional neural network
pollination robot
分类号
TP242 [自动化与计算机技术—检测技术与自动化装置]
S663.4 [农业科学—果树学]
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YOLOv5s的自然环境下猕猴桃花朵检测方法
龚惟新
杨珍
李凯
郝伟
何智
丁辛亭
崔永杰
《农业工程学报》
EI
CAS
CSCD
北大核心
2023
10
下载PDF
职称材料
2
基于K-means聚类的猕猴桃花朵识别方法
刘浩洲
陈礼鹏
穆龙涛
高宗斌
崔永杰
《农机化研究》
北大核心
2020
9
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