基于Android平台的柑橘检测算法研究

针对采摘机器人在实际应用中所需要的视觉检测能力,提出一种基于深度学习的移动端柑橘检测算法,实现对柑橘类水果的快速实时检测。通过PyTorch框架将YOLOv5s、YOLOv5s6、YOLOv5m等模型在自制的柑橘数据集下进行训练,将训练好的模型转化为ONNX模型,再将ONNX模型转化为NCNN模型,并进行Android移动端部署。试验结果表明:NCNN深度学习框架下的YOLOv5s6识别率达到92.9%,召回率达到75.7%,能较好地满足采摘机器人实际应用需求。

噪声混沌神经网络在TSP中的应用研究

分析了NCNN(噪声混沌神经网络)模型的几个重要参数对系统性能的影响,并对其进行了优化。仿真结果表明,优化的算法能成功解决旅行商问题,比传统的依靠经验选择参数的方法更有效,在收敛速度同解的质量之间取得了很好的折中。

应用YOLOv4-tiny算法实现保护压板智能校核

目前继电保护压板的巡检校核仍以人工为主,为提高其工作的效率,提出了一种智能实时校核方法。该方法首先使用YOLOv4-tiny算法对压板的投退状态进行预测,然后使用腾讯开源的ncnn前向推理框架,对YOLO模型进行优化,最后将模型移植到移动端,使用手机软件完成压板校核。经测试,模型的均值平均精度达到99.13%,平均预测速度达到每秒30张图片,并可以有效解决反光、遮挡等环境因素的影响,可以显著提升巡检工作的效率。

基于深度学习的农业有害生物识别监测系统

本系统采用YOLOv5实现有害生物检测算法,手机端采用NCNN部署模型,离线数据库采用SQLite,同时实现WEB端平台,完成系统管理与可视化统计分析。通过真实环境下的测试得出,mAP值约为93%,测试精度约为71%。在安卓设备上进行识别约耗时100ms,较好地实现了功能。