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
基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析
被引量:
1
1
作者
李阳德
马晓慧
王骥
《智慧农业(中英文)》
CSCD
2023年第2期35-44,共10页
[目的/意义]菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。[方法]首先针对菠萝训练数据集样本少与实时性差等不足,利用在自然环境下拍...
[目的/意义]菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。[方法]首先针对菠萝训练数据集样本少与实时性差等不足,利用在自然环境下拍摄的菠萝照片,自建了种植区场景菠萝成熟度分析数据集。之后将YOLOv4骨干网络替换成轻量级网络MobileNet V3,提出了轻量级的MobileNet V3-YOLOv4网络。同时训练了原YOLOv4模型、MobileNet V1-YOLOv4模型、MobileNet V2-YOLOv4模型以及Faster R-CNN、YOLOv3、SSD300、Retinanet、Centernet等五种不同的单、双阶段网络模型,并对比模型的评价指标,分析本文模型的优越性。[结果和讨论]试验结果表明,MobileNet V3-YOLOv4训练时间为11,924 s,参数量为53.7 MB,训练好的MobileNet V3-YOLOv4在验证集的平均精度均值(mean Average Precision,mAP)为90.92%,对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率(Precision)分别为100%和98.85%,平均精度(Average Precision,AP)值分别为87.62%、94.21%,召回率(Recall)分别为77.55%、86.00%,F_(1)分数(F_(1)Score)分别为0.87和0.92,推理速度(Frames Per Second,FPS)80.85 img/s。[结论]本研究提出的MobileNet V3-YOLOv4实现了在降低训练速度、减小参数量的同时,提高了菠萝成熟度识别的精度和推理速度,满足实际检测需求。
展开更多
关键词
菠萝成熟度
骨干网络
MobileNet
v3-yolov4
Faster
R-CNN
SSD
3
00
Retinanet
Centernet
轻量级
下载PDF
职称材料
基于改进轻量级SE-Yolov4的热轧钢表面缺陷检测方法
2
作者
黄晓红
李静
+1 位作者
董诗琪
王云阁
《湖南科技大学学报(自然科学版)》
CAS
北大核心
2024年第1期80-86,共7页
针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE-Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入S...
针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE-Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入SENet结构,构成SE-Yolov4网络,有选择地聚集有效信息;同时在主干特征网络输出不同特征信息后和空间池化金字塔前后增加卷积层数,网络结构复杂化;SE-Yolov4算法中嵌入轻量化MobileNet v3结构,减少模型参数量,提高检测速度.实验结果表明:该改进算法在测试集中的mAP值达到93.02%,较Yolov4算法检测精度提升7.2%,检测速度提升近3倍.
展开更多
关键词
热轧钢
Yolo
v
4
SENet
表面缺陷检测
卷积神经网络
MobileNet
v
3
原文传递
题名
基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析
被引量:
1
1
作者
李阳德
马晓慧
王骥
机构
广东省电信规划设计院有限公司第四分公司
华中科技大学电子信息与通信学院
广东海洋大学电子与信息工程学院
广东省智慧海洋传感网及其装备工程技术研究中心
出处
《智慧农业(中英文)》
CSCD
2023年第2期35-44,共10页
基金
广东省人工智能领域专项(2019KZDZX1046)。
文摘
[目的/意义]菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。[方法]首先针对菠萝训练数据集样本少与实时性差等不足,利用在自然环境下拍摄的菠萝照片,自建了种植区场景菠萝成熟度分析数据集。之后将YOLOv4骨干网络替换成轻量级网络MobileNet V3,提出了轻量级的MobileNet V3-YOLOv4网络。同时训练了原YOLOv4模型、MobileNet V1-YOLOv4模型、MobileNet V2-YOLOv4模型以及Faster R-CNN、YOLOv3、SSD300、Retinanet、Centernet等五种不同的单、双阶段网络模型,并对比模型的评价指标,分析本文模型的优越性。[结果和讨论]试验结果表明,MobileNet V3-YOLOv4训练时间为11,924 s,参数量为53.7 MB,训练好的MobileNet V3-YOLOv4在验证集的平均精度均值(mean Average Precision,mAP)为90.92%,对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率(Precision)分别为100%和98.85%,平均精度(Average Precision,AP)值分别为87.62%、94.21%,召回率(Recall)分别为77.55%、86.00%,F_(1)分数(F_(1)Score)分别为0.87和0.92,推理速度(Frames Per Second,FPS)80.85 img/s。[结论]本研究提出的MobileNet V3-YOLOv4实现了在降低训练速度、减小参数量的同时,提高了菠萝成熟度识别的精度和推理速度,满足实际检测需求。
关键词
菠萝成熟度
骨干网络
MobileNet
v3-yolov4
Faster
R-CNN
SSD
3
00
Retinanet
Centernet
轻量级
Keywords
pineapple maturity
backbone network
MobileNet
v3-yolov4
Faster R-CNN
SSD
3
00
Retinanet
Centernet
lightweight
分类号
TP391 [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
基于改进轻量级SE-Yolov4的热轧钢表面缺陷检测方法
2
作者
黄晓红
李静
董诗琪
王云阁
机构
华北理工大学人工智能学院
华北理工大学河北省工业智能感知重点实验室
唐山钢铁股份有限公司
出处
《湖南科技大学学报(自然科学版)》
CAS
北大核心
2024年第1期80-86,共7页
基金
河北省高等学校科学技术研究项目资助(ZD2020152)
华北理工大学技术转移基金资助平台及推广项目资助(TG2018004)
科技基础研究项目资助(JQN2019006)。
文摘
针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE-Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入SENet结构,构成SE-Yolov4网络,有选择地聚集有效信息;同时在主干特征网络输出不同特征信息后和空间池化金字塔前后增加卷积层数,网络结构复杂化;SE-Yolov4算法中嵌入轻量化MobileNet v3结构,减少模型参数量,提高检测速度.实验结果表明:该改进算法在测试集中的mAP值达到93.02%,较Yolov4算法检测精度提升7.2%,检测速度提升近3倍.
关键词
热轧钢
Yolo
v
4
SENet
表面缺陷检测
卷积神经网络
MobileNet
v
3
Keywords
hot rolled steel
Yolo
v
4
SENet
surface defect detection
con
v
olutional neural network
MobileNet
v
3
分类号
TP391.9 [自动化与计算机技术—计算机应用技术]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析
李阳德
马晓慧
王骥
《智慧农业(中英文)》
CSCD
2023
1
下载PDF
职称材料
2
基于改进轻量级SE-Yolov4的热轧钢表面缺陷检测方法
黄晓红
李静
董诗琪
王云阁
《湖南科技大学学报(自然科学版)》
CAS
北大核心
2024
0
原文传递
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