基于改进YOLOv5的菌落计数算法研究

针对菌落计数问题,人工计数方法存在效率低、精度不高的问题。为了解决这些问题,提出了一种改进YOLOv5的模型,即YOLOES。该模型通过添加小目标检测层,并将Kmeans算法替换为Kmeans++算法,以更好地适应不同尺寸的目标;同时,采用Focal-EIoU损失函数解决难易样本的问题,引入了SPPCSPS(Spatial Pyramid Pooling Convolutional Spatial Pyramid Convolution)模块以增强特征表示能力,并在特征提取阶段引入了置换注意力机制。通过在大肠杆菌菌落数据集进行实验验证,结果显示相较于初始的YOLOv5模型,YOLOES的mAP@0.5提升了17.3百分点,表明YOLOES在菌落检测任务上具有更优越的性能。

基于多种深度学习算法的田间玉米籽粒检测与计数

为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask RCNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。