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YOLO v3的自然场景下冬枣果实识别方法
被引量:
31
1
作者
刘天真
滕桂法
+2 位作者
苑迎春
刘博
刘智国
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第5期17-25,共9页
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net的SE Block结构将特...
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。
展开更多
关键词
冬枣
自然场景
果实识别
YOLO
v
3
卷积神经网络
SE
Net
下载PDF
职称材料
一种无人机图像识别技术体系研究与应用
被引量:
4
2
作者
赵薛强
《中国农村水利水电》
北大核心
2022年第5期195-200,共6页
为了实现水利工程巡检、河湖岸线、河湖环境监测等海量无人机图像异常特征物的智能化检测识别,提高管理效率,满足智慧水利建设的需求,基于YOLO v3算法框架,通过引入注意力模块SE,构建了高精度的YOLO v3-SE目标检测算法,形成了无人机图...
为了实现水利工程巡检、河湖岸线、河湖环境监测等海量无人机图像异常特征物的智能化检测识别,提高管理效率,满足智慧水利建设的需求,基于YOLO v3算法框架,通过引入注意力模块SE,构建了高精度的YOLO v3-SE目标检测算法,形成了无人机图像识别技术体系,并将其成功应用于多个水利工程的海量无人机图像的异常特征物检测识别中。结果表明:通过自建66000张图片数据的训练集和35514张图片数据的测试集,本算法与原始YOLO v3算法、改进的SKSet-YOLO v3算法和CBAM-YOLO v3算法相比,在积水、塌方、运输船、滑坡、聚集型垃圾和分散型垃圾等6类目标物的检测精度AP均有较大幅度的提升;平均检测精度mAP也分别从59.83%提升至90.17%、从79%提升至90.17%、从72%提升至90.17%,精度得到明显提升,满足水利工程智慧化监控的需求。
展开更多
关键词
YOLO
v3-se
图像识别
通道注意力模块
水利工程
技术体系
下载PDF
职称材料
题名
基于改进YOLO v3的自然场景下冬枣果实识别方法
被引量:
31
1
作者
刘天真
滕桂法
苑迎春
刘博
刘智国
机构
河北农业大学信息科学与技术学院
保定学院信息工程学院
河北省农业大数据重点实验室
石家庄学院计算机科学与工程学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第5期17-25,共9页
基金
国家重点研发计划项目(2019YFD1001605)
国家自然科学基金项目(61972132)
+1 种基金
河北省研究生创新资助项目(CXZZBS2019090)
河北省高等学校科学研究项目青年基金项目(QN2018084、QN2021409)。
文摘
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。
关键词
冬枣
自然场景
果实识别
YOLO
v
3
卷积神经网络
SE
Net
Keywords
winter jujube
natural scene
fruit recognition
YOLO
v
3
con
v
olutional neural network
SE Net
分类号
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
一种无人机图像识别技术体系研究与应用
被引量:
4
2
作者
赵薛强
机构
中水珠江规划勘测设计有限公司
出处
《中国农村水利水电》
北大核心
2022年第5期195-200,共6页
文摘
为了实现水利工程巡检、河湖岸线、河湖环境监测等海量无人机图像异常特征物的智能化检测识别,提高管理效率,满足智慧水利建设的需求,基于YOLO v3算法框架,通过引入注意力模块SE,构建了高精度的YOLO v3-SE目标检测算法,形成了无人机图像识别技术体系,并将其成功应用于多个水利工程的海量无人机图像的异常特征物检测识别中。结果表明:通过自建66000张图片数据的训练集和35514张图片数据的测试集,本算法与原始YOLO v3算法、改进的SKSet-YOLO v3算法和CBAM-YOLO v3算法相比,在积水、塌方、运输船、滑坡、聚集型垃圾和分散型垃圾等6类目标物的检测精度AP均有较大幅度的提升;平均检测精度mAP也分别从59.83%提升至90.17%、从79%提升至90.17%、从72%提升至90.17%,精度得到明显提升,满足水利工程智慧化监控的需求。
关键词
YOLO
v3-se
图像识别
通道注意力模块
水利工程
技术体系
Keywords
YOLO
v3-se
image identification
channel attention module
hydraulic works
technical system
分类号
P231 [天文地球—摄影测量与遥感]
TP75 [自动化与计算机技术—检测技术与自动化装置]
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YOLO v3的自然场景下冬枣果实识别方法
刘天真
滕桂法
苑迎春
刘博
刘智国
《农业机械学报》
EI
CAS
CSCD
北大核心
2021
31
下载PDF
职称材料
2
一种无人机图像识别技术体系研究与应用
赵薛强
《中国农村水利水电》
北大核心
2022
4
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