期刊导航
期刊开放获取
cqvip
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
3
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
基于优化CBAM改进YOLOv5的农作物病虫害识别
被引量：
6
1
作者
王昕
董琴
杨国宇
《计算机系统应用》
2023年第7期261-268,共8页
针对多种农作物病虫害图像,在自然环境下因虫害种类繁多,小目标特征相似的技术问题,导致检测困难难以达到令人满意的精度.本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB,在公开的大规模害虫数据...
针对多种农作物病虫害图像,在自然环境下因虫害种类繁多,小目标特征相似的技术问题,导致检测困难难以达到令人满意的精度.本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB,在公开的大规模害虫数据集IP102上进行实验,结果表明该研究比YOLOv5模型精确度提高了5个百分点.引入一维卷积替换CBAM中通道注意力的MLP操作,优化了通道注意力经过全局处理后容易忽略通道内信息交互的问题;其次使用6×6卷积替换Focus操作,来增强提取害虫特征的能力.实验结果表明,对害虫进行检测时,YOLOv5-EB的平均精度值达到了87%,与Faster R-CNN、EfficientDet、YOLOv3、YOLOv4、YOLOv5模型相比,不仅有效提高了作物害虫图像的识别性能,而且有效提高了检测速度.研究表明,YOLOv5-EB算法满足对多种农作物病虫害目标检测的准确性和实时性要求.
展开更多
关键词
YOLOv5算法
CBAM
病虫害检测
ip
102
目标识别
深度学习
下载PDF
职称材料
基于改进EfficientNet模型的作物害虫识别
被引量：
32
2
作者
甘雨
郭庆文
+3 位作者
王春桃
梁炜健
肖德琴
吴惠粦
《农业工程学报》
EI
CAS
CSCD
北大核心
2022年第1期203-211,共9页
精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫...
精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫智能识别模型。该模型通过引入坐标注意力(Coordinate Attention,CA)机制而改进EfficientNet主体结构,引入数据增强的组合训练策略及Adam优化算法来提高模型的泛化能力,并采用迁移学习策略来训练改进的EfficientNet模型,从而提出了一个高性能轻量化的作物害虫识别模型CA-EfficientNet。在公开的大规模作物害虫数据集IP102上展开试验,结果表明该研究提出的CA-EfficientNet模型识别准确率达到69.45%,较改进前提高了4.01个百分点;与现有同类最优算法(GAEnsemble)的性能相比,识别准确率高出2.32个百分点。改进后的CA-EfficientNet模型参数量为5.38 M,较改进前仅增加了0.09 M;相比于经典分类网络VGG、ResNet-50、GoogleNet等,其参数量仅是这些网络模型参数量的3.89%、22.72%和52.63%。试验结果表明,所提方法有效提高了作物害虫图像的识别准确率,较大幅度地减少了模型参数量,在保持轻量化计算的基础上获得了明显优于同类最优算法的准确率。
展开更多
关键词
作物
害虫识别
EfficientNet
坐标注意力机制
ADAM
ip
102
数据集
下载PDF
职称材料
作物害虫图像智能识别方法
3
作者
李雨晴
陈燕红
+2 位作者
李永可
肖天赐
李清源
《新疆农业科学》
CAS
CSCD
北大核心
2023年第12期2973-2981,共9页
【目的】针对作物害虫数据集样本较少、现有单一模型在作物害虫识别上的准确率不高以及泛化能力较差的问题,提出一种基于迁移学习与多模型集成的害虫识别模型。【方法】在大规模公开作物害虫数据集IP102上进行试验,使用迁移学习单独训练...
【目的】针对作物害虫数据集样本较少、现有单一模型在作物害虫识别上的准确率不高以及泛化能力较差的问题,提出一种基于迁移学习与多模型集成的害虫识别模型。【方法】在大规模公开作物害虫数据集IP102上进行试验,使用迁移学习单独训练6个深层神经网络,选择识别性能较好的EfficientNet、Vision Transformer、Swin Transformer和ConvNeXt进行组合,采用不同策略集成预测结果。【结果】提出的基于迁移学习与多模型集成方法的识别准确率达到75.75%,比性能最好的单模型ConvNeXt提高了1.34%,与目前该数据集上最优算法(CA-EfficientNet)的性能相比,识别准确率高出了6.3%。【结论】害虫图像智能识别模型具有较好的稳定性与泛化能力。
展开更多
关键词
害虫识别
ip
102
数据集
迁移学习
集成学习
投票法
下载PDF
职称材料
题名
基于优化CBAM改进YOLOv5的农作物病虫害识别
被引量：
6
1
作者
王昕
董琴
杨国宇
机构
盐城工学院信息工程学院
出处
《计算机系统应用》
2023年第7期261-268,共8页
基金
江苏省产学研合作项目(BY2022460)。
文摘
针对多种农作物病虫害图像,在自然环境下因虫害种类繁多,小目标特征相似的技术问题,导致检测困难难以达到令人满意的精度.本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB,在公开的大规模害虫数据集IP102上进行实验,结果表明该研究比YOLOv5模型精确度提高了5个百分点.引入一维卷积替换CBAM中通道注意力的MLP操作,优化了通道注意力经过全局处理后容易忽略通道内信息交互的问题;其次使用6×6卷积替换Focus操作,来增强提取害虫特征的能力.实验结果表明,对害虫进行检测时,YOLOv5-EB的平均精度值达到了87%,与Faster R-CNN、EfficientDet、YOLOv3、YOLOv4、YOLOv5模型相比,不仅有效提高了作物害虫图像的识别性能,而且有效提高了检测速度.研究表明,YOLOv5-EB算法满足对多种农作物病虫害目标检测的准确性和实时性要求.
关键词
YOLOv5算法
CBAM
病虫害检测
ip
102
目标识别
深度学习
Keywords
YOLOv5 algorithm
convolutional block attention module(CBAM)
pest detection
ip
102
target identification
deep learning
分类号
S43 [农业科学—农业昆虫与害虫防治]
下载PDF
职称材料
题名
基于改进EfficientNet模型的作物害虫识别
被引量：
32
2
作者
甘雨
郭庆文
王春桃
梁炜健
肖德琴
吴惠粦
机构
华南农业大学数学与信息学院
广东省农业人工智能重点实验室
广州市智慧农业重点实验室
广州国家现代农业产业科技创新中心
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2022年第1期203-211,共9页
基金
广东省重点领域研发计划(2019B020214002)
广东省科技计划项目“广东省农业人工智能重点实验室(2021年度)”(2021B1212040009)
广州市科技计划项目(201902010081)。
文摘
精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫智能识别模型。该模型通过引入坐标注意力(Coordinate Attention,CA)机制而改进EfficientNet主体结构,引入数据增强的组合训练策略及Adam优化算法来提高模型的泛化能力,并采用迁移学习策略来训练改进的EfficientNet模型,从而提出了一个高性能轻量化的作物害虫识别模型CA-EfficientNet。在公开的大规模作物害虫数据集IP102上展开试验,结果表明该研究提出的CA-EfficientNet模型识别准确率达到69.45%,较改进前提高了4.01个百分点;与现有同类最优算法(GAEnsemble)的性能相比,识别准确率高出2.32个百分点。改进后的CA-EfficientNet模型参数量为5.38 M,较改进前仅增加了0.09 M;相比于经典分类网络VGG、ResNet-50、GoogleNet等,其参数量仅是这些网络模型参数量的3.89%、22.72%和52.63%。试验结果表明,所提方法有效提高了作物害虫图像的识别准确率,较大幅度地减少了模型参数量,在保持轻量化计算的基础上获得了明显优于同类最优算法的准确率。
关键词
作物
害虫识别
EfficientNet
坐标注意力机制
ADAM
ip
102
数据集
Keywords
crops
pest recognition
EfficientNet
coordinate attention
Adam
ip
102
dataset
分类号
TP391.41 [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
作物害虫图像智能识别方法
3
作者
李雨晴
陈燕红
李永可
肖天赐
李清源
机构
新疆农业大学计算机与信息工程学院
出处
《新疆农业科学》
CAS
CSCD
北大核心
2023年第12期2973-2981,共9页
基金
新疆维吾尔自治区自然科学基金面上项目(2019D01A50)
新疆维吾尔自治区重大科技专项课题(2020A01002-4-1)。
文摘
【目的】针对作物害虫数据集样本较少、现有单一模型在作物害虫识别上的准确率不高以及泛化能力较差的问题,提出一种基于迁移学习与多模型集成的害虫识别模型。【方法】在大规模公开作物害虫数据集IP102上进行试验,使用迁移学习单独训练6个深层神经网络,选择识别性能较好的EfficientNet、Vision Transformer、Swin Transformer和ConvNeXt进行组合,采用不同策略集成预测结果。【结果】提出的基于迁移学习与多模型集成方法的识别准确率达到75.75%,比性能最好的单模型ConvNeXt提高了1.34%,与目前该数据集上最优算法(CA-EfficientNet)的性能相比,识别准确率高出了6.3%。【结论】害虫图像智能识别模型具有较好的稳定性与泛化能力。
关键词
害虫识别
ip
102
数据集
迁移学习
集成学习
投票法
Keywords
pest identification
ip
102
dataset
transfer learning
ensemble learning
voting method
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
S41 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于优化CBAM改进YOLOv5的农作物病虫害识别
王昕
董琴
杨国宇
《计算机系统应用》
2023
6
下载PDF
职称材料
2
基于改进EfficientNet模型的作物害虫识别
甘雨
郭庆文
王春桃
梁炜健
肖德琴
吴惠粦
《农业工程学报》
EI
CAS
CSCD
北大核心
2022
32
下载PDF
职称材料
3
作物害虫图像智能识别方法
李雨晴
陈燕红
李永可
肖天赐
李清源
《新疆农业科学》
CAS
CSCD
北大核心
2023
0
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
