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
共找到1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：
采用天气增强与八度卷积改进YOLOv5的番茄检测模型构建 被引量：2
1
作者 代国威 樊景超 胡林 《山东农业科学》 北大核心 2022年第11期138-149,共12页
温室番茄的自动检测对于降低成本和优化管理至关重要。为实现温室番茄采收过程的自动化,我们提出了一种基于八度卷积与注意力机制改进YOLOv5的温室番茄检测方法。首先,利用八度卷积提取图像的高低频特征信息,压缩低频特征图的空间分辨... 温室番茄的自动检测对于降低成本和优化管理至关重要。为实现温室番茄采收过程的自动化,我们提出了一种基于八度卷积与注意力机制改进YOLOv5的温室番茄检测方法。首先,利用八度卷积提取图像的高低频特征信息,压缩低频特征图的空间分辨率以减少冗余空间信息,有效地将感受野扩大了2倍,并降低了模型的参数与浮点计算量;其次,将注意力机制(CBAM)融入特征提取网络Backbone中,以从复杂的背景颜色中提取更易区分的特征模式;然后,使用雨滴变换、雾气变换、太阳光照变换、阴影变换4种天气增强技术,增强数据集的多样性与模型的鲁棒性;最后,采用BCEWithLogitLoss损失函数使处理样本不均衡,并由SmoothBCE与QFocalLoss克服模型过拟合。采用从智能温室中拍摄的实际图像数据建立数据集,并对数据进行标注扩充,将样本容量扩至1150幅图像,对提出的模型进行验证。结果表明,该模型的平均准确率和检测时间分别为94.58%和21 ms。与Faster R-CNN、SSD、YOLOv3、YOLOv4、YOLOX和原始YOLOv5网络相比,该模型在智能温室环境下的番茄检测中取得了最佳性能,可为番茄采摘机器人的高效运行提供稳定可靠的信息。 展开更多
关键词 机器视觉 目标检测 番茄 八度卷积 YOLOv5 注意力机制 天气增强
下载PDF
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
使用帮助 返回顶部