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：
基于改进YOLACT++的成熟芦笋检测-判别-定位方法
1
作者 汪小旵 李为民 +3 位作者 王琳 施印炎 武尧 王得志 《农业机械学报》 EI CAS CSCD 北大核心 2023年第7期259-271,共13页
为解决芦笋采收机器人选择性采收过程中成熟芦笋的判别和采摘手准确定位难题,提出了一种改进YOLACT++(You only look at coefficients)算法,利用该方法对成熟芦笋进行检测判别并定位采收切割。通过引入CBAM(Convolutional block attenti... 为解决芦笋采收机器人选择性采收过程中成熟芦笋的判别和采摘手准确定位难题,提出了一种改进YOLACT++(You only look at coefficients)算法,利用该方法对成熟芦笋进行检测判别并定位采收切割。通过引入CBAM(Convolutional block attention module)注意力机制以及SPP(Spatial pyramid pooling)结构改进传统的YOLACT++主干网络,提高了特征提取的有效性;设计了适用于芦笋目标检测的锚框长宽比以保证覆盖到不同姿态的芦笋,以提高网络检测速度和准确率。利用生成的芦笋掩膜分段计算芦笋长度和基部直径,来判定成熟芦笋,并通过空间位姿向量计算成熟芦笋基部区域切割点位置。采收机器人田间试验结果表明,经过训练的改进YOLACT++模型的检测准确率为95.22%,掩膜平均准确率为95.60%,640像素×480像素图像检测耗时53.65 ms,成熟芦笋判别准确率为95.24%,在X、Y、Z方向的切割点定位误差小于2.89 mm,滚转角和俯仰角误差最大为7.17°;与Mask R-CNN、SOLO和YOLACT++模型相比,掩膜平均准确率分别提高2.28、9.33、21.41个百分点,最大定位误差分别降低1.07、1.41、1.92 mm,最大角度误差分别降低1.81°、2.46°和3.81°。使用该方法试制的芦笋采收机器人,采收成功率为96.15%,单根芦笋采收总耗时仅为12.15 s。本研究提出的检测-判别-定位方法在保证响应速度的前提下具有较高的检测精度和定位精度,为优化改进基于机器视觉的芦笋采收机器人提供了技术支持。 展开更多
关键词 芦笋 采收机器人 选择性采收 yolact++算法 目标检测 定位
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