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
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YOLO v4卷积神经网络的农田苗草识别研究
被引量：
19
1
作者
权龙哲
夏福霖
+4 位作者
姜伟
李海龙
李恒达
娄朝霞
李传文
《东北农业大学学报》
CAS
CSCD
北大核心
2021年第7期89-98,共10页
农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方...
农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集。通过减少YOLOv4网络的输出张量为13×13和52×52两个尺度匹配玉米苗和杂草,并用制作数据集作网络训练。训练结果表明,改进后YOLOv4网络训练得到的检测模型在综合性能上优于YOLO v3、原本YOLO v4和主干网络为VGG19的Faster R-CNN;其F_(1)值为0.828,较修改前提升0.031,检测时间缩短0.014s。此外,根据试验可知数据量和数据增强方式均对模型产生不同程度影响;不同类别的目标进行单一训练比多类别目标组合训练得到检测效果更好。
展开更多
关键词
玉米苗
杂草
目标检测
深度学习
yolo
v
4
网络
下载PDF
职称材料
铁路接触网支柱的图像序列自适应识别方法
2
作者
黄竹安
宋浩然
+3 位作者
王浩然
刘俊博
顾子晨
戴鹏
《计算机测量与控制》
2023年第10期222-227,共6页
接触网支柱数字化管理是电气化铁路运维的关键环节,基于移动视频建立接触网支柱数字台账是高效、经济、便捷的技术手段;为实现对于移动视频图像序列中接触网支柱杆号的精准识别,提出了一种基于区域相关和改进SVTR网络的接触网支柱识别算...
接触网支柱数字化管理是电气化铁路运维的关键环节,基于移动视频建立接触网支柱数字台账是高效、经济、便捷的技术手段;为实现对于移动视频图像序列中接触网支柱杆号的精准识别,提出了一种基于区域相关和改进SVTR网络的接触网支柱识别算法;针对视频图像中接触网支柱区域重叠、结构模式复杂的特点,采用了YOLO v4网络对单帧图像中支柱区域和号牌标识区域分别进行检测,并通过测算交叠区域来获得距观察点最近的杆位和对应的号牌区域;此外,针对接触网杆号牌尺度多样性和字符变长的问题,在杆号文字识别问题中采用了SVTR-tiny网络,并进一步引入迁移学习方法增强模型对于复杂杆号的识别精度和对于不同线路场景的泛化性能;通过在实际高铁线路采集的移动视频数据集上进行测试,结果表明算法在移动视频中视野最近杆位杆号区域的定位检出率可达98.01%,杆号文本的识别准确率达到96.13%,适用于我国高速铁路主要干线建设配套的接触网支柱结构。
展开更多
关键词
接触网支柱识别
移动视频
yolo
v
4
网络
区域相关
S
v
TR-tiny网络
下载PDF
职称材料
题名
基于YOLO v4卷积神经网络的农田苗草识别研究
被引量：
19
1
作者
权龙哲
夏福霖
姜伟
李海龙
李恒达
娄朝霞
李传文
机构
东北农业大学工程学院
出处
《东北农业大学学报》
CAS
CSCD
北大核心
2021年第7期89-98,共10页
基金
国家自然科学基金项目(52075092)
黑龙江省博士后科研启动基金项目(LBH-Q19007)。
文摘
农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集。通过减少YOLOv4网络的输出张量为13×13和52×52两个尺度匹配玉米苗和杂草,并用制作数据集作网络训练。训练结果表明,改进后YOLOv4网络训练得到的检测模型在综合性能上优于YOLO v3、原本YOLO v4和主干网络为VGG19的Faster R-CNN;其F_(1)值为0.828,较修改前提升0.031,检测时间缩短0.014s。此外,根据试验可知数据量和数据增强方式均对模型产生不同程度影响;不同类别的目标进行单一训练比多类别目标组合训练得到检测效果更好。
关键词
玉米苗
杂草
目标检测
深度学习
yolo
v
4
网络
Keywords
maize
seedlings
weed
target
detection
deep
learning
yolo
v
4
network
分类号
S233.3 [农业科学—农业机械化工程]
下载PDF
职称材料
题名
铁路接触网支柱的图像序列自适应识别方法
2
作者
黄竹安
宋浩然
王浩然
刘俊博
顾子晨
戴鹏
机构
中车南京浦镇车辆有限公司
中国铁道科学研究院集团有限公司基础设施检测研究所
中国铁道科学研究院
北京铁科英迈技术有限公司
出处
《计算机测量与控制》
2023年第10期222-227,共6页
基金
国家自然科学基金项目(52272427)
中国国家铁路集团有限公司科研计划项目(K2021T015)
中国铁道科学研究院集团有限公司院重大基金课题(2022YJ256)。
文摘
接触网支柱数字化管理是电气化铁路运维的关键环节,基于移动视频建立接触网支柱数字台账是高效、经济、便捷的技术手段;为实现对于移动视频图像序列中接触网支柱杆号的精准识别,提出了一种基于区域相关和改进SVTR网络的接触网支柱识别算法;针对视频图像中接触网支柱区域重叠、结构模式复杂的特点,采用了YOLO v4网络对单帧图像中支柱区域和号牌标识区域分别进行检测,并通过测算交叠区域来获得距观察点最近的杆位和对应的号牌区域;此外,针对接触网杆号牌尺度多样性和字符变长的问题,在杆号文字识别问题中采用了SVTR-tiny网络,并进一步引入迁移学习方法增强模型对于复杂杆号的识别精度和对于不同线路场景的泛化性能;通过在实际高铁线路采集的移动视频数据集上进行测试,结果表明算法在移动视频中视野最近杆位杆号区域的定位检出率可达98.01%,杆号文本的识别准确率达到96.13%,适用于我国高速铁路主要干线建设配套的接触网支柱结构。
关键词
接触网支柱识别
移动视频
yolo
v
4
网络
区域相关
S
v
TR-tiny网络
Keywords
catenary
pillar
recognition
mobile
v
ideo
yolo
v
4
network
regional
related
S
v
TR-tiny
network
分类号
U226.8 [交通运输工程—道路与铁道工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于YOLO v4卷积神经网络的农田苗草识别研究
权龙哲
夏福霖
姜伟
李海龙
李恒达
娄朝霞
李传文
《东北农业大学学报》
CAS
CSCD
北大核心
2021
19
下载PDF
职称材料
2
铁路接触网支柱的图像序列自适应识别方法
黄竹安
宋浩然
王浩然
刘俊博
顾子晨
戴鹏
《计算机测量与控制》
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
