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
4
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 v5的探地雷达地下空洞与管线图像自动识别技术
1
作者
江路路
尹轶
+1 位作者
孟姿含
许佳毅
《国防交通工程与技术》
2024年第5期7-11,共5页
为了提高探地雷达图像中的病害自动识别的效率和准确度,通过现场实测和正演模拟的方法获得并扩充训练数据集,用于训练YOLO v5模型,以实现对探地雷达图像中地下空洞与管线的快速准确分类。结果表明:①YOLO v5模型能较好的定位和区分地下...
为了提高探地雷达图像中的病害自动识别的效率和准确度,通过现场实测和正演模拟的方法获得并扩充训练数据集,用于训练YOLO v5模型,以实现对探地雷达图像中地下空洞与管线的快速准确分类。结果表明:①YOLO v5模型能较好的定位和区分地下空洞、金属管线和混凝土管线三类地下目标。②使用正演模拟对数据集增广能提升模型的精准度和召回率,但数据增广比例不宜过高。③由于混凝土相对介电常数更接近土壤,因此混凝土管道的识别准确率较低。研究可为地下病害检测和识别工作提供一定参考。
展开更多
关键词
探地雷达
图像识别
yolo
v
5
模型
地下目标探测
数据增广
病害检测
下载PDF
职称材料
基于YOLO v5-Jetson TX2的秸秆覆盖农田杂草检测方法
被引量：
5
2
作者
王秀红
王庆杰
+3 位作者
李洪文
何进
卢彩云
张馨悦
《农业机械学报》
EI
CAS
CSCD
北大核心
2023年第11期39-48,共10页
玉米苗期杂草的实时检测和精准识别是实现精准除草和智能农业的基础和前提。针对保护性耕作模式地表环境复杂、杂草易受地表秸秆残茬覆盖影响、现有算法检测速度不理想等问题,提出一种适用于Jetson TX2移动端部署的秸秆覆盖农田杂草检...
玉米苗期杂草的实时检测和精准识别是实现精准除草和智能农业的基础和前提。针对保护性耕作模式地表环境复杂、杂草易受地表秸秆残茬覆盖影响、现有算法检测速度不理想等问题,提出一种适用于Jetson TX2移动端部署的秸秆覆盖农田杂草检测方法。运用深度学习技术对玉米苗期杂草图像的高层语义信息进行提取与分析,构建玉米苗期杂草检测模型。在YOLO v5s模型的基础上,缩小网络模型宽度对其进行轻量化改进。为平衡模型检测速度和检测精度,采用TensorRT推理加速框架解析网络模型,融合推理网络中的维度张量,实现网络结构的重构与优化,减少模型运行时的算力需求。将模型迁移部署至Jetson TX2移动端平台,并对各模型进行训练测试。检测结果表明,轻量化改进YOLO v5ss、YOLO v5sm、YOLO v5sl模型的精确率分别为85.7%、94%、95.3%,检测速度分别为80、79.36、81.97 f/s,YOLO v5sl模型综合表现最佳。在Jetson TX2嵌入式端推理加速后,YOLO v5sl模型的检测精确率为93.6%,检测速度为28.33 f/s,比模型加速前提速77.8%,能够在保证检测精度的同时实现玉米苗期杂草目标的实时检测,为硬件资源有限的田间精准除草作业提供技术支撑。
展开更多
关键词
杂草检测
秸秆覆盖
yolo
v
5
s模型
Jetson
TX2
模型迁移
下载PDF
职称材料
基于深度学习的农场虫情检测算法研究及实现
3
作者
罗小娟
胡鹏昊
《华东理工大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第5期732-739,共8页
传统的病虫害防治手段需要消耗大量人力、物力,且达不到很高的精确度,为了更科学、高效地做好农场病虫害防治工作,本文结合深度学习技术和物联网技术研发了虫情检测系统进行病虫害的远程检测,提高防治工作的效率。该系统采用YOLO-v5网...
传统的病虫害防治手段需要消耗大量人力、物力,且达不到很高的精确度,为了更科学、高效地做好农场病虫害防治工作,本文结合深度学习技术和物联网技术研发了虫情检测系统进行病虫害的远程检测,提高防治工作的效率。该系统采用YOLO-v5网络模型,结合迁移学习,训练学习了林业常见害虫和农田常见害虫的特征,实现了高效的检测识别。基于物联网技术实现远程控制拍摄病虫害图像,并通过Wi-Fi传输到计算机端进行识别,通过可视化界面呈现出农田中虫害的种类和数量,对减少人力、物力消耗以及实现科学防虫具有良好的实际应用价值。
展开更多
关键词
农场虫情检测
深度学习
物联网技术
yolo
-
v
5
网络模型
图像处理识别
下载PDF
职称材料
基于机器视觉的啤酒金属盖表面缺陷检测方法
被引量：
2
4
作者
金怡君
李振宇
杨絮
《包装工程》
CAS
北大核心
2023年第11期259-267,共9页
目的为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检...
目的为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检测。通过添加注意力机制SE模块、改进模型损失函数和预测框筛选方式等技术手段对原YOLO–v5模型作出优化,抑制图像中的不重要特征,提升小目标检测的准确率和模型的特征提取能力。结果改进后的YOLO–v5模型与常用的检测模型的对比结果表明,改进YOLO–v5模型在测试集上的mPA指标为93.10%,检测速度达到了294张/min,优势较为明显。结论针对不同类型的金属盖表面缺陷,基于机器视觉的检测模型均有较高的检测精度和识别准确率,小目标缺陷的漏检率和误检率情况较少,满足生产线实时、高精度的检测要求。
展开更多
关键词
机器视觉
金属盖
表面缺陷
改进的
yolo
–
v
5
模型
下载PDF
职称材料
题名
基于YOLO v5的探地雷达地下空洞与管线图像自动识别技术
1
作者
江路路
尹轶
孟姿含
许佳毅
机构
国能黄大铁路有限责任公司
北京交通大学土木建筑工程学院
出处
《国防交通工程与技术》
2024年第5期7-11,共5页
文摘
为了提高探地雷达图像中的病害自动识别的效率和准确度,通过现场实测和正演模拟的方法获得并扩充训练数据集,用于训练YOLO v5模型,以实现对探地雷达图像中地下空洞与管线的快速准确分类。结果表明:①YOLO v5模型能较好的定位和区分地下空洞、金属管线和混凝土管线三类地下目标。②使用正演模拟对数据集增广能提升模型的精准度和召回率,但数据增广比例不宜过高。③由于混凝土相对介电常数更接近土壤,因此混凝土管道的识别准确率较低。研究可为地下病害检测和识别工作提供一定参考。
关键词
探地雷达
图像识别
yolo
v
5
模型
地下目标探测
数据增广
病害检测
Keywords
ground-penetrating
radar
image
recognition
yolo
v
5
model
underground
target
detection
data
augmentation
defect
detection
分类号
U418.5 [交通运输工程—道路与铁道工程]
下载PDF
职称材料
题名
基于YOLO v5-Jetson TX2的秸秆覆盖农田杂草检测方法
被引量：
5
2
作者
王秀红
王庆杰
李洪文
何进
卢彩云
张馨悦
机构
中国农业大学工学院
农业农村部保护性耕作农业装备重点实验室
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2023年第11期39-48,共10页
基金
国家重点研发计划项目(2022YFD1500704)。
文摘
玉米苗期杂草的实时检测和精准识别是实现精准除草和智能农业的基础和前提。针对保护性耕作模式地表环境复杂、杂草易受地表秸秆残茬覆盖影响、现有算法检测速度不理想等问题,提出一种适用于Jetson TX2移动端部署的秸秆覆盖农田杂草检测方法。运用深度学习技术对玉米苗期杂草图像的高层语义信息进行提取与分析,构建玉米苗期杂草检测模型。在YOLO v5s模型的基础上,缩小网络模型宽度对其进行轻量化改进。为平衡模型检测速度和检测精度,采用TensorRT推理加速框架解析网络模型,融合推理网络中的维度张量,实现网络结构的重构与优化,减少模型运行时的算力需求。将模型迁移部署至Jetson TX2移动端平台,并对各模型进行训练测试。检测结果表明,轻量化改进YOLO v5ss、YOLO v5sm、YOLO v5sl模型的精确率分别为85.7%、94%、95.3%,检测速度分别为80、79.36、81.97 f/s,YOLO v5sl模型综合表现最佳。在Jetson TX2嵌入式端推理加速后,YOLO v5sl模型的检测精确率为93.6%,检测速度为28.33 f/s,比模型加速前提速77.8%,能够在保证检测精度的同时实现玉米苗期杂草目标的实时检测,为硬件资源有限的田间精准除草作业提供技术支撑。
关键词
杂草检测
秸秆覆盖
yolo
v
5
s模型
Jetson
TX2
模型迁移
Keywords
weed
detection
straw
mulching
yolo
v
5
s
model
Jetson
TX2
model
migration
分类号
S223.2 [农业科学—农业机械化工程]
下载PDF
职称材料
题名
基于深度学习的农场虫情检测算法研究及实现
3
作者
罗小娟
胡鹏昊
机构
华东理工大学信息科学与工程学院
出处
《华东理工大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第5期732-739,共8页
文摘
传统的病虫害防治手段需要消耗大量人力、物力,且达不到很高的精确度,为了更科学、高效地做好农场病虫害防治工作,本文结合深度学习技术和物联网技术研发了虫情检测系统进行病虫害的远程检测,提高防治工作的效率。该系统采用YOLO-v5网络模型,结合迁移学习,训练学习了林业常见害虫和农田常见害虫的特征,实现了高效的检测识别。基于物联网技术实现远程控制拍摄病虫害图像,并通过Wi-Fi传输到计算机端进行识别,通过可视化界面呈现出农田中虫害的种类和数量,对减少人力、物力消耗以及实现科学防虫具有良好的实际应用价值。
关键词
农场虫情检测
深度学习
物联网技术
yolo
-
v
5
网络模型
图像处理识别
Keywords
pest
detection
on
farm
deep
learning
internet
of
things
technology
yolo
-
v
5
network
model
image
processing
and
recognition
分类号
TP393 [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
基于机器视觉的啤酒金属盖表面缺陷检测方法
被引量：
2
4
作者
金怡君
李振宇
杨絮
机构
常州大学怀德学院
江南大学
南京理工大学
出处
《包装工程》
CAS
北大核心
2023年第11期259-267,共9页
基金
2018年江苏省高校哲学社会科学研究基金项目(2018SJA2268)
常州市第十五届社会科学研究课题重点资助项目(CZSKL–2019A002)。
文摘
目的为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检测。通过添加注意力机制SE模块、改进模型损失函数和预测框筛选方式等技术手段对原YOLO–v5模型作出优化,抑制图像中的不重要特征,提升小目标检测的准确率和模型的特征提取能力。结果改进后的YOLO–v5模型与常用的检测模型的对比结果表明,改进YOLO–v5模型在测试集上的mPA指标为93.10%,检测速度达到了294张/min,优势较为明显。结论针对不同类型的金属盖表面缺陷,基于机器视觉的检测模型均有较高的检测精度和识别准确率,小目标缺陷的漏检率和误检率情况较少,满足生产线实时、高精度的检测要求。
关键词
机器视觉
金属盖
表面缺陷
改进的
yolo
–
v
5
模型
Keywords
machine
v
ision
metal
co
v
er
surface
defect
impro
v
ed
yolo
-
v
5
model
分类号
TS206.4 [轻工技术与工程—食品科学]
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 v5的探地雷达地下空洞与管线图像自动识别技术
江路路
尹轶
孟姿含
许佳毅
《国防交通工程与技术》
2024
0
下载PDF
职称材料
2
基于YOLO v5-Jetson TX2的秸秆覆盖农田杂草检测方法
王秀红
王庆杰
李洪文
何进
卢彩云
张馨悦
《农业机械学报》
EI
CAS
CSCD
北大核心
2023
5
下载PDF
职称材料
3
基于深度学习的农场虫情检测算法研究及实现
罗小娟
胡鹏昊
《华东理工大学学报（自然科学版）》
CAS
CSCD
北大核心
2024
0
下载PDF
职称材料
4
基于机器视觉的啤酒金属盖表面缺陷检测方法
金怡君
李振宇
杨絮
《包装工程》
CAS
北大核心
2023
2
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
