-
题名改进YOLOv4的温室环境下草莓生育期识别方法
被引量：10
- 1
-
-
作者
龙洁花
郭文忠
林森
文朝武
张宇
赵春江
-
机构
北京市农林科学院智能装备技术研究中心
上海海洋大学信息学院
-
出处
《智慧农业（中英文）》
2021年第4期99-110,共12页
-
基金
北京市科技计划(Z211100004621006)
北京市农林科学院青年基金(QNJJ202027)
宁夏回族自治区重点研发计划项目(2018BBF02024)。
-
文摘
针对目前设施农业数字化栽培调控技术中对作物的生育期实时检测与分类问题,提出一种改进YOLOv4的温室环境下草莓生育期识别方法。该方法将注意力机制引入到YOLOv4主干网络的跨阶段局部残差模块(Cross Stage Partial Residual,CSPRes)中,融合草莓不同生长时期的目标特征信息,同时降低复杂背景的干扰,提高模型检测精度的同时保证实时检测效率。以云南地区的智能设施草莓为试验对象,结果表明,本研究提出的YOLOv4-CBAM(YOLOv4-Convolutional Block Attention Module)模型对开花期、果实膨大期、绿果期和成熟期草莓的检测平均精度(Average Precision,AP)分别为92.38%、82.45%、68.01%和92.31%,平均精度均值(Mean Average Precision,mAP)为83.79%,平均交并比(Mean Inetersection over Union,mIoU)为77.88%,检测单张图像时间为26.13 ms。YOLOv4-CBAM模型检测草莓生育期的mAP相比YOLOv4、YOLOv4-SE、YOLOv4-SC模型分别提高8.7%、4.82%和1.63%。该方法可对草莓各生育期目标进行精准识别和分类,并为设施草莓栽培的信息化、规模化调控提供有效的理论依据。
-
关键词
目标检测
草莓
生育期识别
YOLOv4
残差模块
注意力机制
损失函数
-
Keywords
object detection
strawberry
growth period recognition
YOLOv4
residual module
attention mechanism
loss function
-
分类号
S126
[农业科学—农业基础科学]
-
-
题名基于深度卷积特征的玉米生长期识别
被引量：5
- 2
-
-
作者
张芸德
刘蓉
刘明
龚永丽
-
机构
华中师范大学物理科学与技术学院
华中师范大学计算机学院
-
出处
《电子测量技术》
2018年第16期79-84,共6页
-
基金
湖北省技术创新专项重点项目(2017AFB188)资助
-
文摘
作物生长期自动识别是精准农业支持技术的核心部分之一。为了实时准确地识别玉米不同的生长期,获取玉米生长信息,提出一种基于深度卷积神经网络特征提取的玉米生长期识别方法。首先,对拍摄的玉米图像进行预处理以滤除噪声;然后通过深度卷积神经网络提取玉米不同生长期的特征,再结合粒子群优化算法优化SVM参数,构造多级支持向量机模型对玉米生长期分类识别。实验结果表明,结合深度学习和SVM分类建模的方法能自动提取玉米的关键特征并能有效识别不同生长期。
-
关键词
卷积神经网络
深度学习
生长期识别
特征提取
支持向量机
-
Keywords
convoiutional neural network（CNN）
deep learning
growth period recognition
feature extraction
support vector machine（SVM）
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP391.4
[自动化与计算机技术—控制科学与工程]
-
