针对白细胞数据样本少、类间差别小及目标尺寸小导致的检测精度低、效果不佳等问题,提出一种基于改进YOLOv5的白细胞检测算法YOLOv5-CHE。在主干特征提取网络的卷积层中添加坐标注意力机制,以提升算法的特征提取能力;使用四尺度特征检测...针对白细胞数据样本少、类间差别小及目标尺寸小导致的检测精度低、效果不佳等问题,提出一种基于改进YOLOv5的白细胞检测算法YOLOv5-CHE。在主干特征提取网络的卷积层中添加坐标注意力机制,以提升算法的特征提取能力;使用四尺度特征检测,重新获取锚点框,增加浅层检测尺度,来提高小目标的识别精度;改变边框回归损失函数,以提升检验框检测的准确率。实验结果表明,对比标准的YOLOv5算法,YOLOv5-CHE算法的平均精度均值(mean average precision,mAP)、精准率和召回率分别提升了3.8个百分点、1.8个百分点和1.5个百分点,验证了该算法对白细胞检测具有很好的效果。展开更多
林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键。快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环...林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键。快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环境建设的危害。为此提出一种深度学习方法,利用当前强大的目标检测算法YOLOv5来实现林业有害生物的检测与识别,针对害虫图像中经常出现重叠和遮挡物体问题,采用DIoU_NMS算法对目标框进行选择,增强被遮挡害虫的检测识别准确率。试验结果表明,YOLOv5算法模型能够有效识别数据集中包含的9种林业有害生物,精确度达到了0.973,召回率达到了0.929,均值平均精度(mean Average Precision, mAP)达到了0.942。与YOLOv3和Faster-RCNN相比,mAP比YOLOv3高0.04,比Faster-RCNN高0.087,充分显现出该模型的识别精度高,且实时性好,鲁棒性强。展开更多
文摘针对白细胞数据样本少、类间差别小及目标尺寸小导致的检测精度低、效果不佳等问题,提出一种基于改进YOLOv5的白细胞检测算法YOLOv5-CHE。在主干特征提取网络的卷积层中添加坐标注意力机制,以提升算法的特征提取能力;使用四尺度特征检测,重新获取锚点框,增加浅层检测尺度,来提高小目标的识别精度;改变边框回归损失函数,以提升检验框检测的准确率。实验结果表明,对比标准的YOLOv5算法,YOLOv5-CHE算法的平均精度均值(mean average precision,mAP)、精准率和召回率分别提升了3.8个百分点、1.8个百分点和1.5个百分点,验证了该算法对白细胞检测具有很好的效果。
文摘林业生态环境监测建设是林业生态健康可持续发展的迫切需求,是森林资源保护、生态文明建设和林业有害生物防控体系提升的关键。快速、准确、有效地检测林业有害生物能够遏制病虫害蔓延,促进森林病虫害综合治理,减轻对林业生产和生态环境建设的危害。为此提出一种深度学习方法,利用当前强大的目标检测算法YOLOv5来实现林业有害生物的检测与识别,针对害虫图像中经常出现重叠和遮挡物体问题,采用DIoU_NMS算法对目标框进行选择,增强被遮挡害虫的检测识别准确率。试验结果表明,YOLOv5算法模型能够有效识别数据集中包含的9种林业有害生物,精确度达到了0.973,召回率达到了0.929,均值平均精度(mean Average Precision, mAP)达到了0.942。与YOLOv3和Faster-RCNN相比,mAP比YOLOv3高0.04,比Faster-RCNN高0.087,充分显现出该模型的识别精度高,且实时性好,鲁棒性强。
