针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入S...针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入SE(Squeeze-and-Excitation)注意力机制,使模型在特征提取过程中更加精准地捕捉到与水稻秧苗相关的特征;融入VOV-GSCSP模块,能够有效地整合模型不同层次的特征信息,增强对水稻秧苗的检测能力;融入CARAFE(Content-Aware ReAssembly of FEatures)上采样算子,有效地减少了模型的参数量,降低了模型的计算复杂度和存储需求,以此增强模型的特征重建能力。最后,进行验证试验,结果表明,该网络模型对于秧苗形态识别的平均准确率达90.26%,比基础模型YOLOv8n提高了1.54个百分点,mAP@0.5提高了1.52个百分点,mAP@0.5-0.95提高了3.35个百分点,检测速度达到70.42 f/s,能够满足对秧苗分类的识别精度,可对后期补秧计划提供数据支持。展开更多
对于当前植保无人机喷洒存在重复喷洒、农药残留、缺少在线病虫害检测,且检测方法不易在嵌入式端部署等问题,提出一种植保无人机平台下基于改进YOLOv7的霜霉病与潜叶蝇检测农药喷洒系统。首先,采用渐进金字塔网络AFPN提升模型在特征融...对于当前植保无人机喷洒存在重复喷洒、农药残留、缺少在线病虫害检测,且检测方法不易在嵌入式端部署等问题,提出一种植保无人机平台下基于改进YOLOv7的霜霉病与潜叶蝇检测农药喷洒系统。首先,采用渐进金字塔网络AFPN提升模型在特征融合区域的自适应特征融合能力。其次,引入EMA注意力机制模块,利用维度交互的方式来提升融合像素特征。试验结果表明,改进YOLOv7病虫害检测算法的平均精度均值mAP达到94.2%,相比于原始YOLOv7算法提高25.9%,每秒传输帧数FPS相比于原算法提高4.6%。最后,将YOLOv7—AFPN—EMA的病虫害识别模型部署到Jetson Orin Nano上进行验证性检测试验,对比模型改进前后的检测精度。验证结果表明,改进算法相比于原始算法,在线实时检测精度提升11.3%,病虫害检测成功率达89.7%。展开更多
文摘针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入SE(Squeeze-and-Excitation)注意力机制,使模型在特征提取过程中更加精准地捕捉到与水稻秧苗相关的特征;融入VOV-GSCSP模块,能够有效地整合模型不同层次的特征信息,增强对水稻秧苗的检测能力;融入CARAFE(Content-Aware ReAssembly of FEatures)上采样算子,有效地减少了模型的参数量,降低了模型的计算复杂度和存储需求,以此增强模型的特征重建能力。最后,进行验证试验,结果表明,该网络模型对于秧苗形态识别的平均准确率达90.26%,比基础模型YOLOv8n提高了1.54个百分点,mAP@0.5提高了1.52个百分点,mAP@0.5-0.95提高了3.35个百分点,检测速度达到70.42 f/s,能够满足对秧苗分类的识别精度,可对后期补秧计划提供数据支持。
文摘对于当前植保无人机喷洒存在重复喷洒、农药残留、缺少在线病虫害检测,且检测方法不易在嵌入式端部署等问题,提出一种植保无人机平台下基于改进YOLOv7的霜霉病与潜叶蝇检测农药喷洒系统。首先,采用渐进金字塔网络AFPN提升模型在特征融合区域的自适应特征融合能力。其次,引入EMA注意力机制模块,利用维度交互的方式来提升融合像素特征。试验结果表明,改进YOLOv7病虫害检测算法的平均精度均值mAP达到94.2%,相比于原始YOLOv7算法提高25.9%,每秒传输帧数FPS相比于原算法提高4.6%。最后,将YOLOv7—AFPN—EMA的病虫害识别模型部署到Jetson Orin Nano上进行验证性检测试验,对比模型改进前后的检测精度。验证结果表明,改进算法相比于原始算法,在线实时检测精度提升11.3%,病虫害检测成功率达89.7%。
