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
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：
基于多注意力机制的苹果叶部病害检测方法 被引量：12
1
作者 龙阳 肖小玲 《江苏农业科学》 北大核心 2023年第23期178-186,共9页
针对苹果叶部病害在复杂环境下出现的多尺度病斑识别和定位不准确等难题,并提高对小目标病害特征的识别能力,提出了一种基于改进YOLO v5s的苹果叶部病害检测算法。首先,在骨干网络中采用ConvNeXtBlock模块替换传统的CSP模块,以增强对病... 针对苹果叶部病害在复杂环境下出现的多尺度病斑识别和定位不准确等难题,并提高对小目标病害特征的识别能力,提出了一种基于改进YOLO v5s的苹果叶部病害检测算法。首先,在骨干网络中采用ConvNeXtBlock模块替换传统的CSP模块,以增强对病害特征的提取能力。同时,为了更准确地检测小目标病害特征,引入自注意力和卷积集成的ACmix注意力机制,使得改进后的骨干网络在复杂环境下也能更准确地检测到苹果叶部病害。在颈部网络中,采用通道和空间混合的CBAM注意力机制以及SK注意力机制,以进一步提高模型对多尺度病害特征的精确定位和提取能力,并赋予了模型更强的语义信息理解能力,使其能够更好地适应不同尺寸和复杂度的病害状况。试验结果表明,与传统的YOLO v5s相比,改进后的算法精确率提高了12.2百分点,召回率提高了12.0百分点,mAP@0.5提高了12.72百分点,平均精度达到94.03%,具有较好的识别精度,误检和漏检概率显著减少。本研究的改进算法在苹果叶部病害检测方面取得了显著成果。该算法不仅提高了对多尺度病害特征的识别和定位能力,在复杂环境下也能更准确地检测到小目标病害特征。这一算法的应用潜力不仅限于苹果叶部病害,还可推广至其他农作物病害检测领域,对于提高农业病害防控水平具有重要意义。 展开更多
关键词 苹果叶部病害 YOLO v5s convnextblock ACmix CBAM SK 注意力机制
在线阅读 下载PDF
KMeans++与注意力机制融合的苹果叶片病害识别方法
2
作者 黄贻望 王国帅 +1 位作者 毛志 刘声 《江苏农业科学》 北大核心 2024年第20期190-198,共9页
为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题,在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框;其次在骨干网络中加入卷积块注意几模块(convolut... 为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题,在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框;其次在骨干网络中加入卷积块注意几模块(convolutional block attention module,CBAM),来提升复杂环境下小目标特征的提取能力;再次为了增强颈部网络对不同大小病害多尺度特征的有效识别,选择ConvNeXtBlock模块替换C3(CSP bottleneck with 3 convolutions)模块,并在颈部网络中融入坐标注意力模块(coordinate attention,CA),来加强模型对关键空间位置的响应,使得不同尺度的特征都能被更有效地利用;最后使用ECIoU损失函数替换原始的CIoU损失函数,来提高模型的收敛速度和精度。与Faster R-CNN、SSD、YOLO v5s、YOLO v7、YOLO v8目标检测模型相比,改进后模型的平均精度均值(mean average precision,mAP 0.5)值分别提升0.6、4.6、6.3、1.7、1.3百分点,同时在强光照、模糊、暗光的复杂场景下具有较强的鲁棒性。该模型可以为复杂环境下苹果叶片病害的识别提供行之有效的方案。 展开更多
关键词 苹果 叶片病害 病害检测 注意力机制 convnextblock 卷积块注意力模块(CBAM) CA
在线阅读 下载PDF
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
使用帮助 返回顶部