-
题名基于改进YOLOv7的番茄成熟度高效检测方法
- 1
-
-
作者
李贺南
艾尔肯·亥木都拉
侯艳林
郑威强
-
机构
新疆大学智能制造现代产业学院
-
出处
《农机化研究》
北大核心
2026年第5期120-127,共8页
-
基金
国家自然科学基金项目(52265039)。
-
文摘
为解决番茄智能化采摘过程中因自然环境因素导致识别率低的问题,提出了一种基于改进YOLOv7的番茄成熟度检测模型YOLOv7-FGI。首先,在YOLOv7骨干网络中添加FcaNet注意力机制来提高注意力的分配效率以保证模型检测精度;然后,在GSConv模块的基础上构建了一个高效的Slim-Neck精简特征融合网络结构来增强特征信息的非线性表达能力,进而在降低模型复杂度的同时提升模型的检测精度和速度;最后,将损失函数替换为Inner-CIoU来提高模型收敛速度并提升模型泛化性。试验结果表明,改进后的YOLOv7-FGI模型在测试集下的精确率、召回率和平均识别精度均值分别为93.2%、94.0%、96.1%,检测速度为96.8 frames/s;相比Faster R-CNN、SSD、YOLOv3、YOLOv5和YOLOv7等经典模型,改进模型的平均识别精度均值分别提升7.7、6.7、6.2、3.9、2.6个百分点,且其检测速度也相对较快。YOLOv7-FGI网络模型能够高效精准地识别出多种自然环境条件下番茄果实的成熟度信息,可为农业智能化管理与采摘提供技术支持和数据支撑。
-
关键词
番茄
成熟度检测
YOLOv7
fcanet
Slim-Neck
Inner-CIoU
-
Keywords
tomato
maturity testing
YOLOv7
fcanet
Slim-Neck
Inner-CIoU
-
分类号
S225.92
[农业科学—农业机械化工程]
-
-
题名基于改进LaneNet网络的车道线检测方法
- 2
-
-
作者
刘宏建
张伟斌
-
机构
南京理工大学电子工程与光电技术学院
-
出处
《现代交通与冶金材料》
2025年第2期39-50,共12页
-
基金
国家自然科学基金资助项目(71971116)。
-
文摘
科技发展日新月异,自动驾驶成为大家研究的热门领域。受复杂环境的影响,车道线检测很容易出现漏检误检的情况。传统的LaneNet车道线检测算法可以通过像素级别的图像处理来检测车道线,但该算法没有区分图像的关键区域,所以在复杂环境中,其检测能力大幅下降。为了提高其检测能力,本文对LaneNet网络进行了优化。提出了一种引入边缘特征和U-Net网络的语义分割模型Edge-Feature U-Net LaneNet(简称EU-LaneNet),该模型更加关注车道线附近像素的变化,还能一定程度宽容车道线的形变,从而使模型具有更好的鲁棒性。EU-LaneNet模型中使用了UNet网络作为编解码结构,U-Net网络将编码器与解码器进行跳跃层连接,从而保留了更多的空间信息和上下文信息,这有助于保留更多的细节并提高分割结果的准确性。在EU-LaneNet模型中增加了空洞空间卷积池化金字塔(ASPP, Atrous Spatial Pyramid Pooling)与频率域通道注意力(FCANet, Frequency Channel Attention)的融合机制,该方法具备从广阔的感受野中捕捉丰富的上下文信息的能力,同时提取出便于分析的细节特征,并通过这些细节特征来抑制噪声。利用自己构建的道路监控数据集和Tusimle车道线检测数据集对该模型进行综合训练。车道线检测结果显示,本文提出的模型效果更好,在准确率基本保持不变的情况下,本研究提出的车道线检测综合模型相对于传统的车道线检测LaneNet网络精确率提高了8.96%,能够更好地适应复杂的环境。
-
关键词
智能交通
车道线检测
LaneNet
U-Net
空洞空间卷积池化金字塔
频率域通道注意力
-
Keywords
intelligent transportation
lane line detection
LaneNet
U-Net
ASPP
fcanet
-
分类号
U491
[交通运输工程—交通运输规划与管理]
-
-
题名改进YOLOv5网络在遥感图像目标检测中的应用
被引量：17
- 3
-
-
作者
周华平
郭伟
-
机构
安徽理工大学计算机科学与工程系
-
出处
《遥感信息》
CSCD
北大核心
2022年第5期23-30,共8页
-
基金
国家自然科学基金项目(61703005)
安徽省重点研究与开发计划(202004b11020029)。
-
文摘
针对遥感图像目标检测存在的尺度多样化、分布密集、小目标检测困难等问题,提出了一种改进YOLOv5网络的遥感图像目标检测的新方法Fca_YOLOv5。该方法引入了频率通道注意力网络,引导模型更加关注信息丰富的特征;将网络输入尺寸优化为1 024,减少了图像缩放带来的影响;采用圆形平滑标签计算角度损失,对船舰目标进行旋转目标检测,进一步提升检测效果。在DOTA遥感图像数据集上进行实验,检测精度最高达到了75.9%,船舰旋转目标检测精度达到了96.1%,并且Fca_YOLOv5s的检测精度比YOLOv5s提高了3.1%。实验结果表明,改进网络对遥感图像中的微小目标具有较好的检测效果,有效提升了遥感图像的检测精度,对实现遥感图像中的微小目标检测具有一定的参考意义。
-
关键词
YOLOv5
频率通道注意力机制
网络输入尺寸
圆形平滑标签
小目标检测
-
Keywords
YOLOv5
fcanet
network input size
circular smoothing label
small object detection
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于改进UFSA算法的车道线检测研究
被引量：1
- 4
-
-
作者
王祥
柯福阳
朱节中
夏德铸
-
机构
南京信息工程大学自动化学院
南京信息工程大学遥感与测绘学院
南京信息工程大学无锡研究院
无锡学院
-
出处
《计算机仿真》
北大核心
2023年第5期213-219,共7页
-
基金
第十六批次江苏省“六大人才商峰”高层次人才项目(XYDXX-045)
2020年无锡市科技发展资金(N20201011)
西宁市科技计划(2019-Y-12)。
-
文摘
由于传统车道线检测方法存在计算量大、无视觉线索和车道线遮挡等主要问题,制约着车道线检测的发展。目前,UFSA(UltraFast Structure-aware)算法的提出可以有效解决上述问题,并在车道线检测领域广泛的应用。而UFSA算法存在网络卷积和池化提取特征会丢失重要信息、边界信息不够敏感等问题,故加入ASPP(Atrous Spatial Pyramid Pooling)空洞金字塔池化与FCANet(Frequency Channel Attention)频率域通道注意力的融合机制定义为FCASPP(Frequency Channel Attention Spatial Pyramid Pooling),上述机制能够有效地在大感受野时,获取更丰富上下文信息并提取更有用和紧致的特征而抑制噪声信息,L-Dice(Lane Dice Loss)函数比Softmax函数更加关注车道边界的信息。通过消融实验验证了上述改进的有效性,且无需添加任何计算量。在TuSimple和CULane两个基准数据集中,检测精度与原文相比,分别提高了0.21个百分点和1.7个百分点,速度与原文相当,所提算法较具竞争力。
-
关键词
车道线检测
频率域通道注意力
空洞金字塔池化
检测精度
-
Keywords
Lane line detection
fcanet
ASPP
Detection accuracy
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
