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1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Grounded SAM 2和改进YOLOv11n-seg的蝴蝶兰组培苗夹取点分析
1
作者 张盼浩 陈佳慧 苑朝 《农业工程学报》 北大核心 2025年第21期183-195,共13页
为解决传统目标检测方法在蝴蝶兰组织培养自动化移植过程中存在的夹取点定位不准确、模型复杂度高、难以在资源受限设备上部署等问题,该研究提出了一种基于改进YOLOv11n-seg的轻量化组培苗分割模型。首先,使用RepViT架构替换原模型的主... 为解决传统目标检测方法在蝴蝶兰组织培养自动化移植过程中存在的夹取点定位不准确、模型复杂度高、难以在资源受限设备上部署等问题,该研究提出了一种基于改进YOLOv11n-seg的轻量化组培苗分割模型。首先,使用RepViT架构替换原模型的主干网络,在提高模型特征提取能力的同时降低计算需求。其次,在模型的颈部网络引入轻量级跨尺度特征融合模块(cross-scale feature fusion module,CCFM),进一步缩减计算开销,并增强模型对小目标特征的分割检测能力。同时,针对人工标注分割数据集效率低下的问题,提出了一种面向蝴蝶兰组培苗的自动标注方法。基于Grounded SAM 2,设计了一种名为AddSub的后处理算法,通过掩码差分融合运算、动态面积阈值降噪以及形态学运算等步骤对Grounded SAM 2的输出结果进行处理。试验结果表明,改进模型能够准确定位组培苗夹取点,其生成的夹取区域掩码质心与人工标注质心之间的平均欧氏距离仅为1.95 mm;且准确率、召回率、m AP_(50)、m AP_(50:95)分别达到96.0%、81.8%、87.7%、67.2%,相较基线模型YOLOv11n-seg分别提升了0.6、2.8、3.3、8.5个百分点;模型大小仅为3.8 MB,参数量和浮点计算量较原模型分别减少了1.32 M和2.1 G;研究提出的自动标注方法标注成功率达84.5%,单图平均标注时间为6.6 s,较Labelme与ISAT(image segmentation annotation tool)等人工标注方式分别减少了176.6和50.0 s,大幅降低了训练数据集的制作成本。研究结果可为蝴蝶兰组培过程的自动化实现提供参考。 展开更多
关键词 grounded sam 2 YOLOv11n-seg 蝴蝶兰组培苗 实例分割 夹取点分析
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