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：
基于改进YOLOv8的无人机图像玉米幼苗检测 被引量：1
1
作者 胡健威 马慧敏 +4 位作者 宁孝梅 代腾辉 戴明宇 王小申 吴旖 《江苏农业学报》 北大核心 2025年第6期1179-1187,共9页
无人机技术凭借其高效、精准的优势,在农业领域发挥着重要作用,被广泛应用于农田监测、精准施肥、病虫害防治等环节。然而,在无人机采集的玉米幼苗图像中,田间杂草等干扰物与玉米幼苗颜色相近,易导致YOLOv8模型误检和漏检;同时玉米幼苗... 无人机技术凭借其高效、精准的优势,在农业领域发挥着重要作用,被广泛应用于农田监测、精准施肥、病虫害防治等环节。然而,在无人机采集的玉米幼苗图像中,田间杂草等干扰物与玉米幼苗颜色相近,易导致YOLOv8模型误检和漏检;同时玉米幼苗间相互遮挡,也会影响模型检测精度。针对这些问题,本研究提出了YOLOv8+MultiSEAM+MetaNeXtStag+WIoU模型(简称YOLOv8-MMW模型)。该模型基于YOLOv8模型架构,首先在颈部网络引入MultiSEAM注意力机制,有效提升了模型在复杂场景下的特征提取能力;其次引入了InceptionNeXt中的MetaNeXtStage模块;在此基础上,采用Wise-IoU损失函数以提升模型精度。在测试集上的试验结果表明,YOLOv8-MMW模型精度和交并比阈值为0.50时的平均精度均值(mAP_(50))分别达到98.9%和89.6%,较原始YOLOv8n模型分别提升了6.1个百分点和2.4个百分点。本研究提出的YOLOv8_MMW模型在复杂农田环境下表现出更强的鲁棒性,能够有效提升对无人机拍摄的玉米幼苗图像的检测准确率,为农业管理和监测提供了技术支持。 展开更多
关键词 玉米幼苗 无人机 YOLOv8 MultiSEAM metanextstage 损失函数
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