针对香菇育种过程中表型性状考察困难、人工测量费时费力的问题,提出一种适用于Jetson Orin Nano平台部署的香菇菌棒表型测量方法。使用手机和工业相机对3种不同数据来源的香菇菌棒进行图像采集,标注香菇菌落数据集并进行增强;比较了Bis...针对香菇育种过程中表型性状考察困难、人工测量费时费力的问题,提出一种适用于Jetson Orin Nano平台部署的香菇菌棒表型测量方法。使用手机和工业相机对3种不同数据来源的香菇菌棒进行图像采集,标注香菇菌落数据集并进行增强;比较了Bisenet、Stdcseg、U-net、Deeplabv3p、PP-liteseg 5个分割模型在Test-A、Test-B和Test-C测试集上的分割效果,结果表明PP-liteseg的普适性优于其他网络,PP-liteseg分割模型在3个测试集上的平均交并比超过97.53%,平均像素准确率高于99.49%,推理单幅图像耗时660 ms;为进一步平衡模型准确性和实时性,采用量化蒸馏方式对PP-liteseg模型进行压缩,并部署到Jetson Orin Nano平台上,压缩后的模型在Test-B测试集上的平均交并比和平均像素准确率分别为97.50%和99.51%,推理单幅图像耗时43.63 ms,比压缩前缩短近64%;采用PP-liteseg分割香菇菌棒图像,提取菌落表型,再根据菌落径向长度和轴向宽度得到菌丝生长长度,与人工测量值相比,菌丝生长长度平均绝对百分比误差、均方根误差和决定系数分别为1.874%、0.148 cm、0.918;采用该方法测量了6个菌株在连续4 d内的菌丝生长长度,结果表明,6个菌株的菌丝生长速度无论在单日还是在整个培养期内均有差异,其中49号和168号菌株差异最大。研究表明,本文方法适用于香菇菌棒表型测量,并能够以良好的准确性和实时性在Jetson Orin Nano平台上运行。展开更多
为解决因害虫尺度多样性导致其识别度相对较低的问题,本研究提出了一种基于PP-YOLO(PaddlePaddleYou Only Look once)的农业病虫害识别算法。选取2359个病虫害样本数据集,按照9∶1的比例进行训练集、测试集的划分;选择PP-YOLO模型进行...为解决因害虫尺度多样性导致其识别度相对较低的问题,本研究提出了一种基于PP-YOLO(PaddlePaddleYou Only Look once)的农业病虫害识别算法。选取2359个病虫害样本数据集,按照9∶1的比例进行训练集、测试集的划分;选择PP-YOLO模型进行病虫害监测,并利用平均精度mAP(mean average precision)指标进行模型精度评价;探讨PP-YOLO结合数据增强mixup、颜色扭曲法在病虫害中小目标检测上的适用性。结果表明,PP-YOLO模型在病虫害中小目标检测方面mAP达47.4%、26.5%;基于PP-YOLO模型结合数据增强mixup与颜色扭曲后在病虫害中小目标检测上mAP分别提升4.3%、2.9%。总之,PP-YOLO模型可有效检测识别农作物害虫,同时,数据增强mixup与颜色扭曲法可有效提升病虫害的数据样本指标。展开更多
文摘针对香菇育种过程中表型性状考察困难、人工测量费时费力的问题,提出一种适用于Jetson Orin Nano平台部署的香菇菌棒表型测量方法。使用手机和工业相机对3种不同数据来源的香菇菌棒进行图像采集,标注香菇菌落数据集并进行增强;比较了Bisenet、Stdcseg、U-net、Deeplabv3p、PP-liteseg 5个分割模型在Test-A、Test-B和Test-C测试集上的分割效果,结果表明PP-liteseg的普适性优于其他网络,PP-liteseg分割模型在3个测试集上的平均交并比超过97.53%,平均像素准确率高于99.49%,推理单幅图像耗时660 ms;为进一步平衡模型准确性和实时性,采用量化蒸馏方式对PP-liteseg模型进行压缩,并部署到Jetson Orin Nano平台上,压缩后的模型在Test-B测试集上的平均交并比和平均像素准确率分别为97.50%和99.51%,推理单幅图像耗时43.63 ms,比压缩前缩短近64%;采用PP-liteseg分割香菇菌棒图像,提取菌落表型,再根据菌落径向长度和轴向宽度得到菌丝生长长度,与人工测量值相比,菌丝生长长度平均绝对百分比误差、均方根误差和决定系数分别为1.874%、0.148 cm、0.918;采用该方法测量了6个菌株在连续4 d内的菌丝生长长度,结果表明,6个菌株的菌丝生长速度无论在单日还是在整个培养期内均有差异,其中49号和168号菌株差异最大。研究表明,本文方法适用于香菇菌棒表型测量,并能够以良好的准确性和实时性在Jetson Orin Nano平台上运行。
文摘为解决因害虫尺度多样性导致其识别度相对较低的问题,本研究提出了一种基于PP-YOLO(PaddlePaddleYou Only Look once)的农业病虫害识别算法。选取2359个病虫害样本数据集,按照9∶1的比例进行训练集、测试集的划分;选择PP-YOLO模型进行病虫害监测,并利用平均精度mAP(mean average precision)指标进行模型精度评价;探讨PP-YOLO结合数据增强mixup、颜色扭曲法在病虫害中小目标检测上的适用性。结果表明,PP-YOLO模型在病虫害中小目标检测方面mAP达47.4%、26.5%;基于PP-YOLO模型结合数据增强mixup与颜色扭曲后在病虫害中小目标检测上mAP分别提升4.3%、2.9%。总之,PP-YOLO模型可有效检测识别农作物害虫,同时,数据增强mixup与颜色扭曲法可有效提升病虫害的数据样本指标。
