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YOLOv11-RFDY的苹果病虫害小目标检测
1
作者 陈泓润 朱洪前 +1 位作者 林洁如 何翔 《林业工程学报》 2026年第2期128-136,共9页
针对当前苹果病虫害检测过程中存在的检测效率低、检测成本高、病虫害种类繁多以及果园环境复杂多变,传统方法难以实现高精度与高实时性的自动检测等问题,本研究基于深度学习方法提出了一种改进的目标检测模型YOLOv11-RFDY。该模型以轻... 针对当前苹果病虫害检测过程中存在的检测效率低、检测成本高、病虫害种类繁多以及果园环境复杂多变,传统方法难以实现高精度与高实时性的自动检测等问题,本研究基于深度学习方法提出了一种改进的目标检测模型YOLOv11-RFDY。该模型以轻量级的YOLOv11n为基础,融合RFCAConv卷积模块以增强局部特征提取能力,同时设计了新的RFDY颈部结构,通过引入蛇形卷积实现对卷积核形态的自适应调整,提升模型对苹果叶片上不规则、尺寸较小的病虫害目标的识别能力。为进一步增强对微小目标的检测性能,模型新增p2检测层,利用高分辨率的特征图提升目标定位精度,有效区分患病树叶和健康枝叶,增强模型在复杂光照、遮挡背景等真实场景下的鲁棒性。在损失函数方面,本研究使用更具几何感知能力的SIoU损失函数替换CIoU损失函数,从而加快训练收敛速度并提升检测精度。在苹果病虫害图像数据集上进行实验,结果表明,YOLOv11-RFDY在保持模型参数量较低的前提下,对多种苹果病虫害的平均准确率达到了90.8%;与YOLOv7相比提高了17.5个百分点,比原模型YOLOv11提升了2.1个百分点,展现出优越的检测性能和实用价值。 展开更多
关键词 苹果病虫害 YOLOv11n RFCAConv卷积模块 rfdy 蛇形卷积
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