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MSCS-YOLO的非结构化环境中草莓成熟度识别
1
作者 王永胜 丁宇 +2 位作者 张若晨 许洪光 范玥 《农业机械学报》 2026年第4期296-308,共13页
针对草莓个体较小、个体间遮挡严重的问题,提出了一种基于MSCS-YOLO的非结构化环境中草莓成熟度识别方法。在YOLO v8n模型的Neck部分引入多尺度扩展注意力机制(Multi-scale dilated attention,MSDA),扩大模型的感受野,解决草莓果实较小... 针对草莓个体较小、个体间遮挡严重的问题,提出了一种基于MSCS-YOLO的非结构化环境中草莓成熟度识别方法。在YOLO v8n模型的Neck部分引入多尺度扩展注意力机制(Multi-scale dilated attention,MSDA),扩大模型的感受野,解决草莓果实较小、特征易被忽略的问题。同时,利用改进的C2f-Triplet attention结构替换Neck部分的C2f结构,从3个维度更全面地捕捉草莓图像的信息,增强模型在果实遮挡情况下的目标识别能力。将改进的SAHead检测头嵌入到YOLO v8n模型,提升模型在非结构化环境中对不同成熟度草莓的识别精度。试验结果表明,MSCS-YOLO模型在成熟、中等成熟及未成熟3类草莓识别的任务中,平均精度均值达到94.22%,较YOLO v8n和RTDETR-L模型分别提高1.38、5.42个百分点;对成熟和中等成熟草莓识别平均精度分别达到96.35%和92.00%,较YOLO v8n模型分别高0.82、3.66个百分点。MSCS-YOLO模型在各种光照条件下(包括夜晚、晴天、直射阳光和光线照射)都展现了更佳的识别表现和更高的准确性。此外,改进模型内存占用量为6.42 MB,相较于YOLO v7-tiny和YOLO v9c模型分别减少45.22%和86.93%,在保持与YOLO v8n相近模型体积的同时,实现了精度与效率的协同优化。因此,MSCS-YOLO模型在资源有限的环境中更具部署和应用的优势,为后期对草莓成熟度的实际应用提供了可靠的技术支持。 展开更多
关键词 非结构化环境 草莓成熟度识别 sahead YOLO v8n
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