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3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：
基于改进型YOLOv4的果园障碍物实时检测方法 被引量：66
1
作者 蔡舒平 孙仲鸣 +2 位作者 刘慧 吴翃轩 庄珍珍 《农业工程学报》 EI CAS CSCD 北大核心 2021年第2期36-43,共8页
针对农业机器人在复杂的果园环境中作业时需要精确快速识别障碍物的问题,该研究提出了一种改进型的YOLOv4目标检测模型对果园障碍物进行分类和识别。为了减少改进后模型的参数数量并提升检测速度,该研究使用了深度可分离卷积代替模型中... 针对农业机器人在复杂的果园环境中作业时需要精确快速识别障碍物的问题,该研究提出了一种改进型的YOLOv4目标检测模型对果园障碍物进行分类和识别。为了减少改进后模型的参数数量并提升检测速度,该研究使用了深度可分离卷积代替模型中原有的标准卷积,并将主干网络CSP-Darknet中的残差组件(Residual Unit)改进为逆残差组件(Inverted Residual Unit)。此外,为了进一步增强模型对目标密集区域的检测能力,使用了软性非极大值抑制(Soft DIoU-Non-Maximum Suppression,Soft-DIoU-NMS)算法。为了验证该研究所提方法的有效性,选取果园中常见的3种障碍物作为检测对象制作图像数据集,在Tensorflow深度学习框架上训练模型。然后将测试图片输入训练好的模型中检测不同距离下的目标障碍物,并在同一评价指标下,将该模型的测试结果与改进前YOLOv4模型的测试结果进行评价对比。试验结果表明,改进后的YOLOv4果园障碍物检测模型的平均准确率和召回率分别为96.92%和91.43%,视频流检测速度为58.5帧/s,相比于原模型,改进后的模型在不损失精度的情况下,将模型大小压缩了75%,检测速度提高了29.4%。且改进后的模型具有鲁棒性强、实时性更好、轻量化的优点,能够更好地实现果园环境下障碍物的检测,为果园智能机器人的避障提供了有力的保障。 展开更多
关键词 农业 机器人 目标检测 深度学习 深度可分离卷积 逆残差组件 soft-diou-nms
在线阅读 下载PDF
基于DA2-YOLOv4算法绿篱识别研究 被引量：4
2
作者 韦锦 李正强 +3 位作者 许恩永 蒙艳玫 韦和钧 武豪 《中国农机化学报》 北大核心 2022年第9期122-130,F0002,共10页
针对车载式绿篱修剪机自动化修剪需要快速、准确识别绿篱的问题,提出一种DA2-YOLOv4绿篱识别算法。提出一种针对性Mosaic数据增强以获得更合理的数据扩充,使训练结果更具鲁棒性;在CSPDarknet53中引入空洞卷积得到D-CSPDarknet53,获得更... 针对车载式绿篱修剪机自动化修剪需要快速、准确识别绿篱的问题,提出一种DA2-YOLOv4绿篱识别算法。提出一种针对性Mosaic数据增强以获得更合理的数据扩充,使训练结果更具鲁棒性;在CSPDarknet53中引入空洞卷积得到D-CSPDarknet53,获得更大感受野,提升准确率和速度;在SPP中引入平均池化得到A-SPP,充分利用信息,使网络更具鲁棒性;删减小目标检测,获得巨大的速度提升;使用Soft-DIOU-NMS算法,提升目标重叠时的识别效果。最后制作绿篱数据集,对改进效果进行测试,并与其他算法进行对比。试验结果表明,DA2-YOLOv4算法mAP达到98.5%,检测速度达到83.1 FPS,较原始YOLOv4算法分别提高了8.1%和14.9 FPS,而且算法各方面性能均显著优于其他目标检测算法。DA2-YOLOv4完全满足绿篱识别要求,为绿篱修剪行业自动化提供了有力保障。 展开更多
关键词 绿篱修剪机 YOLOv4 绿篱识别 Mosaic数据增强 空洞卷积 soft-diou-nms
在线阅读 下载PDF
基于改进YoloV4网络的虹膜定位算法 被引量：5
3
作者 杨亚男 朱晓冬 +2 位作者 刘元宁 朱琳 董霖 《吉林大学学报（理学版）》 CAS 北大核心 2022年第2期369-380,共12页
针对传统虹膜定位算法很难完成准确定位导致识别效果不稳定的问题,提出一种基于改进YoloV4网络的虹膜定位算法.首先利用YoloV4结合MobileNetV3对虹膜内外圆进行粗定位,再利用瞳孔、虹膜和巩膜的灰度差值分别对虹膜内外圆进行精定位.同时... 针对传统虹膜定位算法很难完成准确定位导致识别效果不稳定的问题,提出一种基于改进YoloV4网络的虹膜定位算法.首先利用YoloV4结合MobileNetV3对虹膜内外圆进行粗定位,再利用瞳孔、虹膜和巩膜的灰度差值分别对虹膜内外圆进行精定位.同时,使用K-means++聚类算法生成先验框;使用快速soft-DIoU-NMS算法去除预测过程冗余框,提高算法检测率;使用Focal Loss作为类别损失函数.对比实验结果表明,该算法运行速度更快,定位准确率更高,识别算法的效果更明显. 展开更多
关键词 虹膜定位 YoloV4 快速soft-diou-nms算法 K-means++聚类
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