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1,615篇文章
< 1 2 … 81 >
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YOLO v8n网络的番茄成熟度实时检测算法 被引量：6
1
作者 任晶秋 万恩晗 +2 位作者 单蜜 张光华 卢为党 《农业机械学报》 北大核心 2025年第3期374-382,450,共10页
为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO... 为应对番茄采摘面临的果农老龄化、劳动力短缺和人工成本上涨等挑战,解决在复杂果园环境下番茄采摘机器人视觉系统成熟度检测精度低和实例分割不准确等问题,本文提出一种基于改进YOLO v8n网络的番茄成熟度实时检测算法。首先,通过在YOLO v8n网络中引入通道嵌入位置注意力模块和改进大核卷积块注意力模块,能够在浅层网络保留番茄目标位置信息,建立目标区域之间的长距离依赖关系,从而增加YOLO v8n网络对显著番茄特征的关注。然后,在LaboroTomato数据集上进行了对比实验,改进YOLO v8n相较于原YOLO v8n网络,检测和分割的mAP@50和mAP@50-95分别提高0.4、1.4个百分点和0.3、1.2个百分点。最后,实现了改进YOLO v8n网络在低成本、低算力和低功耗的Jetson Nano平台上的轻量化部署,模型内存占用量由满溢减少到2.4 GB,推理速度加倍。该研究可为番茄采摘机器人在复杂场景下实时、准确检测番茄成熟度提供技术支撑。 展开更多
关键词 番茄成熟度 目标检测 YOLO v8n 注意力模块 轻量化 Jetson Nano
在线阅读 下载PDF
基于轻量化YOLO v8和BoT-SORT的石斑鱼跟踪方法
2
作者 段青玲 乔雅琪 +3 位作者 刘怡然 冯晓晓 冉逊 刘春红 《农业机械学报》 北大核心 2025年第9期667-676,共10页
水产养殖中,鱼类跟踪是实现鱼类行为监测、水质异常报警、鱼类生长状况评估的基础,但现有方法存在计算耗时长、模型占用空间大、在边缘端设备部署困难等问题。针对上述问题,本文以石斑鱼为研究对象,提出一种基于轻量化YOLO v8与BoT-SOR... 水产养殖中,鱼类跟踪是实现鱼类行为监测、水质异常报警、鱼类生长状况评估的基础,但现有方法存在计算耗时长、模型占用空间大、在边缘端设备部署困难等问题。针对上述问题,本文以石斑鱼为研究对象,提出一种基于轻量化YOLO v8与BoT-SORT的石斑鱼跟踪方法,该方法包括目标检测和目标跟踪两个阶段。在目标检测中,采用YOLO v8m作为基线网络,引入卷积模块FasterConv以减少参数量;加入EMA(Excitation and modulation attention)机制以保持模型精度;使用多尺度特征融合模块Fusion并调整Neck网络结构以提高模型的特征融合能力。在目标跟踪部分,BoT-SORT算法简化了鱼体的运动状态变量,加入相机运动补偿(Camera motion compensation,CMC)以应对鱼体外观剧烈变化,最后利用ResNeST50网络提取较高置信度检测框内鱼体的外观特征,实现了鱼体跟踪。在自建的石斑鱼数据集上进行了训练和验证,目标检测模型mAP@0.5为95.80%;其模型内存占用量为23.7 MB,相较原始YOLO v8m模型降低54.42%;将本文的轻量化目标检测模型应用到BoT-SORT算法,MOTA为78.774%,FPS达到28.20 f/s,在对比实验中综合性能大幅超过SORT、DeepMoT等算法。本方法可以实现石斑鱼的检测与跟踪,为石斑鱼的养殖提供技术支撑。 展开更多
关键词 石斑鱼 目标检测 目标跟踪 YOLO v8 BoT-SORT 轻量化
在线阅读 下载PDF
基于FPBW-YOLO v8的复杂场景下番茄果实识别方法
3
作者 顾文娟 刘浩状 +3 位作者 魏金 高文奇 阴艳超 刘孝保 《农业机械学报》 北大核心 2025年第8期467-478,共12页
番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型... 番茄果实的快速准确检测是实现其智能采摘的重要前提,针对部署需求以及番茄图像背景复杂、枝叶遮挡和果实重叠等问题,提出了一种基于改进YOLO v8n的复杂场景下番茄果实识别方法。使用FasterNet作为YOLO v8n的主干特征提取网络,提高模型的特征提取能力;通过在颈部网络中融合P2小目标检测分支和双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)结构,降低复杂背景的干扰以提高模型的检测精度;使用WIoU(Wise intersection over union)损失函数提高模型在遮挡、重叠情况下的果实定位精度,同时加快模型收敛;基于NCNN框架将模型部署到移动端进行测试。试验结果表明,FPBW-YOLO v8模型精确率、召回率、平均精度均值(mAP@0.5和mAP@0.5:0.95)分别达到97.9%、95.1%、98.3%和74.3%,相较于Faster R-CNN、SSD、YOLO v8n、YOLO v7、YOLO v5n和Rt-Detr均有明显优势,且模型内存占用量仅8.7 MB。在移动端上的测试结果表明,本文模型能够在计算资源有限的硬件设备上获得较高的检测精度,可以有效解决复杂场景下番茄果实的识别问题,为番茄采摘机器人的研发提供技术支持。 展开更多
关键词 番茄果实 目标检测 改进YOLO v8n FasterNet BiFPN WIoU
在线阅读 下载PDF
基于YOLO v8-SD的预切式甘蔗种质量检测方法研究
4
作者 李尚平 覃勇华 +2 位作者 黄伟斌 李凯华 闫清林 《农业机械学报》 北大核心 2025年第7期457-467,共11页
甘蔗种质量检测是甘蔗预切备种过程中的关键环节。针对实际备种场景中环境复杂、边缘设备计算资源受限的问题,提出一种基于改进YOLO v8n的轻量化甘蔗种质量检测方法。通过引入混合局部通道注意力(Mixed local channel attention,MLCA)... 甘蔗种质量检测是甘蔗预切备种过程中的关键环节。针对实际备种场景中环境复杂、边缘设备计算资源受限的问题,提出一种基于改进YOLO v8n的轻量化甘蔗种质量检测方法。通过引入混合局部通道注意力(Mixed local channel attention,MLCA)和部分卷积(PConv)改进网络结构,有效减少模型的冗余计算并增强对关键特征的关注能力;在颈部网络使用DySample动态上采样,以更准确地获取特征点的边界和细节信息;此外,采用重参数化的共享卷积结构对检测头进行改进,进一步减少模型的复杂度;最终形成了甘蔗种质量检测模型YOLO v8-SD,将其结合单目相机测距算法,实现蔗种切口与相邻蔗节的距离测算。试验表明,YOLO v8-SD模型的mAP50达98.3%,帧检测速率为142.9 f/s,模型内存占用量为3.45 MB,相较原始模型参数量和浮点运算量分别减少47.8%和33.3%,模型内存占用量减小41.9%,帧率提升7.8 f/s。此外,使用本文方法的切口距离测算平均相对误差小于6.1%。将改进后的模型部署在NVIDIA Jetson Orin NX开发板上配合甘蔗种筛选系统进行样机试验,试验结果表明,对于不同品种甘蔗种质量检测的平均准确率为97.33%,满足实际应用需求。 展开更多
关键词 预切式甘蔗种 质量检测 轻量化 YOLO v8 边缘端部署
在线阅读 下载PDF
基于改进YOLO v8的玉米大豆间套复种作物行导航线提取方法
5
作者 朱惠斌 李仕 +3 位作者 白丽珍 王明鹏 贾宇轩 兰冀贤 《农业机械学报》 北大核心 2025年第6期205-217,共13页
针对玉米大豆间套复种场景下导航线提取算法在复杂农田环境中精度低和适应性差等问题,提出一种基于改进YOLO v8的作物行间导航线提取方法,以提升自主移动底盘在田间作业中的导航精度。针对玉米大豆作物行间专项分割任务,以YOLO v8为基... 针对玉米大豆间套复种场景下导航线提取算法在复杂农田环境中精度低和适应性差等问题,提出一种基于改进YOLO v8的作物行间导航线提取方法,以提升自主移动底盘在田间作业中的导航精度。针对玉米大豆作物行间专项分割任务,以YOLO v8为基础融合StarNet网络,并优化检测头构建了StarNet-YOLO主干网络。通过自主设计的ASPPFE模块、深度可分离卷积和CSE结构等策略优化,同时利用LAMP剪枝算法对其轻量化。此外,引入Douglas-Peucker算法获取逼近作物行间轮廓,并提出评分机制确定轮廓的起始线段和终点线段中点,进而实现作物行导航线的精确拟合。消融试验结果表明,ASPPFE的mAP50seg(交并比为0.5时实例分割的平均精度均值)达到99.5%,其mAP50-95seg(交并比为0.5~0.95时实例分割的平均精度均值)比SPPELAN、SPPF和ASPPF分别提升1.0、1.0、0.4个百分点。经剪枝率25%优化后的StarNet-YOLO网络,mAP50-95seg仅降低0.02个百分点,而推理速度从390 f/s提升至563 f/s,浮点运算量从7.2×10^(9)降至4.7×10^(9)。在同一数据集下对YOLO v5、YOLO v7、YOLO v8和改进YOLO v8进行对比发现,StarNet-YOLO网络mAP50-95seg比其他3种算法分别提升5.5、4.8、2.8个百分点。作物行间导航线拟合验证结果表明,平均角度误差和距离误差分别为2.01°和23.17像素。在复杂农田环境下本文导航线提取算法表现出优异性能,实现检测速度与精度平衡,为玉米大豆等农作物田间作业自主机器人视觉导航提供了新的技术思路。 展开更多
关键词 玉米大豆间套复种 作物行间检测 导航线提取 改进YOLO v8 多尺度融合
在线阅读 下载PDF
基于改进YOLO v8的南美白对虾虾苗跟踪方法
6
作者 陈明 甘冬梅 +2 位作者 卢鹏 顾浩 栗征 《农业机械学报》 北大核心 2025年第11期599-611,共13页
虾苗养殖的智能化在提高养殖效率和降低人工成本方面展现出巨大潜力,虾苗跟踪技术对于深入研究虾苗的活力和质量具有重要价值。由于虾苗体积微小、身体半透明且密度高,传统方法面临许多挑战:小尺寸目标易于被漏检,高密度下检测精度低,... 虾苗养殖的智能化在提高养殖效率和降低人工成本方面展现出巨大潜力,虾苗跟踪技术对于深入研究虾苗的活力和质量具有重要价值。由于虾苗体积微小、身体半透明且密度高,传统方法面临许多挑战:小尺寸目标易于被漏检,高密度下检测精度低,以及因虾苗外表相似、移动速度快导致跟踪误差大。针对此问题,选取P15阶段的南美白对虾虾苗作为研究对象,提出一种基于改进YOLO v8的南美白对虾虾苗跟踪方法。选取改进YOLO v8网络作为检测器,使用CARAFE代替YOLO v8的Upsample上采样层,CARAFE自适应上采样保留虾苗的半透明边缘和形态特征,减少失真;结合BiFormer注意力机制和C2f提出C2f-BFB模块优化骨干网络,在保持模型轻量化的同时,提升模型在处理小目标时的精度;将原模型的CIoU损失替换成Wise-Focaler-ShapeIoU损失函数,进一步提升了检测精度。提出了一种融合距离匹配算法和角度匹配算法的匹配策略,并引入金字塔LK光流法,从而构建一个准确又稳定的跟踪器,有效解决了因虾苗移动快、外表相似导致的跟踪误差问题。实验结果表明,改进的YOLO v8的平均精度均值(mAP@0.5)比原模型提高1.1个百分点,召回率提升2.9个百分点,显著减少了漏检情况并提高了检测精度。本文所提跟踪器的MOTA为74.52%、MOTP为75.62%、IDF1为76.42%,与DeepSORT、SORT、ByteTrack算法相比,MOTA显著提高,跟踪效果良好。本研究为自动化虾苗养殖提供了有力的技术支持,也为相关领域的研究提供了思路和方法。 展开更多
关键词 虾苗 YOLO v8 多目标跟踪 金字塔Lucas-Kanade光流法
在线阅读 下载PDF
基于改进YOLO v8n的轻量化番茄叶片病害检测方法
7
作者 张净 华玟 +1 位作者 刘晓梅 孙月平 《农业机械学报》 北大核心 2025年第11期538-549,共12页
针对温室环境下番茄叶片重叠有遮挡,部分番茄病害病斑较小导致检测精度不高、现有检测模型参数量多和难以部署至计算资源有限的嵌入式设备端等问题,提出一种基于改进YOLO v8n的轻量化番茄叶片病害检测方法。首先,使用HGNetV2网络替换YOL... 针对温室环境下番茄叶片重叠有遮挡,部分番茄病害病斑较小导致检测精度不高、现有检测模型参数量多和难以部署至计算资源有限的嵌入式设备端等问题,提出一种基于改进YOLO v8n的轻量化番茄叶片病害检测方法。首先,使用HGNetV2网络替换YOLO v8n模型的主干网络,并引入轻量化卷积GhostConv结构,提高对多尺度病害特征的提取能力,同时减少模型的参数和计算量;其次,在颈部网络部分使用改进的C2f_Star模块,实现进一步轻量化的同时增强模型的特征表达能力;然后,引入轻量级SimAM注意力机制模块,加强模型在识别过程中对小病斑特征的有效提取与表征能力;最后,设计混合损失函数Wise_Focaler_MPDIoU代替原损失函数,提高网络边界框回归性能,加快收敛速度。试验结果表明,改进模型(GSSW-YOLO v8n)的参数量及模型权重文件大小相比原模型分别降低28.9%和26.9%,同时在本研究所使用的番茄叶片病害数据集上的平均检测精度达97.4%,相较原模型提高3.0个百分点,对比其他目标检测算法Faster R-CNN、YOLO v5n、YOLO v6n和YOLO v7-tiny,改进模型的平均检测精度分别高出13.3、5.4、9.9、9.2个百分点。改进模型(GSSW-YOLO v8n)具有更高的检测精度和更少的参数量,可为番茄叶片病害检测模型在嵌入式设备端上的部署和应用提供参考。 展开更多
关键词 番茄病害 轻量化 YOLO v8 目标检测 SimAM
在线阅读 下载PDF
基于YOLO v8-TRP模型的小麦麦穗识别方法
8
作者 苑迎春 耿俊 +2 位作者 许楠 何振学 王克俭 《农业机械学报》 北大核心 2025年第11期499-508,共10页
针对麦穗个体在图像中显著性不足导致的目标特征提取不充分及识别准确率低的问题,提出一种基于YOLO v8-TRP的小麦麦穗识别方法。该方法在骨干网络前设计三注意力融合(Triple attention fusion, TAF)模块,通过结合多头自注意力(MHSA)、... 针对麦穗个体在图像中显著性不足导致的目标特征提取不充分及识别准确率低的问题,提出一种基于YOLO v8-TRP的小麦麦穗识别方法。该方法在骨干网络前设计三注意力融合(Triple attention fusion, TAF)模块,通过结合多头自注意力(MHSA)、像素注意力(PA)和通道注意力(CA),在保留麦穗细节信息不被破坏的前提下,充分提高了麦穗目标与其他复杂背景的对比度。并在骨干网络中引入感受野注意力卷积(RFAConv)和CBAM注意力机制改进卷积模块,使模型在提取特征时,能在感受野范围内为麦穗目标加权,有效提升了模型对麦穗目标的特征提取能力和查全率。同时在模型颈部和头部增加P2小目标层,提高模型的小目标检测能力和查准率。实验结果表明,在Global Wheat Head Detection 2021(GWHD2021)公开数据集上,改进模型的平均精度均值达到92.5%,相较于原模型提高2.9个百分点。改进模型在公共数据集WEDD、Spike、RGWHD、ACID和自建数据集HBAUW(Hebei Agricultural University Wheat)上的平均精度均值较原模型平均提升4.6个百分点,充分说明该模型能够有效提升复杂背景下小麦麦穗的检测精度。 展开更多
关键词 麦穗识别 公开数据集 YOLO v8n RFAConv CBAM
在线阅读 下载PDF
基于改进YOLO v8n的双目视觉自动套杯奶牛乳头空间定位方法
9
作者 王娟 李梦洁 +2 位作者 刘雅举 付鑫培 李斯睿 《农业机械学报》 北大核心 2025年第11期560-571,共12页
奶牛挤奶时人工套杯劳动强度大、生产效率低,而自动套杯成本较高,对中小型养殖场来说存在一定经济负担。为满足中小型养殖场需求,针对挤奶器快速准确自动套杯工作中挤奶环境复杂、奶牛乳头形态各异等问题,本文提出了一种基于改进YOLO v8... 奶牛挤奶时人工套杯劳动强度大、生产效率低,而自动套杯成本较高,对中小型养殖场来说存在一定经济负担。为满足中小型养殖场需求,针对挤奶器快速准确自动套杯工作中挤奶环境复杂、奶牛乳头形态各异等问题,本文提出了一种基于改进YOLO v8n的双目视觉定位新方法,能够实现对奶牛乳头的准确检测和快速定位。将YOLO v8n的CSPDarknet主干网络替换为轻量级的FasterNet主干网络、在颈部网络构建P2特征层、在Detect部分与C2f部分添加EMA注意力机制,提高了模型对奶牛乳头的检测精度与速度。利用RANSAC算法对SURF特征点进行优化,减少了乳头与乳房相似导致的不匹配问题。基于改进YOLO v8n模型,结合双目视觉获取奶牛乳头的三维空间信息。在自制数据集上进行消融试验和对比试验,结果表明,改进YOLO v8n模型的mAP@0.5为98.62%,精确率为97.23%,召回率为96.69%,与原始YOLO v8n模型相比,各项指标分别提高2.17、3.28、3.65个百分点;参数量和帧率分别为原始YOLO v8n模型的0.55、2.31倍,显著提升了模型的检测性能。经统计分析,奶牛乳头定位的平均绝对偏差为0.011 7 m,方差为0.000 1 m^(2),标准差为0.011 9 m,能够满足下一阶段挤奶器自动套杯要求。 展开更多
关键词 奶牛 自动套杯 乳头识别 乳头空间定位 改进YOLO v8n 双目视觉
在线阅读 下载PDF
基于YOLO v8_EGW的马铃薯种薯芽眼检测方法
10
作者 黄华 张存东 +3 位作者 张晖旺 岳云 王士军 吴亚东 《农业机械学报》 北大核心 2025年第8期458-466,506,共10页
针对传统目标检测算法在马铃薯种薯芽眼检测中易受泥土覆盖、表面破损以及环境因素等影响,造成检测效果差的问题,提出了一种YOLO v8_EGW模型,在自制的马铃薯数据采集试验台上实现了芽眼的快速准确检测。在YOLO v8的主干部分引入EMA注意... 针对传统目标检测算法在马铃薯种薯芽眼检测中易受泥土覆盖、表面破损以及环境因素等影响,造成检测效果差的问题,提出了一种YOLO v8_EGW模型,在自制的马铃薯数据采集试验台上实现了芽眼的快速准确检测。在YOLO v8的主干部分引入EMA注意力机制来提升马铃薯表面的芽眼特征提取能力;在YOLO v8的颈部网络中引入GD机制,并使其与C2F模块结合,加强对芽眼特征的信息融合能力,提升芽眼特征的检测能力;替换位置损失函数为WIoU损失函数,提高标记框的质量并进一步提升检测性能。结果表明,改进模型精确率、召回率、mAP@0.5、mAP@0.5:0.95分别为95.8%、92.7%、94.8%、73.0%,模型内存占用量为40.4 MB、检测速度为37.03 f/s。与同类目标检测模型(YOLO v4、YOLO v5、YOLO v6、YOLO v7、YOLO v8n)相比,其检测精确率分别高4.5、3.1、5.2、4.7、4.1个百分点,检测结果均优于其他模型。研究结果可为后续智能切种机的研发提供理论支持。 展开更多
关键词 YOLO v8 芽眼检测 种薯 目标检测 EMA注意力机制
在线阅读 下载PDF
基于FAS-YOLOv8n的爬岸上草小龙虾多源图像融合识别方法
11
作者 李路 孙超奇 +3 位作者 周玉凡 周铖钰 寇圣宙 陈彦祺 《农业机械学报》 北大核心 2025年第8期526-534,共9页
针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO ... 针对小龙虾养殖夜间巡塘效率低、劳动成本高的问题,提出了一种基于改进YOLO v8n的轻量化爬岸上草小龙虾识别方法(FAS-YOLOv8n)。首先,针对夜晚自然环境下小龙虾图像质量低的问题,采集RGB和红外图像,融合小龙虾的多源信息。其次,在YOLO v8n的骨干网络中使用Ghost卷积和C2f_Repghost模块,减少模型的参数量。然后,在骨干网络和颈部网络之间添加可变形注意力(Deformable attention,DA)机制,增强模型对小龙虾的关注度,提高模型的特征提取效率。最后,采用VoVGSCSP模块替换C2f模块,提升颈部网络的特征融合速度,进一步降低计算量。实验结果表明,FAS-YOLOv8n模型在融合图像数据集上的识别精确率为90.62%,平均精度均值和召回率分别为92.9%和85%。相较于RGB图像数据集和红外图像数据集,识别精确率、平均精度均值和召回率分别提高6.05、8.46个百分点,4.78、7.14个百分点,3.84、3.87个百分点。利用融合数据集进行试验,FAS-YOLOv8n模型较原始模型平均精度均值提高5.1个百分点,参数量和浮点数运算量分别降低13.29%和23.17%,模型内存占用量仅为6.2 MB,检测速度为86 f/s。识别效果优于其他主流目标检测模型,能够实现模型轻量化部署,为巡塘无人机的应用提供技术支撑。 展开更多
关键词 小龙虾 多源图像 图像融合 目标识别 深度学习 YOLO v8n
在线阅读 下载PDF
基于改进YOLO v8的苹果叶片病害检测研究
12
作者 徐洪丽 安凤 史宇轩 《农业机械学报》 北大核心 2025年第10期530-538,共9页
针对当前苹果叶片病害目标检测算法在复杂环境中实时性差、精度低、存在误检和漏检的问题,本文聚焦于苹果叶片上常见的黑腐病、灰斑病、锈病和疮痂病,构建一种基于改进YOLO v8的苹果叶片病害检测模型。首先,将传统卷积操作(Conv)替换为... 针对当前苹果叶片病害目标检测算法在复杂环境中实时性差、精度低、存在误检和漏检的问题,本文聚焦于苹果叶片上常见的黑腐病、灰斑病、锈病和疮痂病,构建一种基于改进YOLO v8的苹果叶片病害检测模型。首先,将传统卷积操作(Conv)替换为局部卷积(PConv),并基于局部卷积设计出C2f_Faster模块,用于替换主干网络中的C2f模块,在降低模型计算量同时而不影响其精度;其次,在空间金字塔池化模块(SPPF)之后添加三重注意力机制,提升复杂背景下特征提取能力;最后,将YOLO v8中的损失函数CIoU替换为基于最小点距离交并比损失函数MPDIoU以提升病害目标定位准确率。验证实验表明,针对自然场景采集的苹果叶片病害图像数据集,优化后网络架构的计算量、参数量等指标相较于原YOLO v8n基线模型分别下降20.9%和23%。同时,精确率、召回率和mAP@0.5分别提高1.5、2.9、2.2个百分点,分别达到89.2%、91.4%、94.6%。对比YOLO v3、YOLO v5、YOLO v8n、YOLO v9n、YOLO v10n模型,mAP@0.5分别提高3.5、3.0、2.2、2.4、2.6个百分点。本研究提出的方法在维持实时处理性能的基础上显著提升了识别准确率,为苹果叶片病害边缘计算检测系统的开发提供了可靠的技术支撑。 展开更多
关键词 苹果叶片 病害检测 深度学习 YOLO v8n 三重注意力机制
在线阅读 下载PDF
基于YOLO v8和CBAM的飞行器旋转机械部件故障诊断
13
作者 王晓光 院老虎 马乐 《河南科技》 2025年第12期49-55,共7页
【目的】为解决现有方法在旋转机械故障诊断中存在小目标故障特征检测不精确、提取信息丢失和诊断精度低等问题,提出一种基于YOLO v8和卷积注意力模块(CBAM)的故障诊断模型。【方法】首先,以基于Morlet小波的连续小波变换(CWT)为最优小... 【目的】为解决现有方法在旋转机械故障诊断中存在小目标故障特征检测不精确、提取信息丢失和诊断精度低等问题,提出一种基于YOLO v8和卷积注意力模块(CBAM)的故障诊断模型。【方法】首先,以基于Morlet小波的连续小波变换(CWT)为最优小波基(WBF),将原始振动信号变换为具有增强故障特征的时频图像,形成实验训练样本。其次,将卷积块注意模块(CBAM)融合到YOLO v8网络Backbone中,以抑制不必要的特征,增强故障特征提取能力,形成YOLO v8-CBAM故障诊断模型,并将试验训练样本输入该模型进行训练,提取故障特征得到最优模型。最后,在不同的轴承数据集上完成故障的分类。【结果】该模型在CWRU数据集和Paderborn Univer⁃sity数据集的故障分类诊断精度分别达到100%和98.11%,验证了其有效性。【结论】试验结果表明,该模型与现有先进方法相比优势明显,为飞行器旋转机械部件故障诊断提供了新的方向。 展开更多
关键词 YOLO v8 注意力机制 飞行器 旋转机械 故障诊断
在线阅读 下载PDF
基于改进YOLOv8n的轻量化精子检测算法研究与嵌入式实现
14
作者 张鼎逆 庄天豪 李传江 《上海师范大学学报(自然科学版中英文)》 2025年第2期160-165,共6页
针对少精、弱精患者的家用精子检测仪嵌入式部署需求,提出一种基于改进you only look once(YOLO)v8n的轻量化精子检测算法.通过对YOLOv8n模型进行结构优化,在Neck层引入高效多分支尺度特征金字塔网络(EMBSFPN),在提高精度的同时保证了... 针对少精、弱精患者的家用精子检测仪嵌入式部署需求,提出一种基于改进you only look once(YOLO)v8n的轻量化精子检测算法.通过对YOLOv8n模型进行结构优化,在Neck层引入高效多分支尺度特征金字塔网络(EMBSFPN),在提高精度的同时保证了模型的轻量化.在检测头部分采用轻量级共享可变形卷积检测(LSDECD)头替换原来的检测头,大大减少了模型的参数量和运算量.实验结果表明,改进后的算法在精子检测任务上实现了良好的性能,平均精度提高了2.3%,模型运算量减少了26.8%,为嵌入式系统上的精子检测应用提供了一种有效的解决方案. 展开更多
关键词 改进you only look once(YOLO)v8 精子检测 轻量化
在线阅读 下载PDF
基于YOLO v8-STSF的多类别害虫识别算法与监测系统研究 被引量：1
15
作者 王兴旺 查海涅 +5 位作者 卢浩男 王禹彬 吴东昇 王旭峰 胡灿 陈学永 《农业机械学报》 北大核心 2025年第6期228-236,共9页
水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种... 水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种基于YOLO v8-STSF模型的水稻害虫智能识别方法。通过引入Swin Transformer模块增强骨干网络的多尺度特征提取能力,结合分布移位卷积(DSConv)优化颈部网络特征融合,并采用Focal EIoU损失函数提升密集小目标定位精度。构建了包含多类水稻害虫的7000幅图像数据集进行识别验证,YOLO v8-STSF模型在测试集上的精确率为95.45%、召回率为90.45%、F1值为90.03%,较原YOLO v8模型分别提升2.13、0.33、3.09个百分点,在PC端的推理速度为32 f/s,满足实时需求。同时以Web端监测系统为基础,设计基于Android移动端的虫情监测系统,在田间测试中系统平均响应时间为1.38 s,识别准确率为96.34%,漏检率为3.86%。研究结果可为水稻害虫精准防控提供高效技术支持,推动农业病虫害监测智能化发展。 展开更多
关键词 多类别害虫 害虫识别 YOLO v8-STSF 监测系统 ANDROID
在线阅读 下载PDF
基于改进YOLO v8n的辣椒穴盘育苗播种质量轻量级检测方法 被引量：2
16
作者 孔德航 刘云强 +3 位作者 崔巍 吴海华 张学东 宁义超 《农业机械学报》 北大核心 2025年第2期381-392,共12页
针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高... 针对辣椒穴盘育苗播种质量实时、准确检测难和边缘设备算力有限等问题,基于YOLO v8n设计了一种轻量级检测算法YOLO v8n-SCS(YOLO v8n improved with StarNet,CAM and SCConv)。采用“单格训练+整盘检测”的技术策略以降低训练成本,提高训练效率。采用StarNet轻量级网络和上下文增强模块(Context augmentation module,CAM)作为主干网络,在降低模型复杂程度同时,实现深层特征多感受野信息融合;采用空间与通道重建卷积(Spatial and channel reconstruction convolution,SCConv)优化中间层C2f(Cross stage partial network fusion)模块的瓶颈结构,增强模块特征提取能力和提高模型推理速度;融合P2检测层,将基线3个检测头减至1个,增强模型对小目标的检测性能。结果表明,YOLO v8n-SCS模型参数量为1.2×10^(6)、内存占用量为2.7 MB、浮点数运算量为7.6×10^(9),在穴盘单格数据集上,其mAP_(50)为98.3%、mAP_(50-95)为83.8%、帧率为112 f/s,相比基线模型YOLO v8n,参数量降低62.5%、mAP_(50)提升2.5个百分点、mAP_(50-95)提升2.1个百分点、浮点数运算量降低14.6%、帧率提升23.1%;在整盘检测任务中,其检测帧率为21 f/s,检测准确率为98.2%,相比基线模型检测帧率提升8.2%、准确率提升1.1个百分点,对于播种速度800盘/h以内的72穴育苗盘和600盘/h以内的128穴育苗盘,其平均检测准确率大于96%,且单粒率、重播率和漏播率检测误差小于1.8%。本文模型在性能和计算成本之间取得了很好的平衡,降低了部署边缘设备计算要求,满足辣椒穴盘育苗播种质量在线检测需求,为育苗播种生产线智能化升级提供了技术支持。 展开更多
关键词 辣椒种子 穴盘育苗 播种质量检测 改进YOLO v8n 轻量级模型
在线阅读 下载PDF
基于CBCW-YOLO v8的猪只行为识别方法研究 被引量：2
17
作者 仝志民 徐天哲 +3 位作者 石传淼 李盛章 谢秋菊 荣丽红 《农业机械学报》 北大核心 2025年第2期411-419,共9页
随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标... 随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标的语义信息提取能力。其次,在特征融合网络中添加加权双向特征金字塔网络(BiFPN),强化模型特征融合能力。此外,结合上采样算子CARAFE,进一步提升模型在行为识别过程中特征提取能力。最后,使用WIoUv3作为损失函数,优化模型检测精度。经实验验证,改进后模型准确率、召回率、平均精度均值和F1值分别达到89.6%、88.0%、91.9%和88.8%,与TOOD、YOLO v7和YOLO v8模型相比,平均精度均值分别提高10.9、6.3、3.7个百分点,显著提高猪只行为识别精度。消融实验表明,各项改进均对模型的识别性能有提升效果,ConvNeXt V2主干特征提取网络对模型的提升效果最明显。综上所述,CBCW-YOLO v8模型在猪只行为识别任务中展现出优良的综合性能,为猪只健康管理和疾病预警提供有力的技术支持。 展开更多
关键词 猪只行为识别 YOLO v8 特征提取网络 CARAFE WIoUv3 目标检测
在线阅读 下载PDF
基于改进YOLO v8的温室草莓成熟度智能实时识别 被引量：1
18
作者 沈桂芳 张平 《江苏农业科学》 北大核心 2025年第5期62-72,共11页
为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型... 为克服草莓成熟度检测在实际应用中遇到的若干难题,诸如生长环境的多变性、光照条件的不确定性以及草莓紧密生长造成的遮挡问题,实现对草莓成熟度的准确检测,提出一种基于改进YOLO v8模型的目标检测算法。具体而言,该方法以YOLO v8模型为基线。首先,在YOLO v8模型的骨干网络和颈部网络中引入动态蛇形卷积(DSConv),替换原有的卷积层,减少模型的参数量,同时增强对细微特征的捕获能力,提高特征学习效率。其次,通过融入多尺度通道注意力(MCA)机制,减轻背景干扰,增强了对目标区域的关注,以应对目标遮挡和背景干扰问题。最后,为了进一步优化模型性能,采用SIoU损失函数替换原有的CIoU损失函数,通过改进惩罚项并利用位置信息,以促使检测框更加准确地逼近目标框,提高模型的回归精度。在自制的草莓成熟度检测数据集上,模型检测精度mAP@0.5高达95.24%,超越Faster-RCNN、SSD、centerNet、YOLOX和原始YOLO v8等5种主流目标检测算法。此外模型的浮点运算次数、参数量和识别速度分别为268.7亿次、10.92 M和55.7帧/s,证明其满足实时检测需求。在嵌入式平台上的进一步测试证实,即便在资源受限的硬件条件下,改进的YOLO v8模型依然能够实现准确性和鲁棒性的实时检测。对农业自动化与智能化的进步具有重要贡献。 展开更多
关键词 草莓成熟度检测 YOLO v8 蛇形卷积 MCA注意力 SIoU
在线阅读 下载PDF
基于改进YOLO v8的复杂温室环境黄瓜果实分割方法
19
作者 夏天 谢纯 +2 位作者 李琳一 陆声链 钱婷婷 《农业机械学报》 北大核心 2025年第5期433-442,共10页
黄瓜果实的检测与分割对于表型分析和黄瓜生长管理至关重要。然而,在复杂温室环境下,果实往往与茎叶相互遮挡,且果实与背景颜色相似,导致传统方法在复杂环境下难以准确识别果实边界并实现高效分割。为此,提出了一种基于改进YOLO v8的黄... 黄瓜果实的检测与分割对于表型分析和黄瓜生长管理至关重要。然而,在复杂温室环境下,果实往往与茎叶相互遮挡,且果实与背景颜色相似,导致传统方法在复杂环境下难以准确识别果实边界并实现高效分割。为此,提出了一种基于改进YOLO v8的黄瓜果实分割方法。该方法引入可变形卷积(Deformable convolution network v4,DCNv4)增强模型空间适应性;同时采用RepNCSPELAN4模块串联额外的C2F模块,细化特征提取与融合;从而提升了模型在复杂温室环境下对黄瓜果实图像的分割性能。实验结果显示,在玻璃温室和塑料连栋大棚两个实验场景中的多个类别上均有出色表现。其中,在玻璃温室场景中的精确率为96.3%,召回率为93.1%,平均精度均值mAP50为96.2%,mAP50-95为85.3%;在塑料大棚场景中的精确率为86.8%,召回率为81.9%,平均精度均值mAP50为90.0%,mAP50-95为77.0%。本研究提出的改进方法在处理边界、多重遮挡和多尺度分割方面具有更强的鲁棒性和泛化性,使模型能适应复杂性不同的多样化种植环境而准确分割黄瓜果实。精确的果实图像分割有助于表型参数的获取,为黄瓜果实的表型分析提供了可靠的技术支持,从而促进农业表型机器人的应用。 展开更多
关键词 黄瓜 果实遮挡 设施温室 图像分割 YOLO v8 可变形卷积
在线阅读 下载PDF
基于改进YOLO v8n-seg的群猪分割方法研究
20
作者 王兴家 郑纪业 +2 位作者 盛清凯 杨亮 张霞 《中国农业科技导报(中英文)》 北大核心 2025年第11期120-130,共11页
针对复杂场景中生猪图像分割精确度不高、分割实时性不足等问题,提出一种基于改进YOLO v8nseg的群猪实例分割模型算法。在YOLO v8n-seg基础上,首先,将GhostConv引入C2f模块中,降低模型的计算复杂度;然后,在网络结构的不同位置添加空间... 针对复杂场景中生猪图像分割精确度不高、分割实时性不足等问题,提出一种基于改进YOLO v8nseg的群猪实例分割模型算法。在YOLO v8n-seg基础上,首先,将GhostConv引入C2f模块中,降低模型的计算复杂度;然后,在网络结构的不同位置添加空间分组增强、内卷、多维协作注意等注意力机制,用于增强模型对特征提取和融合的能力;最后,选用WIoU(wise IoU)作为新的损失函数,以加快模型的收敛速度,并提高检测器的整体性能。结果表明,相较于原始模型,改进后的模型在参数量上减少0.39 M;在检测精度上,精确率提升3.7百分点,召回率提升4.8百分点,交并比阈值为50%和50%~95%的均值平均精度分别提升4.6百分点和7.6百分点,识别速度提高5.2帧·s^(-1),表现出良好的性能。通过对YOLO v8n-seg进行改进,在精度和速度上均取得了较大提升,特别是针对群养场景中生猪黏连和轻度遮挡导致的分割准确率降低的问题,该模型表现出卓越的性能,能够精准地分割群猪个体,为实际生产应用提供有力支持。 展开更多
关键词 智慧养殖 YOLO v8 猪 实例分割 注意力机制
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 2 … 81 下一页 到第 页
使用帮助 返回顶部