切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难...切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难点,提出了一种基于改进YOLOv5安装在切段式甘蔗机上的机收蔗含杂率检测的方法。首先,针对工业相机拍摄的蔗段目标为小目标的应用场景,增加小目标检测层,增强网络模型对其的专注;其次,将C3模块替换成C2f模块,提高网络模型对小物体、低对比度目标的检测速度和检测精度;最后,加入加权交并比WIoU(Weighted Intersection over Union)损失函数,提升预测框的回归精度,增强数据集训练效果。试验结果表明:基于改进YOLOv5的机收蔗含杂率检测模型,蔗段识别准确率达95.2%、mAP(mean Average Precision)值为62.5%,相较于原始YOLOv5模型分别提高了15.3、13.5个百分点,性能优于YOLOv7、YOLOv8等模型。在台架试验中,改进后模型检测的含杂率平均相对误差为19.58%,比改进前模型降低了38.12个百分点;含杂率平均值为7.31%,比人工测量的实际含杂率高出0.05个百分点。因此,此方法是一种实时性强、效率高、准确性高且能全量检测机收蔗含杂率的方法,能够为田间甘蔗收获作业质量提供技术支撑。展开更多
对道路交通参与者中的行人、骑行者以及车辆进行检测是实现自动驾驶的核心任务之一。在光照不均、遮挡、密集目标和远距离小目标等复杂场景中往往会存在误检及漏检情况;基于此,提出了一种改进YOLOv8模型的复杂交通场景目标检测算法。基...对道路交通参与者中的行人、骑行者以及车辆进行检测是实现自动驾驶的核心任务之一。在光照不均、遮挡、密集目标和远距离小目标等复杂场景中往往会存在误检及漏检情况;基于此,提出了一种改进YOLOv8模型的复杂交通场景目标检测算法。基于GhostNet轻量化网络结构,对原始YOLOv8模型的主干和颈部网络进行改进,利用幻影卷积(ghost convolution,GhostConv)来替换标准卷积(convolution,Conv),并将幻影瓶颈(ghost bottleneck,G-bneck)结合C3模块代替C2f模块,这样就有效抑制了冗余检测,提升了检测效率;应用混合局部通道注意力机制(mixed local channel attention,MLCA)对多元化信息进行整合,以增强模型的特征提取能力;添加小目标检测层,可保留更多细节特征信息,提高对远距离小目标的检测能力;采用WIoU(wise intersection over union loss)损失函数加速了网络收敛并增强了在复杂工况下的鲁棒性。研究结果表明:改进YOLOv8模型在所构建的复杂交通场景数据集RCCW-Dataset中的平均精度均值为0.872,较原始模型提高了2.1%;模型参数量和大小分别降低了41%和37%,能有效完成对实时复杂交通场景目标任务的检测。展开更多
文摘切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难点,提出了一种基于改进YOLOv5安装在切段式甘蔗机上的机收蔗含杂率检测的方法。首先,针对工业相机拍摄的蔗段目标为小目标的应用场景,增加小目标检测层,增强网络模型对其的专注;其次,将C3模块替换成C2f模块,提高网络模型对小物体、低对比度目标的检测速度和检测精度;最后,加入加权交并比WIoU(Weighted Intersection over Union)损失函数,提升预测框的回归精度,增强数据集训练效果。试验结果表明:基于改进YOLOv5的机收蔗含杂率检测模型,蔗段识别准确率达95.2%、mAP(mean Average Precision)值为62.5%,相较于原始YOLOv5模型分别提高了15.3、13.5个百分点,性能优于YOLOv7、YOLOv8等模型。在台架试验中,改进后模型检测的含杂率平均相对误差为19.58%,比改进前模型降低了38.12个百分点;含杂率平均值为7.31%,比人工测量的实际含杂率高出0.05个百分点。因此,此方法是一种实时性强、效率高、准确性高且能全量检测机收蔗含杂率的方法,能够为田间甘蔗收获作业质量提供技术支撑。
文摘对道路交通参与者中的行人、骑行者以及车辆进行检测是实现自动驾驶的核心任务之一。在光照不均、遮挡、密集目标和远距离小目标等复杂场景中往往会存在误检及漏检情况;基于此,提出了一种改进YOLOv8模型的复杂交通场景目标检测算法。基于GhostNet轻量化网络结构,对原始YOLOv8模型的主干和颈部网络进行改进,利用幻影卷积(ghost convolution,GhostConv)来替换标准卷积(convolution,Conv),并将幻影瓶颈(ghost bottleneck,G-bneck)结合C3模块代替C2f模块,这样就有效抑制了冗余检测,提升了检测效率;应用混合局部通道注意力机制(mixed local channel attention,MLCA)对多元化信息进行整合,以增强模型的特征提取能力;添加小目标检测层,可保留更多细节特征信息,提高对远距离小目标的检测能力;采用WIoU(wise intersection over union loss)损失函数加速了网络收敛并增强了在复杂工况下的鲁棒性。研究结果表明:改进YOLOv8模型在所构建的复杂交通场景数据集RCCW-Dataset中的平均精度均值为0.872,较原始模型提高了2.1%;模型参数量和大小分别降低了41%和37%,能有效完成对实时复杂交通场景目标任务的检测。
