鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函...鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果。结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22%、99.52%、92.16%。研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考。展开更多
文摘鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果。结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22%、99.52%、92.16%。研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考。
文摘为完成烟叶精选工艺流程中打叶复烤后破碎烟叶的进一步去梗,实现破碎烟叶中烟梗的自动化检测,文章提出基于改进YOLO v4的轻量化烟梗识别方法。在YOLO v4基础模型上先后进行通道剪枝和层剪枝,大幅简化模型结构,改进后模型存储空间下降了93.77%,模型平均精度均值(mean average precision,mAP)和前向运算时间与基础模型持平。与同类别算法相比,模型精度平均提升8.7%,模型参数量大幅缩减。实验结果表明该实验剪枝模型更具轻量化,识别效果更好,能够满足实际生产需求。
