针对分选线上樱桃叠果和表面瑕疵难以准确实时分割的问题,该研究提出了一种基于改进YOLOv8n-seg的多分支实时分割模型,命名SemIns-YOLOv8。该模型在YOLOv8n-seg的PAN-FPN(path aggregation network for feature pyramid network)模块后...针对分选线上樱桃叠果和表面瑕疵难以准确实时分割的问题,该研究提出了一种基于改进YOLOv8n-seg的多分支实时分割模型,命名SemIns-YOLOv8。该模型在YOLOv8n-seg的PAN-FPN(path aggregation network for feature pyramid network)模块后引入基于上下文集成的语义分割模块,并采用交叉熵损失与Dice Loss联合的损失函数,替代原始实例分割模块对果梗和瑕疵进行识别,既提升了尺寸较小及特征不明显瑕疵的识别精度,又缩短了图像的识别时间。同时,通过提高特征图分辨率并引入豪斯多夫距离损失(Hausdorff distance loss,HD Loss)构建边界特征增强的实例分割模块,实现了樱桃重叠果体的精准分离。试验结果表明,SemIns-YOLOv8在樱桃分割任务中果体mAP50-95(mean average precision at intersection over union thresholds from 0.50 to 0.95)、果梗IoU和瑕疵mIoU(mean intersection over union)分别为98.20%、92.15%和65.97%,与YOLOv8n-seg相比,提升了2.10、2.33和14.35个百分点,并且在模型输入尺寸为1024×384像素时,单帧推理时间为23 ms,可为线上水果外观品质实时分选提供参考。展开更多
为提高水域鱼类资源监测的自动化程度和实时分析能力,结合YOLOv8X(You only look once version 8-extra large)目标检测模型、ByteTrack(ByteTrack:a strong baseline for multi-object tracking)算法与双频识别声呐(Dual-frequency ide...为提高水域鱼类资源监测的自动化程度和实时分析能力,结合YOLOv8X(You only look once version 8-extra large)目标检测模型、ByteTrack(ByteTrack:a strong baseline for multi-object tracking)算法与双频识别声呐(Dual-frequency identification sonar,DIDSON)数据,开发了1种快速、准确的鱼类目标识别与计数方法。实验结果表明,YOLOv8X与ByteTrack联合方法与传统的Echoview软件识别精度接近(偏差率仅为1.36%),但处理时间显著减少(单条测线从约30 min减少至约3 min),表现出较强的实时处理能力和泛化性能。同时,通过重复实验验证了该方法的稳定性,确认其在不同场景中的可靠性。本研究方法与成果为水域鱼类资源的自动化监测提供了可靠的技术支持,可广泛地应用于大范围高频次的渔业资源监测与管理工作中。展开更多
针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入S...针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入SE(Squeeze-and-Excitation)注意力机制,使模型在特征提取过程中更加精准地捕捉到与水稻秧苗相关的特征;融入VOV-GSCSP模块,能够有效地整合模型不同层次的特征信息,增强对水稻秧苗的检测能力;融入CARAFE(Content-Aware ReAssembly of FEatures)上采样算子,有效地减少了模型的参数量,降低了模型的计算复杂度和存储需求,以此增强模型的特征重建能力。最后,进行验证试验,结果表明,该网络模型对于秧苗形态识别的平均准确率达90.26%,比基础模型YOLOv8n提高了1.54个百分点,mAP@0.5提高了1.52个百分点,mAP@0.5-0.95提高了3.35个百分点,检测速度达到70.42 f/s,能够满足对秧苗分类的识别精度,可对后期补秧计划提供数据支持。展开更多
文摘针对分选线上樱桃叠果和表面瑕疵难以准确实时分割的问题,该研究提出了一种基于改进YOLOv8n-seg的多分支实时分割模型,命名SemIns-YOLOv8。该模型在YOLOv8n-seg的PAN-FPN(path aggregation network for feature pyramid network)模块后引入基于上下文集成的语义分割模块,并采用交叉熵损失与Dice Loss联合的损失函数,替代原始实例分割模块对果梗和瑕疵进行识别,既提升了尺寸较小及特征不明显瑕疵的识别精度,又缩短了图像的识别时间。同时,通过提高特征图分辨率并引入豪斯多夫距离损失(Hausdorff distance loss,HD Loss)构建边界特征增强的实例分割模块,实现了樱桃重叠果体的精准分离。试验结果表明,SemIns-YOLOv8在樱桃分割任务中果体mAP50-95(mean average precision at intersection over union thresholds from 0.50 to 0.95)、果梗IoU和瑕疵mIoU(mean intersection over union)分别为98.20%、92.15%和65.97%,与YOLOv8n-seg相比,提升了2.10、2.33和14.35个百分点,并且在模型输入尺寸为1024×384像素时,单帧推理时间为23 ms,可为线上水果外观品质实时分选提供参考。
文摘为提高水域鱼类资源监测的自动化程度和实时分析能力,结合YOLOv8X(You only look once version 8-extra large)目标检测模型、ByteTrack(ByteTrack:a strong baseline for multi-object tracking)算法与双频识别声呐(Dual-frequency identification sonar,DIDSON)数据,开发了1种快速、准确的鱼类目标识别与计数方法。实验结果表明,YOLOv8X与ByteTrack联合方法与传统的Echoview软件识别精度接近(偏差率仅为1.36%),但处理时间显著减少(单条测线从约30 min减少至约3 min),表现出较强的实时处理能力和泛化性能。同时,通过重复实验验证了该方法的稳定性,确认其在不同场景中的可靠性。本研究方法与成果为水域鱼类资源的自动化监测提供了可靠的技术支持,可广泛地应用于大范围高频次的渔业资源监测与管理工作中。
文摘针对水稻插秧机插秧后,田间的苗情信息缺乏及时有效的检测,秧苗可能会出现漂秧、少叶等情况,提出了一种水稻秧苗检测与分类识别方法。首先,利用无人机采集秧苗图像,并将图像分为合格、漂秧和少叶秧苗3种类别。然后,在YOLOv8n基础上引入SE(Squeeze-and-Excitation)注意力机制,使模型在特征提取过程中更加精准地捕捉到与水稻秧苗相关的特征;融入VOV-GSCSP模块,能够有效地整合模型不同层次的特征信息,增强对水稻秧苗的检测能力;融入CARAFE(Content-Aware ReAssembly of FEatures)上采样算子,有效地减少了模型的参数量,降低了模型的计算复杂度和存储需求,以此增强模型的特征重建能力。最后,进行验证试验,结果表明,该网络模型对于秧苗形态识别的平均准确率达90.26%,比基础模型YOLOv8n提高了1.54个百分点,mAP@0.5提高了1.52个百分点,mAP@0.5-0.95提高了3.35个百分点,检测速度达到70.42 f/s,能够满足对秧苗分类的识别精度,可对后期补秧计划提供数据支持。
