期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于改进YOLOv8的无人机图像玉米幼苗检测 被引量:1
1
作者 胡健威 马慧敏 +4 位作者 宁孝梅 代腾辉 戴明宇 王小申 吴旖 《江苏农业学报》 北大核心 2025年第6期1179-1187,共9页
无人机技术凭借其高效、精准的优势,在农业领域发挥着重要作用,被广泛应用于农田监测、精准施肥、病虫害防治等环节。然而,在无人机采集的玉米幼苗图像中,田间杂草等干扰物与玉米幼苗颜色相近,易导致YOLOv8模型误检和漏检;同时玉米幼苗... 无人机技术凭借其高效、精准的优势,在农业领域发挥着重要作用,被广泛应用于农田监测、精准施肥、病虫害防治等环节。然而,在无人机采集的玉米幼苗图像中,田间杂草等干扰物与玉米幼苗颜色相近,易导致YOLOv8模型误检和漏检;同时玉米幼苗间相互遮挡,也会影响模型检测精度。针对这些问题,本研究提出了YOLOv8+MultiSEAM+MetaNeXtStag+WIoU模型(简称YOLOv8-MMW模型)。该模型基于YOLOv8模型架构,首先在颈部网络引入MultiSEAM注意力机制,有效提升了模型在复杂场景下的特征提取能力;其次引入了InceptionNeXt中的MetaNeXtStage模块;在此基础上,采用Wise-IoU损失函数以提升模型精度。在测试集上的试验结果表明,YOLOv8-MMW模型精度和交并比阈值为0.50时的平均精度均值(mAP_(50))分别达到98.9%和89.6%,较原始YOLOv8n模型分别提升了6.1个百分点和2.4个百分点。本研究提出的YOLOv8_MMW模型在复杂农田环境下表现出更强的鲁棒性,能够有效提升对无人机拍摄的玉米幼苗图像的检测准确率,为农业管理和监测提供了技术支持。 展开更多
关键词 玉米幼苗 无人机 YOLOv8 MultiSEAM MetaNeXtStage 损失函数
在线阅读 下载PDF
基于YOLOv5改进的车辆目标检测方法
2
作者 方红 高傲善 《上海第二工业大学学报》 2025年第2期171-181,共11页
在智能交通系统和自动驾驶等领域中,车辆目标检测的准确性和鲁棒性至关重要。然而,现有目标检测模型的性能在复杂交通场景中显著下降,难以满足实际应用需求。为此,提出了一种基于“你只看一次”(You Only Look Once,YOLO)改进的车辆目... 在智能交通系统和自动驾驶等领域中,车辆目标检测的准确性和鲁棒性至关重要。然而,现有目标检测模型的性能在复杂交通场景中显著下降,难以满足实际应用需求。为此,提出了一种基于“你只看一次”(You Only Look Once,YOLO)改进的车辆目标检测模型——YOLOv5-MultiSEAM。首先,采用交并比(intersection over union,IoU)距离替代欧式距离作为K-means算法的评价标准,优化了锚框聚类算法;其次,在YOLOv5模型的检测头部引入了由YOLO-Face提出的空间增强注意力模块(spatially enhanced attention module,SEAM),有效提升了遮挡情况下的检测性能;最后,采用Focaler-IoU Loss替代传统定位损失函数,实现了更为精准的定位和更快速的收敛。在城市事故检测与跟踪(urban accident detection and eracking,UA-DETRAC)公开数据集上的实验结果表明,该模型在车辆目标检测领域具有效性和优越性。 展开更多
关键词 车辆目标检测 深度学习 YOLOv5 K-MEANS Focaler-IoU MultiSEAM
在线阅读 下载PDF
An updated empirical model for ground control in U.S.multiseam coal mines
3
作者 Christopher Mark 《International Journal of Mining Science and Technology》 SCIE EI CAS CSCD 2021年第2期163-174,共12页
Multiple seam interactions are a major source of ground instability in several U.S.coalfields.Empirical methods are well suited for this problem,because while the mechanics multiple seam interactions are very complex ... Multiple seam interactions are a major source of ground instability in several U.S.coalfields.Empirical methods are well suited for this problem,because while the mechanics multiple seam interactions are very complex and poorly understood,many mining case histories are available for analysis.This study makes use of an updated database that includes 356 multiseam case histories,including 67 unsuccessful designs.The paper describes in detail the process used to design the study,collect the data,conduct the statistical analysis,and develop the quantitative model.The model can be used for mine planning in multiple seam situations,and has been made available as a module within the Analysis of Coal Pillar Stability(ACPS)computer program. 展开更多
关键词 UNDERGROUND COAL Multiseam Ground control Pillar design Empirical
在线阅读 下载PDF
基于TS-YOLO的茶叶分级识别方法
4
作者 谭治英 张栋 +3 位作者 吴延浩 李旭 徐孝彬 李涛 《农业机械学报》 2025年第11期509-516,共8页
针对大宗茶叶机械化采摘后,在工业传送带分选场景下存在茶叶嫩芽数量庞大、姿态多样导致的等级识别精度与效率低下的问题,本文提出一种基于改进YOLO v8n的快速茶叶分级识别模型TS-YOLO。首先,引入一种轻量化网络CSFCN,解决上下文不匹配... 针对大宗茶叶机械化采摘后,在工业传送带分选场景下存在茶叶嫩芽数量庞大、姿态多样导致的等级识别精度与效率低下的问题,本文提出一种基于改进YOLO v8n的快速茶叶分级识别模型TS-YOLO。首先,引入一种轻量化网络CSFCN,解决上下文不匹配和空间特征不对齐问题,从而提升检测精度。其次,设计专为流水线茶叶场景优化的卷积模块(Tconv),增强快速特征提取能力。采用MultiSEAM检测头对检测头进行改进,解决目标遮挡问题。最后,引入Wise-CIoU作为边界框损失函数,精确地衡量目标之间的相似性,加速模型收敛并提升检测精度。试验结果表明,TS-YOLO模型的精确率为94.0%,召回率为91.6%,mAP为94.30%,分别比原YOLO v8n提高1.0、1.8、1.6个百分点。此外,其在测试集上检测速度达到148.98 f/s,比YOLO v8n提升40%,提高42.5 f/s。改进后的TS-YOLO模型在检测精确率和识别速度上均能达到大宗茶生产线在线分选茶叶嫩叶技术要求。 展开更多
关键词 茶叶分级识别 YOLO v8n CSFCN Tconv MultiSEAM检测头
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部