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3篇文章
< 1 >
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 v11n的寒地旱直播水稻植株检测方法研究
1
作者 赵斌 李明洋 +4 位作者 王淞 王迪 孙博 肖延伟 陈修成 《农业机械学报》 北大核心 2025年第9期585-595,共11页
针对三至四叶期的旱地直播水稻秧苗种植密度高,秧苗检测难度大的问题,为实现东北地区复杂旱地环境中对直播秧苗植株精准计数,本文提出基于改进YOLO v11n模型的旱直播幼苗检测方法。首先,采用全维度动态卷积(Omni-dimensional dynamic co... 针对三至四叶期的旱地直播水稻秧苗种植密度高,秧苗检测难度大的问题,为实现东北地区复杂旱地环境中对直播秧苗植株精准计数,本文提出基于改进YOLO v11n模型的旱直播幼苗检测方法。首先,采用全维度动态卷积(Omni-dimensional dynamic convolution,ODConv)优化C3k2卷积块,增强复杂旱地环境秧苗特征捕获能力,提升模型对秧苗浅层特征的提取;其次,将快速空间金字塔池化(Spatial pyramid pooling fast,SPPF)替换为焦点调制机制(FocalModulation,FM),通过多尺度特征交互与注意力融合,保留秧苗关键特征与提升多尺度目标适应性;最后,在主干网络C2PSA模块中引入三重注意力机制(Triple Attention,TA),构建多维度特征增强策略,强化深层特征表征。构建旱田直播秧苗图像的数据集,利用该数据集对改进后的模型进行训练和验证。测试结果表明:改进的YOLO v11n-TFO旱直播秧苗检测算法的检测精度(P)、召回率(R)、平均精度均值(mAP50)和检测速度分别为88.2%、79.6%、89.4%、217.9 f/s,其中mAP50较改进前提升6.5个百分点,模型浮点计算量6.0×10^(9),低于主流目标检测模型,构建的检测平台中旱直播秧苗计数精度达到87%以上。本文提出的基于YOLO v11n-TFO的寒地旱直播水稻检测模型有效平衡检测精度与算力的关系,且模型具有较好的可解释性,可满足旱直播水稻计数需求。 展开更多
关键词 旱直播水稻 目标检测 YOLO v11n 多维度特征提取
在线阅读 下载PDF
基于改进YOLO v11n的轻量化葡萄穗梗采摘点定位方法与试验
2
作者 庄煜 徐琨林 +2 位作者 李美琪 戴济泽 王金峰 《农业机械学报》 北大核心 2025年第9期618-627,共10页
针对葡萄穗梗形态纤细且与环境色差微弱导致的采摘点定位问题,本文提出了一种基于改进YOLO v11n的轻量化分割模型YOLO v11n-MBCa。构建了复杂环境下绿色葡萄高质量数据集,并引入轻量化MobileNetV4网络替换YOLO v11n的骨干网络(Backbone)... 针对葡萄穗梗形态纤细且与环境色差微弱导致的采摘点定位问题,本文提出了一种基于改进YOLO v11n的轻量化分割模型YOLO v11n-MBCa。构建了复杂环境下绿色葡萄高质量数据集,并引入轻量化MobileNetV4网络替换YOLO v11n的骨干网络(Backbone),减少模型参数量以及在特征融合层(Neck)引入加权双向特征金字塔网络(BiFPN),增强多尺度特征融合能力。增加坐标注意力机制(CA),使模型能更准确地定位和聚焦感兴趣区域。分割葡萄穗梗,通过优化质心算法计算出最佳采摘点。试验结果表明,改进后模型在葡萄数据集上的精确率、召回率和平均精度均值(mAP)达到90.1%、93.2%和93.6%,模型参数量与模型内存占用量仅为2.2×10^(6)和4.9 MB。研究结果可为采摘机器人智能化采摘提供理论支持。 展开更多
关键词 葡萄穗梗 图像分割 YOLO v11n-MBCa模型 采摘点 轻量化
在线阅读 下载PDF
基于改进YOLO v11n的轻量级民族服饰检测算法
3
作者 苏壮壮 张俊杰 袁桦 《北京服装学院学报(自然科学版)》 2025年第4期84-96,共13页
针对民族服饰检测中模型精度与轻量化难以协同优化、粒度特征识别不足等问题,本文提出了一种改进YOLO v11n的民族服饰检测方法。首先,创新性设计了一种轻量型的上下文锚点注意力高级筛选路径聚合网络(context anchor attention-high-lev... 针对民族服饰检测中模型精度与轻量化难以协同优化、粒度特征识别不足等问题,本文提出了一种改进YOLO v11n的民族服饰检测方法。首先,创新性设计了一种轻量型的上下文锚点注意力高级筛选路径聚合网络(context anchor attention-high-level screening path aggregation network,CAA-HSPAN),其核心机制是通过上下文锚点注意力机制捕捉特征间长距离依赖关系,同时结合双向路径聚合策略提升跨尺度特征融合能力。其次,引入动态上采样(dynamic sampling,DySample)模块,通过动态学习偏移量优化特征图重构过程,解决固定插值采样导致的特征图边缘失真问题,显著提升服饰纹样等细节的定位精度。最后,构建轻量级的C3k2RVB(C3k2-RepViT Block)模块,通过重参数化技术融合多分支结构,减少计算冗余并增强民族服饰特有的复杂纹理特征提取能力。实验结果表明,相较基准模型YOLO v11n(258万参数,6.3 G FLOPs),改进模型在民族服饰数据集NFD-5上平均精度值mAP@0.5提高了2.0%,参数量Params下降了24.8%,计算量FLOPs降低至5.8 G FLOPs,有效解决了民族服饰检测轻量化部署与细粒度识别难题,为民族服饰数字化保护提供了关键技术支撑。 展开更多
关键词 YOLO v11n 民族服饰检测 CAA-HSPAN DySample 轻量化
原文传递
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 下一页 到第 页
使用帮助 返回顶部