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：
基于轻量化YOLO v8-Rice的水稻虫害检测方法 被引量：4
1
作者 桂余鹏 胡蓉华 +1 位作者 崔艳荣 贾瀛睿 《江苏农业科学》 北大核心 2024年第20期277-284,共8页
针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先,采用Context Guided Block结构替换传统YOLO v... 针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法。首先,采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构,增强模型的上下文信息理解能力,压缩模型的权重;然后,使用深度可分离卷积代替传统YOLO v8中的标准卷积,以降低参数量、计算量;最后,将检测头重构为轻量级共享卷积检测头,以进一步降低参数量、计算量,并提高模型对多尺度虫害特征的定位和提取能力,使其能够更好地适应不同尺寸、复杂度的虫害状况。结果表明,相比于传统YOLO v8,YOLO v8-Rice算法在计算量、参数量方面分别减小70.5%、61.7%,模型的权重文件大小降低至1.94 MB,仅为YOLO v8n的32.4%,并且在平均精度上达到94.1%,与其他模型相比明显提高。该算法在水稻虫害检测方面的性能取得了显著提升。借助轻量化网络模型及优化模型的部署,使其更适合在移动设备或嵌入式设备中部署,可为实际农业场景中的水稻虫害检测提供更可行的解决方案,可以准确地检测定位和分类水稻虫害。 展开更多
关键词 水稻虫害检测 轻量化YOLO v8-rice Context Guided Block 深度可分离卷积 轻量级共享卷积检测头
在线阅读 下载PDF
基于改进YOLO v8s的水稻种植机械作业质量检测 被引量：5
2
作者 刘双喜 张玮平 +3 位作者 胡宪亮 王刘西航 宋占华 王金星 《农业机械学报》 CSCD 北大核心 2024年第S1期61-70,共10页
稻田中秧苗与稻种规范化精准识别检测是实现水稻种植机械作业质量检测的前提,为解决水稻种植图像识别研究过程中存在稻田背景复杂、机械运行速度快、形态特征难以提取等造成识别准确率较低的问题,提出一种基于改进YOLO v8s的轻量化质量... 稻田中秧苗与稻种规范化精准识别检测是实现水稻种植机械作业质量检测的前提,为解决水稻种植图像识别研究过程中存在稻田背景复杂、机械运行速度快、形态特征难以提取等造成识别准确率较低的问题,提出一种基于改进YOLO v8s的轻量化质量检测方法。首先,通过由井关PZ60型水稻插秧机的研制而成的稻田种植质量检测装置,搭建作业质量检测图像采集平台,拍摄获得作业质量的图像构成ImageSets数据集,根据国家相关标准制定质量检测评价指标。随后通过引入轻量化GhostNet模块,减少网络模型的运行参数量;同时为了提升卷积神经网络检测性能,将CPCA注意力模块引入到检测算法中,有效地增强对水稻作业质量的特征提取,抑制稻田复杂的背景信息,准确获得作业图像的关键特征,对秧苗与稻种这种数量多、体积小的目标的检测效果有较为明显的提升;其次,将YOLO v8s模型中的CIoU损失函数替换为EIoU损失函数,使模型具有更快更好的收敛速度与定位效果,实现作业质量的精确识别。试验结果表明,改进后的YOLO v8s模型在测试集上的平均精度均值为92.41%,精确率为92.11%,召回率为92.04%;与YOLO v5s、YOLO v7、YOLO v8s、Faster R-CNN网络模型相比,平均精度均值分别提高7.91、7.71、4.28、1.03个百分点。改进后模型检测速度与内存占用量分别为88 f/s、19.2 MB,与YOLO v8s模型相比分别减少12.8%、10.7%,经种植环境测试能够检测出作业质量是否合格,能够实现质量检测的作用。改进YOLO v8s网络模型对稻田作业质量检测具有快速准确的识别能力,具有较好的鲁棒性,在水稻种植质量检测方面有显著成效,可为水稻种植机械化质量检测提供新的检测方法。 展开更多
关键词 水稻种植质量检测 机械作业 YOLO v8 漂秧漏秧 图像识别
在线阅读 下载PDF
基于改进YOLO v8的轻量化稻瘟病孢子检测方法 被引量：11
3
作者 罗斌 李家超 +2 位作者 周亚男 潘大宇 黄硕 《农业机械学报》 EI CAS CSCD 北大核心 2024年第11期32-38,共7页
稻瘟病由稻瘟病孢子通过空气进行传播,严重影响水稻产量,因此,稻瘟病孢子的检测对于稻瘟病早期诊断与防治具有重要作用。针对现有方法存在检测速度慢的问题,本研究基于YOLO v8模型提出了一种稻瘟病孢子检测方法RBS-YOLO。首先,该算法在... 稻瘟病由稻瘟病孢子通过空气进行传播,严重影响水稻产量,因此,稻瘟病孢子的检测对于稻瘟病早期诊断与防治具有重要作用。针对现有方法存在检测速度慢的问题,本研究基于YOLO v8模型提出了一种稻瘟病孢子检测方法RBS-YOLO。首先,该算法在主干网络中引入PP-LCNet轻量化网络结构,减少模型每秒浮点运算次数并降低模型内存占用量,其次在颈部网络中引入高效多尺度注意力模块(Efficient multi-scale attention module,EMA),并将原损失函数改进为WIOU损失函数,提高了模型识别稻瘟病孢子的精确率与平均精度均值。改进后的RBSYOLO模型精确率与平均精度均值分别为97.3%和98.7%,满足稻瘟病孢子的检测需求,模型内存占用量与每秒浮点运算次数分别为3.46 MB、5.2×10^(9),同YOLO v8n相比分别降低41.8%与35.8%。RBS-YOLO模型与当前主流的YOLO v5s、YOLO v7、YOLO v8n模型对比,每秒浮点运算次数分别降低67.3%、95.1%、35.8%。研究结果表明RBS-YOLO模型能够满足稻瘟病孢子实时检测的需求,且有利于部署到移动端。 展开更多
关键词 稻瘟病孢子 目标检测 YOLO v8 轻量化 注意力机制
在线阅读 下载PDF
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