科研产出
基于Faster R-CNN的作物生物密度智能识别方法
《生物工程学报 》 2025 北大核心 CSCD
摘要：准确获取大田作物数量和密度不仅是水肥管理按需投入的关键，也是保障作物产量和品质的关键。无人机(unmanned aerial vehicle, UAV)航拍可以快速且大面积地获取大田作物的分布图像信息，但是单一类型密集目标的准确识别对于大多数识别算法来说都是一个巨大的挑战。本研究以香蕉苗为例，通过无人机高空航拍香蕉园的图像，研究密集目标高效识别方法。本研究提出了一种“裁-识-拼”的策略，构建了一个基于改进的Faster R-CNN算法的计数方法。该方法先将包含高密集目标的图像按不同尺寸(模拟不同飞行高度)裁剪成大量图像瓦片，并采用对比度限制自适应直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)算法提高图像质量，构建了包含36 000张图像瓦片的香蕉苗数据集；然后采用经过参数优化的Faster R-CNN网络训练香蕉苗识别模型；最后将识别结果进行反拼接，并设计了一种边界去重算法，对最终的计数结果进行校正，以减少图像裁剪引起的香蕉苗重复识别。结果表明，经过参数优化的Faster R-CNN对不同尺寸的香蕉图像数据集的识别精度最高达到了0.99；去重算法可以将针对航拍原始图像的平均计数误差从1.60%降低到0.60%，香蕉苗的平均计数准确率达到99.4%。本研究提出的方法有效解决了高分辨率航拍图像中密集小目标识别难题，为精准农业中的作物密度智能监测提供了高效可靠的技术支撑。
关键词： 果园计数 香蕉 Faster R-CNN 深度学习 去重
全文链接
请求原文
基于改进YOLOv5s的咖啡果实成熟度检测方法
《中国农机化学报 》 2025 北大核心
摘要：针对目前咖啡果实成熟度检测中存在低精度和计算复杂问题,提出一种基于YOLOv5s的咖啡果实成熟度检测算法模型.以YOLOv5s模型为基础,结合ShuffleNet V2 轻量化网络,以降低模型计算复杂度;把SPPF模块嵌入到主干网络中,提高模型对特征信息提取和融合的能力;引入RFAConv注意力卷积,使模型关注感受野空间特征,进一步提高检测性能;用SIoU损失函数取代CIoU损失函数,提高模型学习目标位置和形状信息的能力,进而提高模型的检测精度.试验结果表明,改进后的YOLOv5s算法相比原始模型精确率提高 0.5%,召回率提高 0.1%,平均精度均值提高 1.1%,同时参数量减少 10%,浮点运算量FLOPs减少 4.4%,不但实现模型目标检测精度的提升,而且也使算法网络的复杂度降低.
关键词： 咖啡果实 成熟度检测 深度学习 YOLOv5s 目标检测 注意力机制
全文链接
请求原文
基于VGG-UNet的食用菌菌丝体表型参数自动测量方法
《农业机械学报 》 2024 EI 北大核心 CSCD
摘要：食用菌菌丝体表型特征是食用菌种质资源评价和科学育种的重要依据.针对传统阈值分割方法提取菌丝体区域易受到光照不均、菌丝体不规则生长和培养皿内产生代谢物等因素干扰的问题,制作食用菌菌丝体图像数据集,并提出一种基于深度学习的食用菌菌丝体表型参数自动测量方法.将U-Net网络编码器部分替换为VGG16的前13个卷积层,引入预训练权重,构建适用于菌丝体分割的VGG-UNet模型.测试集上对比实验表明,该模型的平均交并比达到98.18%,比原始U-Net模型高0.93个百分点.经该模型获取菌丝体分割图像后,利用OpenCV相关函数计算菌丝体的半径、周长、面积、覆盖度、圆整度这5个表型参数.将人工测量方法与本文方法进行线性回归分析,得出菌丝体半径、周长、面积和覆盖度的决定系数分别为0.979 5、0.991 5、0.975 0和0.975 0,均方根误差分别为2.20 mm、4.73 mm、176.74 mm2和3.16%.经测试,本文方法能准确地完成食用菌菌丝体表型参数自动测量任务,为食用菌表型分析研究提供理论基础.
关键词： 食用菌菌丝体 表型参数 深度学习 图像处理 语义分割 VGG-UNet
全文链接
请求原文
面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型
《智慧农业(中英文) 》 2021
摘要：卷积神经网络(CNN)的发展带来了大量的网络参数和庞大的模型体积,极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上,研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型,再将该模型中的知识通过蒸馏的方法迁移到MobileNet,从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试,结果表明,当VGG16作为教师模型时,模型准确率提升了97.54%;使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估,经测试,模型的平均准确率达到了97.62%,平均识别时间缩短至0.218 s,仅占VGG16模型的13.20%,模型大小压缩仅为19.83 MB,相比于VGG16缩小了93.60%,使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高,为内存和计算资源受限设备上的病害识别提供了新的思路。
关键词： 病害识别 深度学习 模型压缩 知识蒸馏 卷积神经网络
全文链接
请求原文
首页上一页1下一页尾页
