排序方式: 共有36条查询结果,搜索用时 421 毫秒
11.
为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi-head self-attention,多头自注意力)替换了SPPF(Spatial pyramid pooling-fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self-attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。 相似文献
12.
13.
针对现有农机装备数字孪生系统开发难度大、配置要求高以及资源占用过高的问题,提出基于轻量级网络的联合收获机数字孪生系统构建方法,包含物理、虚拟、数据交互、模型计算以及人机交互等多个子系统的实现方法。基于数字孪生的技术特点和联合收获机的作业特性,设计了一种基于JavaScript语言的轻量级数字孪生系统框架。通过采用Solidworks和CMdevelopment kit工具进行数字孪生系统的模型轻量化处理及坐标系整合,实现了在不影响模型精度和功能的前提下,显著降低系统对硬件要求和内存占用量。以雷沃GM100型联合收获机为对象,开发基于轻量级网络的联合收获机数字孪生系统,为联合收获机孪生系统性能分析、实时监控、瞬时计算以及远程操纵提供联合仿真、分析以及验证平台。为验证数字孪生系统性能和功能,开展了孪生系统性能测试及油耗预测实验。实验结果表明,在数据更新频率20Hz下,响应时间在78ms以内,内存占用量在331MB以内;性能测试中,系统在运行状态下CPU和GPU的平均占用率分别为17%和30%;即使在高强度操作下,系统帧率仍可保持在75.6f/s;在正常作业下油耗预测模型平均误差为0.34L/h,平均相对误差仅为2.51%。本系统提供了一种低成本、高效率的数字孪生轻量化构建方案。 相似文献
14.
对于中小型数据仓库项目,其建设的成本和周期受到诸多限制,更多侧重于考虑项目的功能灵活、易用等特性。根据中小型数据仓库建设实际情况设计轻量级的ETL解决方案,基于成熟的DTS/SISS平台,应用自定义工具灵活扩展其功能。从实际立用效果来看,应用这套框架功能强大而又灵活简便,可以有效提高构建中小型数据仓库的成功率。 相似文献
15.
16.
基于数值天气预报后处理的参考作物蒸散量预报改进 总被引:2,自引:0,他引:2
针对基于数值天气预报(Numerical weather prediction,NWP)对参考作物蒸散量(Reference crop evapotranspiration,ET0)进行预报通常需要数据偏差校正的问题,基于LightGBM机器学习方法和我国西北地区9个气象站点数据提出一种对第二代全球集合预报系统(Global ensemble forecast system,GEFSv2)预报气象因子进行偏差校正的方法(M3)。该方法使用太阳辐射、最高和最低气温、相对湿度和风速集合分别对每个气象因子进行重预报,再计算ET0。使用等距离累积分布函数(EDCDFm,M1)和单气象因子输入的LightGBM法(M2)对模型精度进行评估。结果表明,GEFSv2的预报因子与相应的观测气象因子之间存在不匹配问题,其不匹配程度因气象因子不同而不同,太阳辐射的匹配度较高,相对湿度的匹配度较低。M3模型有助于缓解数据不匹配问题。M1、M2和M3方法在9站点预报ET0的平均均方根误差(RMSE)分别介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d,平均绝对误差(MAE)分别介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d,决定系数(R2)分别介于0.82~0.91、0.84~0.93和0.86~0.94。3种方法均在夏季误差最大,1~16d平均RMSE分别为1.21、1.18、1.04mm/d。各预报因子中太阳辐射对ET0预报误差影响最大,其后依次是风速、最高气温、相对湿度和最低气温。在后处理过程中,NWP的最高气温预报值对其他因子预报精度的贡献最大、对相对湿度预报精度的贡献最小。建议在进行NWP偏差校正时,应考虑数据不匹配问题,通过多因子校正来弥补预报精度的不足。 相似文献
17.
轻量级深度学习模型常被部署于移动端或物联网端,以实现算力资源受限条件下马铃薯病害的识别。但轻量级模型网络层数较少,模型特征提取能力有限,无法实现相似表型特征的精确提取。为解决上述问题,提出一种轻量级残差网络模型的构建方法,该方法融合迁移学习和知识蒸馏策略训练模型,在教师模型上使用迁移学习策略缩短教师模型的训练时间,并将ResNet18模型进行模型剪枝,使用降采样的方法提高模型识别准确率,最终在保证轻量化的前提下,实现对马铃薯叶片病害类别的精准识别。在马铃薯叶片数据集上进行试验,结果表明,本研究方法构建的轻量级模型的识别准确率相较于Resnet18提高1.55百分点,模型大小缩小49.18%;相较于目前农作物病害识别领域,常用的轻量级模型MobileNetV3在模型大小相近的情况下,识别准确率提高2.91百分点。该模型能够满足大部分实际应用下的场景,可为部署在物联网和移动端设备上的模型提供参考。 相似文献
18.
为及时掌握种植空间信息,保护和利用灯盏花,针对灯盏花垄间边界模糊,精细标记训练数据集获取困难问题,提出一种基于结合RGB波段最大差异法和弱监督语义分割的无人机遥感灯盏花种植信息提取方法。首先,对灯盏花进行边框级标记,制作弱标记数据集,减少标记时间成本;然后采用轻量级U-Net网络对弱标记数据集进行弱监督语义分割,实现灯盏花粗提取;最后,采用RGB波段最大差异法去除粗提取结果中的非灯盏花,实现灯盏花种植区精细提取。实验结果表明,提出方法在选取的3个灯盏花场景中交并比(Intersection-over-union, IoU)分别为90.55%、90.74%、86.63%,精度均高于面向对象分类法和最大似然法,并通过消融实验验证了方法的有效性。 相似文献
19.
20.
为对奶牛体况信息进行高效地实时监测以便满足商业化的需求,提出一种改进轻量级注意力机制网络模型(Shuffle-ECANet)。首先,针对8 972幅含有奶牛尾部的图像样本,通过专家对奶牛体况进行人工评分,并构建数据集;然后以轻量级ShuffleNet-v2 1×网络为基础,在特征提取过程中引入高效的通道注意力模块,强化网络对奶牛体况特征的提取能力。此外,采用H-Swish激活函数,避免神经元坏死现象;最后通过进一步精简网络结构得到Shuffle-ECANet网络模型。结果显示,Shuffle-ECANet模型针对各类别奶牛的识别准确率为97%以上,且在体况评分(body condition scoring,BCS)误差分别为0、≤0.25和≤0.5的体况评价结果中,Shuffle-ECANet模型均优于EfficientNet-v1、MobileNet-v3、ShuffleNet-v2 1×和ResNet34等模型,证明本研究方法的有效性。 相似文献