基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional, MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation, SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution, Batch normal, Hardswish, CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%...     

基于人体姿态估计与场景交互的果园喷施行为检测方法

果园农药施用情况是果品质量安全的重要检验标准，农药喷施行为的可靠记录是果品溯源体系的重要环节。针对我国目前常见的果品种植专业合作社中难以确切掌握农药施用真实情况的问题，本研究提出了一种基于人体姿态估计与场景交互的果园背负式喷施行为检测方法。首先采用微调后的YOLO v5模型完成背负式喷雾器与果树目标的精确检测，提取场景交互特征；之后采用OpenPose模型识别喷施人员姿态及动作信息，提取人体姿态特征；最后对上述特征分别进行距离和角度计算，将其融合为11 244组特征向量并使用优化后的支持向量机(Support vector machine, SVM)进行训练，完成果园喷施行为的准确检测。为了验证算法的有效性，对包含不同光照、不同距离、不同人数和不同遮挡程度等的92段视频进行了测试。试验结果表明，该算法的准确度为85.66%,平均绝对误差为42.53%,均方根误差为44.59%,预测标准偏差为44.34%,以及性能偏差比为1.56。同时，本研究对不同光照、遮挡、距离变化和多人中单人喷施情况下的果园喷施行为识别的有效性进行了分析。试验结果表明，将该模型用于果园喷施行为的检测是可行的，本研究...