排序方式: 共有3条查询结果,搜索用时 62 毫秒
1
1.
2.
基于改进YOLOv5s和迁移学习的苹果果实病害识别方法 总被引:8,自引:8,他引:0
为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型:GHTR2-YOLOv5s (YOLOv5s with Ghost structure and TR2 module),并通过迁移学习策略对其进行优化。在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块(Convolutional Block Attention Module, CBAM)和加权双向特征金字塔网络(Bidirectional Feature Pyramid Network, BIFPN)提高模型精度,使用TR2(Two Transformer)作为检测头增强模型对全局信息的获取能力。改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值(mAP0.5)达到0.909,能快速准确地识别苹果果实病害。研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5%。试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别。 相似文献
3.
苹果产量与气象因素密切相关,建立以气象因子为变量的预测模型是实现产量预测的重要手段。单一预测模型受限于年际及空间变化,预测效果不佳。选取山东省4个苹果主产县,通过对2005—2019年气象数据和苹果产量数据进行分析,构建苹果产量集成预测模型。首先,通过趋势分析法将苹果产量分解为趋势产量和气象产量。其次,分别针对月平均气象数据,依据距离相关系数筛选影响产量的关键气象因子。最后,以支持向量机回归、多元线性回归和决策树回归为基础模型形成集成预测模型。结果表明,集成预测模型精度优于单一模型,其平均相对误差在3.0%~4.5%,均方根误差在1.5~2.6。该模型在不同地区均表现出较好的预测效果,可为苹果产量预测提供理论支撑。 相似文献
1