基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型

【目的】网箱生物识别和统计是海洋牧场的养殖管理的关键参考因素之一。针对混响噪声和复杂背景的干扰,构建不同光照条件下鱼类检测数据集,采用前视声呐成像技术,提出一种基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型（LAPR-Net）,实现浑浊或黑暗场景下水体网箱的鱼类识别。【方法】以罗非鱼为研究对象,基于 YOLOV5 模型的框架结构,主干网络模块采用轻量级 MobileNetV3 bneck 模块,利用线性瓶颈的逆残差结构和深度可分离卷积提取声呐图像中鱼类的特征,通过注意力机制 SE-Net 获取声呐图像多尺度语义特征并增强特征之间的相关性;颈部网络采用路径聚合网络结构,对目标特征进行多尺度融合,增强特征融合能力;预测部分采用基于非极大抑制方法进行最大局部搜索,去除冗余的检测框,筛选置信度最高的检测框,最终输出并显示鱼的检测结果,包含位置、类别以及检测目标的概率。【结果】选择 4 种其他主流的检测模型进行对比试验,包含 YOLOV3-ting（Darknet53）、YOLOV5（CSPdarknet53）、YOLOV5（Repvgg）、YOLOV5s（Transformer）,提出模型参数量为 3 545 453、计算量为 6.3 G、mAP 为 0.957,模型平均每张图片推理速度为 0.08868 s,同 YOLOV5 模型相比,改进后模型 mAP 提高 9.7%。【结论】本文提出的模型提高了训练和识别速度,降低了硬件设备要求,可为海洋牧场网箱养殖鱼类检测模型提供参考。     

基于YOLOV4模型的果园樱桃实时检测研究

为解决在自然环境下对樱桃不同生长时期的状态监测受环境影响存在目标识别困难、检测准确率低的问题,提出了一种基于CSPDarknet53改进的卷积神经网络樱桃分类检测模型。经典YOLOV4所使用的特征提取网络层数较深,能够提取更高级的抽象特征,但是对目标局部感知能力较弱,通过在CSPDarknet53网络结构上融合CBAM注意力机制,增强了目标局部特征感知能力,进一步提升目标检测精度,其特征提取和目标检测能力优于原算法,调整特征提取网络的特征层输出,将第三层输出变为第二层输出以增加小目标语义信息的获取,利用k-means算法优化先验框尺寸以适应樱桃目标大小,并进行了消融实验分析。结果表明,改进的YOLOV4樱桃检测模型模型的平均精度达到了92.31%,F1分数达到了87.3%,优于Faster RCNN、YOLOV3和原来的YOLOV4算法,检测速度为40.23幅·s^-1,适用于自然环境下的樱桃监测,为实现果园水果生长状态自动监测提供了理论和技术基础。     

基于YOLOV3优化模型的复杂场景下茶树嫩芽识别

茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。     

基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用

为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15578帧关键帧,将所有关键帧及其标记文件划分为14178个训练数据及1400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果.结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classifi-cation loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1％和99.2％,召回率分别为98.4％和98.3％,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l.研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型.     

融合注意力机制的安全帽检测算法

针对工业施工场所背景复杂导致安全帽检测精度低及漏检等问题,提出一种融合注意力机制的安全帽检测算法。该算法在YOLOv5s网络模型的基础上,在主干网络中加入坐标注意力模块,使得网络可以有效关注目标信息的特征,提升远距离目标的检测能力。在网络训练过程中优化损失函数,将原有的CIoU损失函数更换为EIoU损失函数,优化了目标边界框回归的收敛速度,可以生成定位更精准的边界框,提高了模型检测精度。实验结果表明,改进后的算法平均精度达到94.5%,相较于原始模型提高了1.9个百分点,相较于YOLOv3算法提高了12.3个百分点。提出的算法有效地改善了原算法中安全帽漏检、误检的情况,同时提高了检测精度。     

基于改进YOLOX-Nano算法的柑橘梢期长势智能识别

【目的】采用机器视觉技术开展柑橘梢期的智能感知技术研究,以解决背景与目标颜色相似造成识别精度低的问题,实现柑橘梢期自动监测,探索算法的改进方法。【方法】根据不同卷积层提取特征的特点与不同注意力机制的作用,提出了一种基于多注意力机制改进的YOLOX-Nano智能识别模型,建立多元化果园数据集并进行预训练。【结果】改进的YOLOX-Nano算法使用果园数据集作为预训练数据集后,各类别平均精度的平均值(Mean average precision, mAP)达到88.07%。与YOLOV4-Lite系列模型相比,本文提出的改进模型在使用较少的参数和计算量的情况下,识别精度有显著的提升,mAP分别比YOLOV4-MobileNetV3和YOLOV4-GhostNet提升6.58%和6.03%。【结论】改进后的模型在果园监测终端的轻量化部署方面更具有优势,为农情实时感知和智能监测提供了可行的数据和技术解决方案。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治,采用迁移学习技术与GoogLeNet模型相结合的方法,对6种果园作物的25类病虫害样本进行识别与危害程度分级研究;同时,探究不同数据集大小以及不同优化算法对模型性能的影响;基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型,对病虫害识别精度可达99.35%,危害程度分级精度可达92.78%;2)在相同训练参数下,本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%,并且收敛速度最快;3)本研究模型识别精度随着数据集的增大而提高;在3种优化算法中SGDM算法耗时最短且精度最高,更适合本研究模型。通过拍摄果树叶片病害区域图像,本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测,在VGG16-SSD的基础上,用MobileNet替换特征提取器,加入多层特征融合结构,得到MF-SSD网络模型;通过网络优化调整,试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构,优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集,应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验,并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力,提升识别速度。与VGG16-SSD相比,MF-SSD在交并比指标方面的平均精度提高7.2%,对玉米穗丝小目标检测的平均召回率提高19.6%,检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下,MF-SSD-cut-3模型在满足检测效果的前提下,以较小的空间代价获得了相对较短的运行时间;在不考虑空间和时间因素的情况下,MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性;Focal loss有效解决了SSD算法中正负样本数量不平衡问题,使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要,可以用于玉米生长状态的自动监控和产量的精准预测。     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

基于CenterNet搭配优化DeepSORT算法的断奶仔猪目标跟踪方法研究

[目的]断奶仔猪是生猪养殖业中的重点关注对象,群养环境下的仔猪精准跟踪是分析仔猪个体行为、监测仔猪个体健康的基础。本文提出1种基于深度学习的断奶仔猪目标跟踪方法。[方法]利用基于中心点的CenterNet检测算法设计断奶仔猪目标检测模型,对DeepSORT算法的检测部分进行优化;训练优化跟踪过程中提取仔猪目标外观特征的模型,结合卡尔曼滤波和匈牙利匹配算法,改进重识别环节,实现具有深度关联度量的断奶仔猪目标实时检测与跟踪。[结果]算法测试结果表明,断奶仔猪目标检测模型的平均精度均值和召回率分别为99.0%和78.6%,多目标跟踪精度MOTA和MOTP指标分别为96.8%和81.8%。[结论]本文所提方法改善了因断奶仔猪外表高度相似性以及黏连遮挡情况导致跟踪困难的问题,可在群养环境中精准跟踪断奶仔猪个体,算法为后续仔猪个体行为分析研究提供技术支撑。     

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。     

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大,实时性差导致其难以在移动终端中应用等问题,将一种改进的轻量化YOLOv4算法用于生猪目标检测.在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像,建立生猪目标检测数据集.基于轻量化思想,在YOLOv4基础上缩减模型大小.结果表明,本研究算法的准确率和召回率分别为96.85％和91.75...     

融合通道剪枝与ByteTrack的轻量化金枪鱼渔获数量实时检测

自动准确收集渔业捕捞数据是电子观察员系统的重要组成部分,然而,由于工作环境的复杂性和跟踪的不稳定性,金枪鱼延绳钓渔获数量自动估计在实践部署中仍存在挑战。本研究设计了一个轻量级计数网络对渔船上的实时视频数据进行自动处理,实现对金枪鱼渔获物的实时跟踪和计数。本研究选择YOLOv5s作为基准网络,首先采用通道剪枝算法对YOLOv5s的主干网络进行修剪,结果表明,剪枝后的模型检测精度mAP0.5～0.95达到68.8%,CPU下检测速度为16.5帧/s(FPS),与原始模型相比,检测效果基本不变,模型的参数量、模型大小和计算量分别减少了67.2%、66.4%和42.5%,检测速度提高了33.1%。其次,利用ByteTrack算法实现了多目标的实时跟踪,优化了计数区域形状,解决了被跟踪金枪鱼身份（ID）跳变导致的计数偏差问题,10个视频的测试结果表明,该方法的平均计数准确率为80%,视频处理速度为50.7帧/s,满足工业级实时检测要求。综上,该模型具有轻量化、高精度、实时性等优点,可在复杂的工作环境下完成对延绳钓捕捞结果的实时监控,为实现渔业自动化提供思路。     

一种快速的基于云计算的碰撞检测算法

针对复杂场景中碰撞检测的实时性、精确性的要求,提出一种基于云计算模型的并行碰撞检测算法。利用分治策略和混合层次包围盒较好的紧密性优点来构建物体的包围盒树,利用云计算编程模型来多线程遍历包围体层次树,提高碰挂检测的速度。实验表明,该方法不但可以控制算法的性能和检测质量,并且能增加算法的适应性。     

基于改进SSD算法的轻量化三七病害检测

【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大,难以实现在移动设备上部署的问题,提出一种基于SSD(Single shot multibox detector)目标检测的改进模型,以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构,采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16),降低主干网络的参数量与计算量,同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系,构建RFB模块,用该模块替换原SSD模型框架顶部卷积层,从而增强网络深层特征,提高轻量化模型的检测精度与检测速度,实现多尺度三七病害检测。【结果】与SSD模型相比,RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现,改进模型的准确率提高了4.6个百分点,召回率提高了6.1个百分点,F1精度提高了5.4个百分点,单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s,尺寸仅为SSD模型的54.6%。【结...     

基于改进YOLOv4的林业害虫检测

为了提高林业害虫检测的准确性,提出一种基于YOLOv4的改进算法。首先,基于智能害虫捕捉装置拍摄的图像,制作害虫数据集,采用K-means算法对样本数据集的目标框进行聚类分析,基于DIoU-NMS算法实现对害虫的计数功能;然后,在模型的路径聚合网络（PANet）结构上增加特征融合和104×104层级特征检测图,以提升对小个体害虫的识别率;最后,根据模型检测效率和复杂度,调整模型中的尺度特征图组合,在保证检测准确度的基础上,提升检测效率,并精简模型。试验结果表明,改进的YOLOv4模型的平均识别精度比传统YOLOv4模型提高了1.6百分点,且对于小个体害虫的识别效果更好,模型复杂度和模型参数量分别减少了11.9%、33.2%,检测速度提升了11.1%,更适于应用部署。