基于YOLOv8改进的蚕虫检测与计数方法

该研究旨在解决桑蚕养殖过程中对蚕虫计数的难题,特别是针对蚕虫目标小、分布密集且易被遮挡的特点,通过改进的目标检测算法,实现对蚕虫数量的高效、准确检测与计数,以支持蚕虫的科学喂养与健康成长管理。本文提出了一种基于YOLOv8模型改进的蚕虫检测与计数新方法（SDM-YOLO）。该方法的核心创新包括：1) 引入RCS-OSA模块作为残差模块,替代原YOLOv8中的C2f模块,以增强网络的多尺度特征提取能力并融合不同感受野的信息,提升对密集分布蚕虫的识别能力;2) 改造检测头为动态预测头（dynamic prediction head）,结合尺寸、空间和通道三个维度的特征信息,提高蚕虫识别的精确度,减少误检;3) 优化损失函数,采用EIOU LOSS作为边界框回归的损失函数,以改善密集场景下蚕虫目标的漏检问题。经过试验验证,SDM-YOLO方法在多个评估指标上均表现出色。具体而言,该方法在精确度上达到了88.2%,召回率为87.2%,平均准确度mAP@0.5为93.2%,而mAP@0.5：0.95也达到了74.7%。这些结果充分证明了与一阶段检测模型YOLO系列相比,SDM-YOLO在蚕虫检测与计数方面具有比较明显的优势。     

基于改进YOLOv5s的复杂环境下新梅检测方法

为解决新梅在树干树叶遮挡、果实重叠情况下难以准确检测的问题,该研究建立了新梅目标检测模型SFF-YOLOv5s。在真实果园环境下构建新梅数据集,以YOLOv5s模型作为基础网络,首先在Backbone骨干网络C3模块中引入CA（coordinate attention）注意力机制以增强模型对新梅关键特征信息的提取能力并减少模型的参数量;其次在Neck层中引入加权双向特征金字塔网络,增强模型不同特征层之间的融合能力,从而提高模型的平均精度均值;最后使用SIoU损失函数替换原模型中的CIoU损失函数提高模型的检测准确率。试验结果表明,SSF-YOLOv5s模型对新梅检测准确率为93.4%,召回率为92.9%,平均精度均值为97.7%,模型权重仅为13.6MB,单幅图像平均检测时间12.1ms,与Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8s检测模型相比平均精度均值分别提升了3.6、6.8、13.1、0.6、0.4、0.5个百分点,能够满足果园复杂环境下对新梅进行实时检测的需求,为后续新梅采摘机器人的视觉感知环节提供了技术支持。     

采用改进YOLOv5s检测牧区牲畜

畜牧业自动化管理面临的一个关键挑战是如何准确地检测大规模放牧养殖牲畜的种群,确定其数量和实时更新群体信息。牲畜规模化、自动化检测受环境场地等因素影响,当前目标检测算法经常出现漏检、误检等情况。该研究基于YOLOV5s目标检测网络设计了一种牲畜检测算法LDHorNet（livestock detect hor net）,参考HorNet的递归门控卷积设计了HorNB模块对网络模型进行改进,以提高检测算法的空间交互能力和检测精度。然后在网络结构中嵌入CBAM（convolutional block attention module）注意力机制,以提高小目标的检测精度和注意力权重,并利用Repulsion 损失函数提高目标检测网络的召回率和预测精度。试验结果表明,所提出的LDHorNet算法的精准率、召回率分别为95.24%、88.87%,平均精准率均值mAP_0.5、mAP_0.5:0.95分别为94.11%、77.01%,比YOLOv5s、YOLOv8s、YOLOv7-Tiny精准率分别提高了2.83、2.93和9.79个百分点,召回率分别提高了6.66和4.95、13.42个百分点,平均精准率均值mAP_0.5:0.95分别提高12.46、5.26和20.97个百分点。该算法对于小目标和遮挡场景下的牲畜检测效果优于原算法与对比算法,表现出良好的鲁棒性,具有广泛的应用前景。     

基于YOLOv5s改进模型的小白菜虫害识别方法

小白菜是中国种植面积较广、深受大众喜爱的蔬菜,但真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC小白菜虫害识别模型。首先,引入CBAM（Convolutional Block Attention Module）注意力机制,将其放在CBS（卷积层Convolution+归一化层Batch normalization+激活函数层SILU）的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度（mean Average Precision, mAP）达到91.40%,提高了12.9个百分点;每秒传输帧数（Frame Per Second, FPS）为58.82帧/s,增加了11.2帧/s,增加幅度达23.53个百分点;参数量仅为14.4 MB,降低了25.78个百分点。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度分别高出20.1、24.6、14、13.4和13.3个百分点,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。     

基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测

茶叶的产量和品质深受病虫害的影响。茶尺蠖是一种常见的茶叶害虫,精确检测茶尺蠖对茶叶病虫害防治有重要意义。由于茶尺蠖和茶树枝、枯死茶叶的颜色、纹理相近,茶尺蠖的体积小、形态多变、被遮挡等问题,现有方法检测茶尺蠖的精度不高。该研究提出一种基于深度学习的复杂背景图像中茶尺蠖检测方法,该方法使用YOLOv5为基线网络,利用卷积核组增强对茶尺蠖的特征提取,在不增加计算量的条件下减少复杂背景对茶尺蠖检测结果的干扰;使用注意力模块关注茶尺蠖整体,根据茶尺蠖的大小和形状自适应调节感受野,降低因目标大小形状不一导致的漏检;使用Focal loss损失函数减少前景和背景的类不平衡对检测结果的影响。试验结果表明,所提方法用于复杂背景图像中茶尺蠖的检测,可以达到0.94的召回率,0.96的精确度和92.89%的平均精度均值。与基线网络相比,该方法的平均精度均值提高了6.44个百分点。使用相同的数据集和预处理的对比分析表明,该方法优于SSD、Faster RCNN和YOLOv4等其他经典深度学习方法,平均精度均值比SSD、Faster RCNN、YOLOv4分别高17.18个百分点、6.52个百分点和4.78个百分点。该方法可实现对茶尺蠖的智能检测,减少人力成本,有助于实现精准施药,提高茶叶的产量和品质。     

改进YOLOv5识别复杂环境下棉花顶芽

为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。     

基于YOLOX-NGS的群养猪只攻击行为识别

为解决复杂猪舍环境下猪只堆叠和粘连导致群养猪只攻击行为识别准确率低和有效性差的问题,该研究提出一种改进的YOLOX模型,引入攻击活动比例（P_AA）和攻击行为比例（P_AB）2个优化指标,对群养猪只的撞击、咬耳和咬尾等典型攻击行为进行识别。首先,为提高模型特征提取能力添加归一化注意力模块获取YOLOX颈部的全局信息;其次,将YOLOX中的IoU损失函数替换为GIoU损失函数,以提升识别精度;最后,为保证模型的实时性将空间金字塔池化结构SPP轻量化为SPPF,增强检测效率。试验结果表明,改进的YOLOX模型平均精度达97.57%,比YOLOX模型提高6.8个百分点。此外,当P_AA和P_AB阈值分别为0.2和0.4时,识别准确率达98.55%,有效解决因猪只攻击行为动作连续导致单帧图像行为识别可信度低的问题。研究结果表明,改进的YOLOX模型融合P_AA和P_AB能够实现高精度的猪只攻击行为识别,为群养生猪智能化监测提供有效参考和技术支持。     

基于改进YOLOv5s的黑皮鸡枞菌检测方法

为解决黑皮鸡枞菌种植环境下背景土壤与菌菇辨识度较低、样本分布密集、类间相互遮挡等问题,该研究提出一种基于改进YOLOv5s的目标检测方法。首先,在骨干网络中融入RFBSE模块,使网络关注重点区域,通过施加通道注意力机制,增强对黑皮鸡枞菌特征表达能力;其次,设计多分支采样DCSPP池化模块,加强局部信息与全局信息的融合;第三,在颈部网络采用RFP结构,通过添加额外反馈信息促进语义信息传递,增强鸡枞菌样本密集遮挡场景下的检测能力,对RFP结构级联方式及网络间融合结构做轻量化处理,降低参数计算量和内存使用。试验结果表明,通过添加RFBSE模块,多分支池化模块以及采用递归金字塔结构对模型检测能力均有不同提升效果,最终模型平均精度均值mAP、精确率、召回率分别达到90.8%、86.5%、84.8%。对比原YOLOv5s模型算法,mAP、精确率、召回率分别提高2.7、3.8、3.9个百分点,并通过生成热力图提高模型检测过程的可解释性。试验结果表明改进后的模型可在复杂环境下准确、快速地识别黑皮鸡枞菌,为黑皮鸡枞菌采摘机器人的开发提供技术支持。     

基于改进Tiny-YOLO模型的群养生猪脸部姿态检测

生猪脸部包含丰富的生物特征信息,对其脸部姿态的检测可为生猪的个体识别和行为分析提供依据,而在生猪群养场景下,猪舍光照、猪只黏连等复杂因素给生猪脸部姿态检测带来极大挑战。该文以真实养殖场景下的群养生猪为研究对象,以视频帧数据为数据源,提出一种基于注意力机制与Tiny-YOLO相结合的检测模型DAT-YOLO。该模型将通道注意力和空间注意力信息引入特征提取过程中,高阶特征引导低阶特征进行通道注意力信息获取,低阶特征反向指引高阶特征进行空间注意力筛选,可在不显著增加参数量的前提下提升模型特征提取能力、提高检测精度。对5栏日龄20～105d的群养生猪共35头的视频抽取504张图片,共计3712个脸部框,并标注水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态,构建训练集,另取420张图片共计2 106个脸部框作为测试集。试验表明,DAT-YOLO模型在测试集上对群养生猪的水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态预测的AP值分别达到85.54%、79.30%、89.61%、76.12%、79.37%和84.35%,其6类总体m AP值比Tiny-YOLO模型、仅引入通道注意力的CAT-YOLO模型以及仅引入空间注意力的SAT-YOLO模型分别提高8.39%、4.66%和2.95%。为进一步验证注意力在其余模型上的迁移性能,在同等试验条件下,以YOLOV3为基础模型分别引入两类注意力信息构建相应注意力子模型,试验表明,基于Tiny-YOLO的子模型与加入相同模块的YOLOV3子模型相比,总体m AP指标提升0.46%～1.92%。Tiny-YOLO和YOLOV3系列模型在加入注意力信息后检测性能均有不同幅度提升,表明注意力机制有利于精确、有效地对群养生猪不同类别脸部姿态进行检测,可为后续生猪个体识别和行为分析提供参考。     

基于特征金字塔注意力与深度卷积网络的多目标生猪检测

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力（Feature Pyramid Attention,FPA）与Tiny-YOLO相结合的模型FPA-Tiny-YOLO。该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度。对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4 102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中。试验表明,深度为3的FPA模块（即FPA-3）的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度mAP指标值最佳,分别达到86.09%、91.47%和85.85%,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高。选用不同的IOU（Intersection Over Union）和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性。试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与mAP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考。     

基于改进YOLOv3-Tiny的番茄苗分级检测

为了提高番茄苗分选移栽分级检测精度,该研究提出了YOLOv3-Tiny目标检测改进模型.首先建立了番茄穴盘苗数据集,使用K-means++算法重新生成数据集锚定框,提高网络收敛速度和特征提取能力;其次为目标检测模型添加SPP空间金字塔池化,将穴孔局部和整体特征融合,提高了对弱苗的召回率;同时加入路径聚合网络(PANet...     

改进YOLOv3算法检测三七叶片病害

为了解决三七叶片密集病害和小区域病害检测不准确的问题,该研究提出了一种改进的YOLOv3（You Only Look Once v3）目标检测算法（AD-YOLOv3）对三七叶片各种病害进行检测。AD-YOLOv3使用注意力特征金字塔（Attention Feature Pyramid,AFP）替代YOLOv3中的原始特征金字塔,解决了特征融合过程中的干扰问题,提升了病害检测精度。使用双瓶颈层（Dual Bottleneck,DB）筛选注意力特征金字塔提取到的特征,增强特征的特异性,提升了算法的鲁棒性。AD-YOLOv3与YOLOv3相比在各项性能指标上均有提升,精确率提升2.83个百分点,F1精度提升1.68个百分点,平均精度均值（Mean Average Precision,mAP）提升1.47个百分点,针对小区域病害和密集病害的检测能力明显增强。此外,AD-YOLOv3在雾,雨,暗光等复杂环境下的抗干扰能力明显提升,该研究为三七叶片的病害检测提供了一种更优的智能检测方法。     

采用改进RetinaNet的笼养肉鸽繁育期个体检测模型

实现繁育期精准个体检测是提高集约养殖环境下肉鸽繁育效率和精准管控效果的有效手段,其中小目标鸽蛋及粘连乳鸽的精准检测是关键。该研究提出了一种基于改进RetinaNet的目标检测模型,以RetinaNet网络为基础框架,将ResNet50特征提取网络与特征金字塔网络（Feature Pyramid Networks,FPN）结合,增加特征金字塔网络中特征检测尺度,提升对图像中遮挡鸽蛋与粘连乳鸽的检测精度;在分类和回归子网络前引入卷积注意力模块（Convolutional Block Attention Module,CBAM）,提升对小目标检测的精度。试验结果表明,该研究提出的模型对于笼养肉鸽个体检测的平均精度均值（mean Average Precision,mAP）达到80.89%,相对SSD等传统模型有明显提升;对成鸽、乳鸽与鸽蛋检测的平均精度（Average Precision,AP）分别为95.88%,79.51%和67.29%,相对原始RetinaNet模型提高了2.16、21.74和22.48个百分点,在保证成鸽精准检测的基础上,提升了对复杂环境下存在局部遮挡的小目标鸽蛋以及粘连乳鸽的检测精度,为实现集约化养殖环境下肉鸽繁育周期个体检测和精准管控提供有效支持。     

基于改进YOLOv5的复杂跨域场景下的猪个体识别与计数

为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题,该研究提出了面向复杂跨域场景的基于改进YOLOv5（You Only Look Once version 5）的猪个体检测与计数模型。在骨干网络中分别集成了CBAM（Convolutional Block Attention Module）即融合通道和空间注意力的模块和Transformer自注意力模块,并将CIoU（Complete Intersection over Union）Loss替换为EIoU（Efficient Intersection over Union）Loss,以及引入了SAM （Sharpness-Aware Minimization）优化器并引入了多尺度训练、伪标签半监督学习和测试集增强的训练策略。试验结果表明,这些改进使模型能够更好地关注图像中的重要区域,突破传统卷积只能提取卷积核内相邻信息的能力,增强了模型的特征提取能力,并提升了模型的定位准确性以及模型对不同目标大小和不同猪舍环境的适应性,因此提升了模型在跨域场景下的表现。经过改进后的模型的mAP@0.5值从87.67%提升到98.76%,mAP@0.5:0.95值从58.35%提升到68.70%,均方误差从13.26降低到1.44。该研究的改进方法可以大幅度改善现有模型在复杂跨域场景下的目标检测效果,提高了目标检测和计数的准确率,从而为大规模生猪养殖业生产效率的提高和生产成本的降低提供技术支持。     

基于改进YOLOv5s的自然环境下茶叶病害识别方法

针对现有目标检测模型对自然环境下茶叶病害识别易受复杂背景干扰、早期病斑难以检测等问题,该研究提出了YOLOv5-CBM茶叶病害识别模型。YOLOv5-CBM以YOLOv5s模型为基础,在主干特征提取阶段,将一个带有Transformer的C3模块和一个CA（coordinate attention）注意力机制融入特征提取网络中,实现对病害特征的提取。其次,利用加权双向特征金字塔（BiFPN）作为网络的Neck,通过自适应调节每个尺度特征的权重,使网络在获得不同尺寸特征时更好地将其融合,提高识别的准确率。最后,在检测端新增一个小目标检测头,解决了茶叶病害初期病斑较小容易出现漏检的问题。在包含有3种常见茶叶病害的数据集上进行试验,结果表明,YOLOv5-CBM对自然环境下的初期病斑检测效果有明显提高,与原始YOLOv5s模型相比,对早期茶饼病和早期茶轮斑病识别的平均精度分别提高了1.9和0.9个百分点,对不同病害检测的平均精度均值达到了97.3%,检测速度为8ms/幅,均优于其他目标检测算法。该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害的智能诊断提供参考。