基于轻量化改进模型的小麦白粉病检测装置研发

为快速、全面的监测大田小麦病害,并结合小麦发病特征实现对小麦不同生长部位的病害进行识别,设计了一款便携式小麦白粉病病害检测装置,其由双相机采集模块和主控模块组成,配合病害检测软件系统实现对小麦多部位的白粉病害采集与检测。为保证模型在检测装置部署的可行性,提出了一种基于YOLO v7-tiny模型轻量化改进的白粉病目标检测模型(YOLO v7tiny-ShuffleNet v1,YT-SFNet)。为验证该轻量化模型的准确率和检测速度,与YOLO v7-tiny模型进行训练对比,结果表明YT-SFNet模型相较于YOLO v7-tiny在平均精度上提高了0.57个百分点;在检测时间和模型内存占用量上分别下降了2.4 ms和3.2 MB。最后将轻量化模型和软件系统移植至装置主控模块,制作测试集对装置的检测准确率和检测速度进行了性能测试。其对于测试集的识别准确率为86.2%,检测速度上有较好的稳定性,且单幅病害图像从处理、检测及显示保存的全过程平均耗时为0.507 9 s。     

基于轻量化YOLOv5s的花椒簇检测研究

针对现有花椒簇检测算法模型参数量多、计算量大、检测速度低、很难部署到嵌入式设备的问题,提出一种基于轻量化YOLOv5s的花椒簇检测算法模型。首先将ShuffleNet v2主干网络替代原YOLOv5s中的主干网络进行重构;同时将SPPF嵌入至ShuffleNet v2骨干中;其次引入轻量级注意力机制CBAM;最后使用SIoU＿Loss代替CIoU＿Loss作为回归损失函数。试验结果表明：改进后的轻量化YOLOv5s网络参数降低85.6%,计算量降低87.7%,对花椒簇的检测精度mAP@0.5达到92.6%,较原YOLOv5s模型提高3.4%,mAP@0.5:0.95达到61.4%,检测时间为11 ms,相比原模型16 ms缩短31.3%,可以满足在现场环境下对花椒簇的检测。     

基于改进YOLOv8卷积神经网络的蟹味菇检测方法

针对蟹味菇生产过程中更好地预估产量,对生长状态做到实时检测的问题,提出了一种基于改进YOLOv8卷积神经网络的蟹味菇识别检测方法。该方法参照PASCAL VOC数据集格式,构建了蟹味菇目标检测数据集,采用添加CBAM注意力机制对原算法进行改进,并且与Faster R-CNN、SSD(single shot multibox detector)、原始YOLOv8等算法进行模型性能的试验对比。试验结果表明,改进的算法明显优于其他算法,其在测试集上的平均精度均值（mean average precision,mAP）和检测速度分别达到95%和91帧/s。此检测精度与检测时间满足蟹味菇的实时识别检测任务,为预估蟹味菇产量,提高生产管理水平提供了理论技术支持。     

基于改进YOLO v4的荔枝病虫害检测模型

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671s,模型内存占用量为39.574MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。     

基于改进YOLOv8s的大田甘蓝移栽状态检测算法

[目的/意义]借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析,将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计,提高甘蓝移栽后的成活率以及制定后续工作方案,减少人力和物力的浪费,研究一种自然环境下高效识别甘蓝移栽状态的算法。[方法]采集移栽后的甘蓝图像,利用数据增强方式对数据进行处理,输入YOLOv8s (You Only Look Once Version 8s)算法中进行识别,通过结合可变形卷积,提高算法特征提取和目标定位能力,捕获更多有用的目标信息,提高对目标的识别效果;通过嵌入多尺度注意力机制,降低背景因素干扰,增加算法对目标区域的关注,提高模型对不同尺寸的甘蓝的检测能力,降低漏检率;通过引入Focal-EIoU Loss (Focal Extended Intersection over Union Loss),优化算法定位精度,提高算法的收敛速度和定位精度。[结果和讨论]提出的算法经过测试,对甘蓝移栽状态的召回率R值和平均精度均值(Mean Average Precision,mAP)分别达到92.2%和96.2%,传输速率为146帧/s,可...     

基于改进YOLOv5模型的茄科植物叶片实例分割方法

观测叶片是了解植物生长情况的重要措施,为实现温室系统智能化管理,确保茄科植物的健康生长,使用实例分割技术可以获取到茄科植物在植物苗期的叶片生长信息。本研究提出了一种基于YOLOv5网络模型的茄科植物叶片实例分割模型YOLOv5-Biformer,该算法针对茄科植物叶片的小目标的特征,在主干网络中加入稀疏注意力网络,可以有效提高茄科植物叶片实例分割的效率。试验结果表明：YOLOv5-Biformer网络模型在茄科植物叶片数据集上与基准模型相比在精确度、召回率和平均精度指标上分别提高了0.5%、1.9%、1%,该网络模型在智能温室的环境下对于苗期的茄科植物叶片的实例分割有着显著效果,本研究可为实现温室系统的智能化管理提供部分新思路。     

基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×107,平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×108,与FasterNet、GhostNet、ShuffleNetV2和MobileNetV3 4种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。     

改进YOLOv5的叶片黑斑病检测算法研究

针对传统的YOLOv5算法对叶片中小尺度及密集黑斑病辨识精度不高的问题,提出一种用于黑斑病检测的改进YOLOv5算法。首先,增加小尺度检测层,提升网络对小尺度目标的辨识能力,以此来增加对小尺度叶片黑斑病的检测正确率;其次,加入注意力机制,提升网络的特征提取能力,从而提升对叶片黑斑病的检测正确率;最后,将YOLOv5算法的非极大值抑制(Non-Maximum Suppression,NMS)改为DIoU＿NMS,提升网络对重叠目标的检测效果,以便对叶片中密集的黑斑病进行识别。实验结果表明：相比于传统的YOLOv5方法,改进后的YOLOv5算法的精准率(Precision,P)和召回率(Recall,R)分别由86.4%、77.8%提升至93.5%、80.0%,平均精度均值(mean Average Precision,mAP)也由85.1%提升到88.7%。     

基于深度学习的月季多叶片病虫害检测研究

月季病虫害严重影响月季产量和观赏性,将目标检测算法应用到月季病虫害检测中有利于提高月季病虫害检测效率,对实现月季智能化种植培育起到重要支撑作用.针对实际种植场景中复杂背景对病虫害检测的影响,以及病虫害形状大小特点,提出两阶段月季病虫害检测方法TSDDP,首先添加调优后的Inception模块改进YOLOv3模型特征提取...     

基于改进YOLOv8s的玫瑰鲜切花分级方法

[目的/意义]针对当前玫瑰鲜切花分级仍依赖人工进行简单分级,造成效率低、准确率低等问题,提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。[方法]以单一背景下单支玫瑰花的花头作为检测目标,将鲜切花分为A、B、C、D四个等级,对YOLOv8s (You Only Look Once version 8 small)模型进行了优化改进。首先,构建了一个全新的玫瑰鲜切花分级检测数据集。其次,在YOLOv8s的骨干网络分别添加CBAM (Convolutional Block Attention Module)和SAM (Spatial Attion Module)两个注意力机制模块进行对比实验;选择SAM模块并对其进一步优化,针对模型轻量化需求,再结合深度可分离卷积模块一起添加到C2f结构中,形成FlowerYOLOv8s模型。[结果和讨论]从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度,mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%,达到97.4%,平均精度均值(mAP)提高了0.7%,同时降低了模型参数和...     

基于改进YOLOv3网络模型的茶草位置检测算法

精准高效的茶草识别是智能茶园植保机械进行除草工作的关键。针对目前茶园除草智能化程度较低等问题,提出改进YOLOv3网络模型的茶草检测算法。首先,分季节和时间段,在多个茶叶品种的种植园中以自适应的距离和角度采集茶草混合图像并建立试验数据集。接着,使用K均值聚类算法重新设计先验锚框尺度。然后,以YOLOv3网络模型为基础,选取17×17的网格划分图像区域;采用残差网络（ResNet）作为主干网;加入过程提取层,增强草株检测性能。最后在原损失函数中引入广义交并比损失。通过消融试验和不同目标检测算法对比试验验证此改进算法对茶树与杂草的检测效果。试验结果表明,改进 YOLOv3网络模型对杂草的检测精确率和召回率分别为85.34%和91.38%,对茶树的检测精确率和召回率最高达到82.56%和90.12%;与原YOLOv3网络模型相比,检测精确率提高8.05%,并且每秒传输帧数达到52.83 Hz,是Faster R-CNN网络模型的16倍。这些数据说明所提算法在茶园复杂环境下,不仅对于茶树和杂草具有更好的识别效果,而且满足实时检测的要求,可以为智能茶园植保机械提供技术支持。     

基于轻量化改进YOLOv5的苹果树产量测定方法

果树测产是果园管理的重要环节之一,为提升苹果果园原位测产的准确性,本研究提出一种包含改进型YOLOv5果实检测算法与产量拟合网络的产量测定方法。利用无人机及树莓派摄像头采集摘袋后不同着色时间的苹果果园原位图像,形成样本数据集;通过更换深度可分离卷积和添加注意力机制模块对YOLOv5算法进行改进,解决网络中存在的特征提取时无注意力偏好问题和参数冗余问题,从而提升检测准确度,降低网络参数带来的计算负担;将图片作为输入得到估测果实数量以及边界框面总积。以上述检测结果作为输入、实际产量作为输出,训练产量拟合网络,得到最终测产模型。测产试验结果表明,改进型YOLOv5果实检测算法可以在提高轻量化程度的同时提升识别准确率,与改进前相比,检测速度最大可提升15.37%,平均mAP最高达到96.79%;在不同数据集下的测试结果表明,光照条件、着色时间以及背景有无白布均对算法准确率有一定影响;产量拟合网络可以较好地预测出果树产量,在训练集和测试集的决定系数R^{\mathrm{2}}分别为0.7967和0.7982,均方根误差RMSE分别为1.5317和1.4021 ㎏,不同产量样本的预测精度基本稳定;果树测产模型在背景有白布和无白布的条件下,相对误差范围分别在7%以内和13%以内。本研究提出的基于轻量化改进YOLOv5的果树产量测定方法具有良好的精度和有效性,基本可以满足自然环境下树上苹果的测产要求,为现代果园环境下的智能农业装备提供技术参考。     

基于YOLO v5s的作物叶片病害检测模型轻量化方法

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构（Lightweight convolutional neural networks,LCNN）替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层（Batch normalization layer）的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0f/s,移动端检测帧率1.2f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。     

基于改进yolov8的棉花虫害检测算法

传统的棉花病虫害检测方法依赖于植物保护专家或经验丰富的农民,这种方法费时费力,并且对于人眼难以观察到的微小病变识别准确率较低。如何利用深度学习方法提高识别的准确率和效率,降低人力成本,并且能够对微小病变进行准确识别提出了新的挑战。针对此问题,提出一种准确率高和实时性好的基于改进YOLOv8的棉花虫害检测算法。首先,使用DCNv3结构,替换YOLOv8 C2模块中的Bottleneck结构中的普通卷积,形成新的模块记为C2f-DCNv3;其次,在Head的最后一个C2f-DCNv3模块后面加入高效通道注意力,在提升模型的精度的同时保持能够实现实时检测。在开源的CottonInsect棉田昆虫识别研究图像数据集上的实验结果表明：所改进方法的mAP为0.706,Inference Time为0.6ms,模型大小为5.7M,相较于原模型YOLOv8n,mAP提升3.0,Inference Time提升0.1ms,模型大小基本保持不变,实现了对于棉花虫害准确且高效的识别。     

基于YOLOv5改进的CBAM平贝母检测模型

目前的平贝母种植阶段中,覆土仍然依靠人工,这存在耗时、耗力、成本高等问题。故需要研制一款智能化的平贝母覆土机器,而实现智能化的第一步在于实现识别。以YOLOv5系列为基础训练出一系列模型,在其系列中挑出最优模型（YOLOv5s）进行改进;进而在骨干段加入CBAM注意力机制替换其C3结合,从而减少网络序列长度,减少计算复杂度。试验结果表明,改进后模型的准确度最高可达91.32%,召回率最高可达88.78%。本文模型的提出为下一步实现平贝母覆土机智能控制提供理论参考。     

基于改进YOLOv8和多元特征的对虾发病检测方法

[目的/意义]对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点,高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法,实现对虾发病的及时预警。[方法]提出一种基于改进YOLOv8 (You Only Look Once)和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取,再利用Farneback光流法和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)提取对虾视频片段的运动特征与图像纹理特征,利用提取到的特征参数构建训练数据集,训练支持向量机(Support Vector Machine,SVM)作为分类器用于检测对虾视频片段,实现对正常与发病的对虾视频片段的检测分类。[结果和讨论]训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%,检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。[结论]本研究实现了对对虾发病的检测,提供了一种基于计算机视觉的检测方法。但受条件限制,仅在工厂化养殖环境下进行了...     

基于轻量化YOLOv3卷积神经网络的苹果检测方法

为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征提取网络结构,简化目标检测的特征图尺度,采用深度可分离卷积替换普通卷积,提出一种融合均方误差损失和交叉熵损失的多目标损失函数;其次,开发爬虫程序,从互联网上获取训练数据并进行标注,采用数据增强技术对训练数据进行扩充,并对数据进行归一化,针对Light-YOLOv3网络训练,提出一种基于随机梯度下降(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)的多阶段学习优化技术;最后,分别在计算机工作站和嵌入式开发板上进行了复杂果树背景下的苹果检测实验。结果表明,基于轻量化YOLOv3网络的苹果检测方法在检测速度和准确率方面均有显著的提高,在工作站和嵌入式开发板上的检测速度分别为116.96、7.59 f/s,F1值为94.57%,平均精度均值(Mean average precision,mAP)为94.69%。     

基于改进YOLOv5模型的经济林木虫害目标检测算法研究

对经济林木虫害进行目标检测有助于及时发现虫情,从而更有针对性地控制虫害。首先采用加权双向特征融合技术丰富各级特征图的语义信息和修改自适应Anchor计算方法对YOLOv5主干网络模型进行改进,然后在含20种经济林木虫害的图像扩增数据集上进行试验,最后与多种基于深度学习的目标检测方法进行对比。试验结果表明：改进后的YOLOv5模型相对于YOLOv3、YOLOv4、YOLOv5、Faster-RCNN和CenterNet模型,其平均精度均值分别提升0.133、0.156、0.113、0.128和0.078,最优达到0.923,模型推断速度为64.9帧。因此,改进的YOLOv5模型对经济林木虫害检测已达到实际应用水平,可为经济林木虫害预警系统提供算法支撑。     

基于轻量化深度学习模型的豆角苗-杂草检测方法

除草是保证农业丰产的重要环节,杂草识别是自动化除草的关键。为了满足在中小型除草机器人上的使用,将轻量级深度学习模型Mobile Net-SSD应用于杂草识别。选取豆角苗和杂草作为实验对象,将实验目标细分为大目标和普通目标,针对大目标改动了Mobile Net-SSD模型的特征层。对比原模型、改动模型和标准SSD模型,以Mobile Net作为主干网络时识别速度提升了2倍。改动模型比原模型在普通目标检测上精度降低了3.15%,对大目标检测精度提高了3.23%。实验表明：Mobile Net-SSD模型与改动模型都具有体积小、识别率高、检测速度快等优点,在检测普通目标与大目标时各有优劣。     

基于改进YOLO v8s的小麦小穗赤霉病检测研究

为实现大田复杂背景下小麦小穗赤霉病快速准确识别,构建了包含冬小麦开花期、灌浆期和成熟期3个生育期共计640幅的小麦赤霉病图像数据集,并提出一种基于改进YOLO v8s的小麦小穗赤霉病识别方法。首先,利用全维动态卷积ODConv替换主干网络中的标准Conv,提高网络对目标区域特征的提取;然后,在Neck网络使用改进Efficient RepGFPN特征融合网络实现低层特征与高层语义信息的融合,使模型能够提取更丰富的特征信息;最后,采用EIoU损失函数替换CIoU损失函数,加快模型收敛速度,进一步提高模型准确率,实现对小麦小穗赤霉病的快速、准确识别。在自建的数据集上进行模型验证,结果表明,改进模型（OCE-YOLO v8s）对小麦小穗赤霉病的检测精度达到98.3%,相比原模型提高2个百分点;与Faster R-CNN、CenterNet、YOLO v5s、YOLO v6s、YOLO v7模型相比分别提高36、25.7、2.1、2.6、3.9个百分点。提出的OCE-YOLO v8s模型能有效实现小麦小穗赤霉病精确检测,可为大田环境下农作物病虫害实时监测提供参考。