基于 YOLOv7 的无人机影像稻穗计数方法研究

【目的】利用深度学习技术开展基于无人机采集的水稻稻穗 RGB 图像进行稻穗快速计数技术研究，利于建立省工、省时、高效的产量评估预测，为后续收获、烘干、仓储工作以及品种试验评估等提供依据。【方法】在水稻齐穗 - 灌浆期，使用无人机采集水稻稻穗图片，通过对图片中稻穗的标注、分类以及训练，获得基于 YOLOv7 的网络结构模型，与田间实际调查结果进行对比和验证，针对该方法对不同亚种水稻稻穗的数穗计数精度作出评价。【结果】将得到的模型的预测结果与真实结果进行比较，对于相同的训练集，YOLOv7模型的重叠率（Intersecion of union，IoU）值的中位数普遍高于 YOLOv5 模型。仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度，YOLOv7 模型的 mAP@0.5 为 80.75%、mAP@0.25 为 93.01%，优于 YOLOv5l 模型的 mAP@0.5 值 73.36%、mAP@0.25 值 91.16%；两种模型对籼稻识别精度不高。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型，YOLOv7 模型的 mAP@0.5 为 73.19%、mAP@0.25 为 83.71%，优于 YOLOv5l 模型的mAP@0.5 值 72.77%、mAP@0.25 值 81.66%；但两种模型均对粳稻识别精度不高。对预测结果与实际调查结果进一步比较验证表明，仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度，模型预测值与观察值显著相关。其中 YOLOv7 模型对粳稻预测精度最高，R2 为 0.9585、RMSE 为 9.17；其次为 YOLOv5 模型，R2 为 0.9522、RMSE为 11.91。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型。其中 YOLOv7 模型对籼稻预测精度最高，R2 为 0.8595、RMSE 为 24.22。其次为 YOLOv5 模型，R2 为 0.7737、RMSE 为 32.56。【结论】本研究初步建立的基于无人机的田间水稻单位面积穗数快速调查方法，具有较高精度，可应用于实际田间测产工作，有利于克服人工田间估产工作量大、效率低、人为误差等问题，未来可进一步应用于可移动水稻估产装置的开发。     

基于改进YOLOv5深度学习的海上船舶识别算法

为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试。结果表明：在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6%、89.9%、90.5%,检测效果比YOLOv5模型分别提升了6.3%、4.8%、5.8%,比YOLOv4模型分别提升了19.1%、19.0%、19.3%;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1%、87.2%、87.6%,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8%、13.3%、13.5%。研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果。     

基于改进YOLOv5s模型的柑橘病虫害识别方法

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。     

基于YOLOv4的草莓目标检测技术研究

草莓目标检测对草莓智能化监测和自动化采摘具有非常重要的意义。本文提出了一种基于YOLOv4的草莓目标检测方法。针对复杂环境下采集到的草莓数据集,首先采用LabelImg进行数据类型标注,然后采用改进的Kmeans聚类算法进行先验框尺寸的计算,最后采用分阶段训练方法对搭建的YOLOv4模型进行训练和模型评估。结果表明,该方法的测试集平均精度均值达到97.05%,单张图像检测时间平均为74 ms,能够满足草莓的高精度实时检测需求。     

基于改进YOLOv7的杂交大豆苗期胚轴颜色检测模型

为构建田间杂交大豆胚轴颜色检测模型,以大田场景下的大豆植株为研究对象,利用自走式大豆表型信息采集平台获取图像数据并构建杂交大豆胚轴颜色数据集,使用不同目标检测模型（SSD、Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、YOLOX和YOLOv7）对杂交大豆胚轴颜色数据集进行检测,将模型分数（F1）、平均精度均值（mAP）及检测速度3个指标用于评估不同模型在杂交大豆胚轴颜色检测中的性能。在YOLOv7网络中添加CARAFE特征上采样算子、SE注意力机制模块和WIoU位置损失函数,建立杂交大豆胚轴颜色检测模型YOLOv7-CSW,并利用改进模型对杂交大豆胚轴颜色数据集进行消融试验。结果表明：1)YOLOv7模型的F1(0.92)与mAP(94.3%)均显著高于其他模型;2)YOLOv7模型的检测速度为58帧/s,低于YOLOv5和YOLOX,检测速度可以满足田间实时检测任务需求;3)YOLOv7-CSW模型比YOLOv7模型的F1和mAP分别升高0.04和2.6%;4)YOLOv7-CSW模型比YOLOv7模型检测速度升高了5帧/s,可以实现杂交大豆胚轴颜色实时检测。综...     

基于改进YOLOv3的猪脸识别

针对生猪智能化管理中传统标识方法存在的易脱标,易引起生猪感染等问题,采用基于改进YOLOv3模型的非侵入式方法,对生猪多个体识别进行研究.针对原有的YOLOv3模型,在Darknet53特征提取器中引入密连块,结合下采样层组成新的骨干网络;在YOLOv3模型中添加改进的SPP单元,最终构建了YOLOv3 DB_SPP模...     

基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。     

基于改进YOLOv5的火龙果成熟度识别方法

为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别,提出了一种基于对YOLOv5的网络模型改进的一种检测模型（PITAYA-YOLOv5）。首先,使用k-means++算法重新生成火龙果数据集的锚框,提高了网络的特征提取能力;其次,将CSPDarkNet替换成PPLCNet作为骨干网络,并加入SE注意力模块（Squeeze-and-Excitation block）,在降低网络参数量的同时保持检测精度;同时加入加权双向特征金字塔网络（Bi-FPN）替换YOLOv5的特征融合网络,提高网络对不同尺度特征图的融合效率;引入αDIoU损失函数,提高了模型的收敛效果。试验结果表明：PITAYA-YOLOv5目标检测模型的平均精度均值为94.90%,较原模型提高1.33个百分点,F1值为91.37%,较原模型提高1.12个百分点,平均检测速度达到20.2 ms,占用内存仅有8.1 M。针对枝条遮挡和果间遮挡下的火龙果检测能力明显增强。对比Faster R-CNN、CenterNet、YOLOv3、YOLOv5以及轻量化骨干网络ShuffleNetv2,该模型具有良好的检测精...     

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...     

基于改进Faster R-CNN模型的草莓果实识别算法

针对Faster R-CNN模型对自然状态下草莓（Fragaria ananassa Duch.）识别准确率不高的问题，以地垄种植草莓的实拍图片为数据源，采用改进RPN结构和更换主干特征提取网络的方法对Faster RCNN模型进行了改进。结果表明，改进Faster R-CNN模型识别成熟草莓平均精度（AP）为0.893 0，识别未成熟草莓平均精度（AP）为0.820 7，草莓识别准确率达到较高水平，解决了未成熟草莓识别困难的问题。同时，为了检验模型的自动计数性能，依据模型的识别结果建立了自动计数与人工计数的线性回归，成熟草莓、未成熟草莓的相关系数分别为0.973 7、0.944 7，自动计数与人工计数拥有较高的相关性，表明改进Faster R-CNN模型具有较高的识别性能与计数能力。     

基于YOLOv4-tiny模型的水稻早期病害识别方法

针对现有的卷积神经网络模型过于依赖设备的计算和存储能力、水稻病虫害形状大小不一、遮挡造成的病害特征显著性弱、漏检率高等问题,采用轻量化、易部署的YOLOv4-tiny模型检测和识别水稻病虫害。首先收集831张4种不同的水稻病害叶片图像样本,为了使模型具有更好的泛化能力,对已有数据进行数据增强,将样本数量扩增到了5 320张。然后构建YOLOv4-tiny轻量化模型,与经典的YOLOv4算法模型相比,其主干特征提取网络CSPDarkNet53模块替换为CSPDarkNet53＿tiny,使用CPSnet进行通道的分割,实现了网络模型的压缩并提高了训练速度;添加了FPN结构,对有效特征层进行特征融合;依据模型评价指标,通过试验将YOLOv4-tiny轻量化网络与经典的YOLOv4网络、Faster-RCNN网络、YOLOv4-MobileNet系列轻量化网络、YOLOv4-GhostNet轻量化网络和SSD轻量化网络进行对比。结果表明,YOLOv4-tiny的平均准确率可以达到81.79%,检测速度可以达到90.03帧/s,模型权重大小为22.4 MB,能够比较精准地识别水稻胡麻斑病、白叶...     

基于改进YOLOv7的水稻害虫识别方法

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2 帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。     

基于YOLOv3的杨梅关键发育期识别技术

本文提出了一种基于深度学习目标检测技术的杨梅开花期、幼果期和果实成熟期等关键发育期自动识别方法,首先搜集整理日常观测中拍摄的杨梅不同发育期影像资料,然后分析整理杨梅雌花、杨梅果实等器官的形态特征,并对相应特征进行分类标注,形成杨梅关键发育期特征数据集,最后利用YOLOv3算法训练本地化目标检测模型,实现对杨梅开花期、幼果期和果实成熟期等关键发育期的自动识别。随机使用特征数据集中未参加训练部分对本地化目标检测模型进行测试,该模型对雌花开花、幼果和成熟果实的识别准确率分别可达90.91%,90.79%和90.83%。表明本文所提出的方法可以作为实现杨梅关键发育期观测自动化的可行方案。     

Lab色彩模型下梯度Hough圆变换的成熟草莓识别

自然生长状态下的草莓,果实密集,形状多变,枝叶遮挡率较高,使用机器采摘对成熟草莓的图像识别具有一定的难度。针对这个问题,提出了Lab色彩模型下采用梯度Hough圆变换的成熟草莓识别方法。以自然生长状态下的草莓图像为研究对象,在Lab色彩模型空间里对图像分割及阈值化并采用梯度Hough圆变换等方法,识别成熟草莓并计算出草莓中心。试验结果表明,对随机选取的100张草莓图片,该方法识别成熟草莓的相对偏差为1.07%,对枝叶遮挡、成熟草莓相互遮挡等情况,具有较好的识别效果。与传统的Hough变换相比,这一方法节省了运行内存,提高了时间效率,能够满足机器采摘对成熟草莓识别率与定位的要求。     

基于改进YOLOv7的线虫智能识别研究

线虫存活率是杀线试剂活性测试的重要指标,目前线虫计数多以显微镜下的人工识别方式为主,存在耗时长、准确率低、工作量大等问题,利用卷积神经网络实现线虫的智能识别与计数是解决上述问题的重要途径。本文基于YOLOv7网络架构进行了三方面改进：主干网络添加ECA注意力机制;用EIoU替换原模型损失函数;将原本的激活函数替换为Mish激活函数。对比试验测试发现,改进后YOLOv7模型的mAP达到了95.3%,与SSD、Faster-RCNN等经典目标检测算法相比分别提高12.3、6.2个百分点,在准确率、召回率和F1因子上分别提高了0.6、2.4和1.5个百分点,且减少了冗余信息的干扰,增强了多尺度目标的特征提取能力;提高了重叠黏连线虫目标的检测能力和回归精度。此外,本文基于Vue、SpringBoot等技术开发了一款线虫存活状态检测系统,将该系统与本文改进后的模型部署到服务器,为研究人员提供了方便、高效的线虫死/活状态在线智能识别与计数服务。     

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YOLO-ODM的温室草莓成熟度的快速检测

为解决温室环境下草莓果实快速准确识别问题，提出一种基于改进YOLOv5s的草莓成熟度检测方法。在主干中引入Shuffle_Block作为特征提取网络，从而实现模型轻量化。同时，在颈部结构中使用全维度动态卷积模块（omni-dimensional dynamic convolution， ODConv），以提高网络对草莓目标的信息挖掘能力，降低计算量，并进一步实现轻量化。结果显示，改进后的YOLO-ODM（YOLO with ODConv module）模型的平均精度均值达97.4%，模型体积是7.79 Mb，在GPU上的单张平均检测时间仅11 ms，浮点运算量为6.9×10⁹。与原网络相比，轻量化的YOLO-ODM方法在提高检测精度的同时，模型大小缩减43%，浮点运算量降低52%。以上结果表明，该轻量化方法可快速准确地对温室环境下草莓果实的成熟度进行检测，实现草莓的生长状态监测。     

基于改进YOLOv7的苹果表面缺陷轻量化检测算法

针对如何提高苹果表面缺陷的检测速度和精度,解决模型内存占比大的问题,提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone,有效降低了模型复杂度,提高了检测速度。并引入SimAM无参注意力机制,以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合,进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失,进一步提高模型收敛速度和整体性能。结果表明,改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点,准确率和召回率也分别提升了1.7、3.9百分点,模型减小20.8 MB,速度提升36.43帧/s。其综合性能也优于SSD、CenterNet等主流算法,可实现对苹果表面缺陷的快速准确诊断。     

基于深度学习的番茄苗分级检测研究

分级是保证工厂化穴盘育苗质量的重要环节，本文根据番茄穴盘苗分级检测过程存在智能化水平低的问题，基于Darknet框架YOLOv3-Tiny卷积神经网络进行了算法改进。改进的算法进行了K-Means++聚类，增加YOLO检测层的数量，引入不同的SPP结构和CIOU损失函数。实验表明，与YOLOv3-Tiny算法相比，改进的YOLOv3-Tiny算法对番茄苗分级检测的mAP指标提高了9.8%，对壮苗的检测准确率为98.1%，无苗的检测准确率为94.80%，弱苗的检测准确率为93.62%。该算法能够对番茄苗的分级检测起到良好效果，为番茄穴盘苗高效识别提供了参考。