改进的基于YOLOv5s苹果树叶病害检测

针对目前在复杂环境下苹果树叶病害检测准确度低、鲁棒性差、计算量大等问题,提出一种改进的基于YOLOv5 s苹果树叶病害的检测方法.首先,该方法在YOLOv5 s网络基础上,选择考虑方向性的SIoU边框损失函数替代CIoU边框损失函数,使网络训练和推理过程更快,更准确.其次,在特征图转换成固定大小的特征向量的过程中,使用了简单化的快速金字塔池化(SimSPPF)替换快速金字塔池化(SPPF)模块,在不影响效率的情况下丢失的信息更少.最后在主干网络中使用BoTNet(bottleneck transformers)注意力机制,使网络准确的学习到每种病害的独有特征,并且使网络收敛更快.结果表明,相比于基准网络YOLOv5 s,改进后的YOLOv5 s网络mAP精度为 86.5%,计算量为15.5GFLOPs,模型权重大小为 13.1 MB,相对于基准 YOLOv5 s,平均精度提升了 6.3 百分点、计算量降低了0.3GFLOPs、模型权重压缩了 1MB.并适用于遮挡、阴影、强光、模糊的复杂环境.本研究所提出的方法,在降低了网络大小、权重、计算量的情况下提高了复杂环境下苹果树叶病害的检测精度,且对复杂环境具有一定的鲁棒性.在预防和治理苹果树叶病害上有较高的实际应用价值,在后续研究上,会扩充更多类别的病害数据集,部署到无人机等物联网设备,从而为实现智能果园种植提供技术参考.     

基于改进YOLOv5s的自然环境下梨花识别

针对梨花密集、遮挡严重、目标太小导致的召回率低的问题,本文提出基于改进YOLOv5s的自然环境下梨花识别方法。该方法首先添加了小目标检测层,通过增加CSPDarknet主干特征提取网络的浅层输出特征层,以及在PANet加强特征提取网络中对该浅层特征层进一步特征融合,增大了对浅层特征和细节信息的提取能力。其次,在PANet网络中引入了CBAM注意力模块,提高了对重要特征的表达能力。结果表明,本文改进的YOLOv5s-P-CBAM网络模型能够有效降低漏识别率,改进后模型的精确率、召回率、F₁值、mAP分别为91.62%、83.05%、87.12%、94.06%,相比原模型分别提高了0.16%、1.55%、0.93%和0.61%。此外,对‘雪青’、‘鸭梨’和‘秋月’3个品种的梨花图像均能实现较好的识别效果,具有较强的泛化性,为梨园的机器智能疏花提供了技术支持。     

基于改进YOLOv5s的不同成熟度苹果目标检测方法

[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。     

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

基于改进YOLOv5s算法的虾脊兰炭疽病识别

虾脊兰(Calanthe discolor Lindl.)炭疽病严重影响作物品质,必须在种植区进行海量植株的快速准确识别。然而由于背景环境复杂、种植密集与病叶形态的多样,传统的人工及机器学习识别均难于在精度与速度上满足要求。针对这一问题,本文提出了一种改进的虾脊兰炭疽病识别方法。本方法 YOLOv5s (You Only Live Once v5s)网络作为基础,引入注意力机制以提升病变部位的识别能力,利用样本变换方法适应多叶片形态的多样性,并针对改进了冗余的边界框的消除机制降低了误判与漏判。在实验中,本文构建了虾脊兰样本数据集作为测试数据,并将本方法与传统的深度目标识别方法进行对比,在测试数据集上平均准确率最高达95.4%,模型存储空间为13.78MB,每秒传输帧数为91f/s。平均准确率比FasterR-CNN、YOLOv3、YOLOv4、YOLOv5l、YOLOv5s分别高出0.97%、8.06%、1.82%、0.58%、1.81%。结果表明本文提出的方法在识别精度、识别速度上均获得了较大的提升,并仅需较小的模型部署,以上特征使得本方法更加适用于虾脊兰炭疽病识别的实际工作。     

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YO-LOv5s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BCE-YOLOv5的苹果叶部病害检测方法

针对自然环境中,人工目视解译苹果叶部病害耗时耗力、人为主观因素强的问题.本研究提出了一种融合自注意力机制和Transformer模块的目标检测算法——BCE-YOLOv5,实现对自然环境下对苹果叶片病虫害的自动识别与检测.该算法首先使用BotNet、ConvNeXt模块分别替换Backbone网络和Neck网络的CSP结构,增加自注意力机制对目标的特征提取能力.通过将改进的CBAM引入YOLOv5 的特征融合网络之后,使注意力机制对特征融合信息更加地关注.最后,用α-IoU 损失函数替换IoU 损失函数,使得网络在模型训练过程中收敛的更加稳定.BCE-YOLOv5 算法在传统算法YOLOv5 基础上平均精准率均值提升了2.9 百分点,并且改进后的算法的模型大小和计算量较传统算法分别减小了0.2M和0.9 GFLOPs.平均精度均值比YOLOv4s、YOLOv6s、YOLOx-s和YOLOv7 模型分别高2.5、1.3、3.5、2.2 百分点.该方法能快速准确识别苹果叶部病害,为苹果种植过程中提供智能化管理做参考.     

基于改进YOLOv5网络的疏果前苹果检测方法

为了实现自然环境下疏果前苹果的快速识别和精确定位,满足果园智能化种植需求,提出了一种基于改进的YOLOv5 深度学习的检测模型.首先,为了解决苹果的尺度大小不一带来的问题,改进目标检测层,在YOLOv5 的第 17 层之后对特征图进行上采样,在第20 层将网络提取到的特征图与Backbone网络中的第2 层特征图进行融合操作,以生成不同尺寸的检测层.其次,为了克服复杂环境的影响,改进特征融合网络,使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合,来更有效地提取目标信息.最后,将采集到的苹果图像进行不同网络模型检测效果对比试验.试验表明,改进的模型经过 8274 幅图像训练,在 2759 幅测试集上的检测准确率为 94.2%,召回率为95.2%,F1 值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5 网络,准确率分别提高了4.4%、7.0%、2.3%,F1 值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4 网络,图像的检测速度分别提高了 13.5、21.4 ms/幅.结果表明,在保证检测实时性的情况下,该方法可以有效识别复杂环境下的苹果.     

基于自注意力机制和改进YOLOv5s的小目标生物检测

为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类,提出一种基于改进YOLOv5s的小目标生物检测算法.在特征提取阶段,引入基于多头自注意力设计的自注意力残差模块,强化网络全局建模能力的同时,强化目标特征信息;在特征融合阶段,将特征融合网络调整为添加横向连接的双向特征金字塔结构,增强网络融合不同阶段特征信息的能力;在检测阶段,舍弃大目标检测尺度并添加小目标的检测尺度,提升小目标生物的检测精度;最后,引入α-CIoU损失函数作为模型边界框回归损失函数,提高边界框回归精度,进而提高算法检测准确率.定性试验中,几乎所有肉眼可见的水产品目标都被改进模型检出,并正确标记,体现了改进算法的有效性.α值选取试验中,α值为2.0时效果最佳,平均精度均值(mAP)均优于其他值的,达到 0.857,较α值为 1.0时的提升了 0.016.消融试验中,添加任一优化方法均会提升改进模型的检测精度,最终改进模型的mAP达0.873,较原模型的提升了0.032,模型参数量减少了26.8%,仅有5 M.对比试验中,改进模型的mAP较Faster RCNN、YOLOv3、YOLOv4、YOLOv5s、YOLOvX、SSD、NAS-FCOS、改进YOLOv5等的提升了0.020以上;改进模型在本地服务器的检测速度达139帧/s,较YOLOv5s的提升了14帧/s,略逊于以检测速度著称的SSD模型的.可见,改进模型能满足轻量和实时性要求.改进模型也成功部署到安卓移动设备中.     

基于融合非局部操作的YOLOv5s高密度锦鲤鱼苗检测方法

针对现有方法在高密度锦鲤鱼苗目标检测任务中适用性差的问题,提出一种基于非局部操作的YOLOv5s(MS-Non-local BIFPN coordinate attention YOLOv5s, NBC-YOLOv5s)目标检测算法。首先,在YOLOv5s的主干网络中,添加多尺度非局部操作算子(multi scale non-local, MS-Non-local),增强模型对高密度锦鲤鱼苗的特征提取能力;其次,在颈部网络使用双向加权特征金字塔结构(bi-directional feature pyramid network, BIFPN)提升模型特征融合效率;最后,在网络的特征融合处,引入坐标注意力机制(coordinate attention, CA),增加模型对图片关键信息的关注度。为验证本文算法的有效性,结合真实渔场环境建立锦鲤鱼苗数据集。实验结果表明,NBC-YOLOv5s的精确率、召回率、平均精度均值(mAP)分别为88.5%、89.7%、93.7%,与YOLOv5s相比,改进后网络较原模型分别提升0.6、9.0、4.4百分点。为验证MS-Non-local对YOLOv5s的性能提升效果,本文对比了卷积注意力(convolutional block attention module, CBAM)、通道注意力(squeeze and excitation, SE)、双层路由注意力(bi-level routing attention, BRA)3种机制。结果表明,MS-Non-local的mAP相较于CBAM、SE、BRA分别提升了2.6、2.1、0.9百分点。并且通过模型拆解,分析了本文方法对不同密度锦鲤鱼苗图像的检测有效性,结果显示,该算法可实现真实场景下对高密度锦鲤鱼苗的检测,能够为筛选高品质锦鲤提供有效技术支撑。     

基于安卓的动物疫病远程诊断系统设计与开发

为了更好地助力于飞速发展的福建省养殖业,依托日益普及的移动3G通讯技术,设计开发了基于安卓的动物疫病远程诊断系统。从动物疫病远程诊断系统的总体设计思路、系统实现的方式方法及最终所实行的功能等几方面进行阐述,说明了该系统具有简单实用,方便易推广的特点,它终将成为全省广大养殖户和农业专家工作的好助手。     

苹果轮纹病发生规律及条件的研究

1997～2000年开展了负载量、施肥水平对苹果轮纹病的影响试验,并对辽宁省苹果轮纹病发生规律及条件进行了调查研究.结果表明,枝果比过小导致负载量过大,加重轮纹病的发生,枝果比(5～6)∶1的病情指数较低,且有较高的产量和较好的质量.施肥水平比正常量增加0.5或0.75倍不但有利于减轻轮纹病的发生,而且产量显著增加.富士系、元帅系等品种为高感品种,国光、珊夏等少数品种为中度或轻度感病品种,鸡冠为抗病品种.降雨特别是7、8月降雨量大加重粗皮病发生.土壤质地较轻、容重较小、有机质和全N含量高是减轻轮纹病发生的重要条件.连续环剥或过量应用PP333加重轮纹病的发生.     

基于Android智能移动终端的农资安全监管系统设计与实现

在农资市场监管部门执法过程中,针对检查手段信息化和现场证据采集便捷、及时、有效的现实需求,综合采用基于Android平台的移动互联网技术、Web Service技术、QR二维码技术,构建农资市场安全监管的业务模型,在此模型基础上研发了基于Android移动终端的农资安全监管系统,并在北京市某区成功应用示范。     

基于Android手机和图像特征识别技术的植物叶片分类系统的研究

通过对植物叶片进行分类,在植物种类鉴别研究中有着重要的意义.在传统的植物叶片分类中,大多都是在PC机上构建叶片分类系统.该研究基于Android操作系统手机平台,构建了结合图像特征识别技术的植物叶片分类系统,设计了系统的主界面及相关操作界面,在VS开发环境下利用OpenCV中图像处理的相关类函数,实现图像处理的过程,最终通过在Android开发环境下调用本地C++代码的方式实现整个系统.     

基于Android人工影响天气智能终端的研制与应用

为了快速、准确地实现对人工影响天气作业的响应,建立了一种基于Android的智能移动作业终端系统,详细介绍了该系统的总体框架、主要功能、操作流程,并重点围绕基本指令信息收发、移动GIS平台应用、视频传输应用3个方面,分别就其中的一些关键技术点如自适应心跳包、矢量栅格数据的传输及显示、终端GIS坐标转换、视频编码器的裁剪和优化、流媒体传输优化及差错控制进行了阐述.初步试验结果表明,该系统的特点及优势均较明显.     

基于Android平台下高校师生作业答题系统的设计与实现

研究了基于Android平台下作业答题系统的设计与实现过程,该系统是使用Java语言和Eclipse集成开发环境进行开发的应用程序,实现了作业答题的基本功能,即教师上传作业,学生下载、完成、提交作业等功能。在作业存储时采用SQLite数据库完成。本应用已经在手机和模拟器上通过测试并且运行稳定。     

基于ArcEngine的白水县苹果信息管理系统设计与实现

结合组件式地理信息系统(GIS)开发技术,基于Visual Studio 2008(C#语言)开发平台,以ArcEngine9.3组件为开发工具,并在ArcCatalog中建立用于存储系统所需的空间和属性数据的Personal Geodatabase数据库,采用嵌入式集成方式,开发出基于GIS的白水县苹果信息管理系统。该系统不仅能够对白水县苹果信息资源进行查询、统计分析、生成相关报表等,还能进行病虫害防治分析及对未来产量进行预测,实现了对白水苹果资源高效、科学、准确的管理,为相关部门提供科学的决策依据。     

基于Android和Openlayers的旅游导览系统

为给游客提供全面的旅游信息,完善旅游服务体系,提升景区的服务和管理水平,本文以开源的Android和Openlayers为技术核心,以轻型数据库SQLite为数据支撑,开发出了具有导航、线路规划、定位、景点查询等众多功能的旅游导览系统.经检验,系统运行良好,证明了将Android和Openlayers用于地理信息开发时具有高效性和低成本性.     

基于Android平台的规模化养殖管理用户定位系统的设计与开发

[目的]针对当前规模化养殖人员的有效管理。[方法]设计基于Android平台的定位系统,获取人员定位的位置数据。[结果]对单人轨迹和多人轨迹实现可视化查看,并进行实时监控。[结论]定位系统运行稳定,能够较好地达到实时定位的目的。     

北京昌平苹果质量安全追溯系统设计与实现

随着社会经济的发展,人们对果品质量安全的要求越来越高。以北京昌平苹果为研究对象,以集约化管理的苹果种植合作社作为试点,构建出了一个以实现质量追溯、查询、监管为目的的昌平苹果质量安全追溯系统。该系统已经在"第十一届昌平苹果文化节"期间得以应用,运行结果表明,北京昌平苹果质量安全追溯系统的设计与实现,为实现北京市食用林产品质量安全的全程追溯打下了基础,同时提高了昌平苹果的产品附加值和企业声誉,增强了市民的安全意识。