排序方式: 共有64条查询结果,搜索用时 0 毫秒
61.
基于YOLOv5s的深度学习在自然场景苹果花朵检测中的应用 总被引:5,自引:5,他引:0
疏花是苹果栽培的重要管理措施,机械疏花是目前最具有发展潜力的疏花方式,花朵的高效检测是疏花机器人高效作业的重要保障。该研究基于机器视觉与深度学习技术,提出了一种基于YOLOv5s深度学习的苹果花朵检测方法,在对田间拍摄得到的苹果花朵图像标注后,将其送入微调的YOLOv5s目标检测网络进行苹果花朵的检测。经测试,模型的精确率为87.70%,召回率为0.94,均值平均精度(mean Average Precision, mAP)为97.20%,模型大小为14.09 MB,检测速度为60.17 帧/s,与YOLOv4、SSD和Faster-RCNN模型相比,召回率分别提高了0.07、0.15、0.07,mAP分别提高了8.15、9.75和9.68个百分点,模型大小减小了94.23%、84.54%、86.97%,检测速度提升了126.71%、32.30%、311.28%。同时,该研究对不同天气、颜色和光照情况下的苹果花朵进行检测,结果表明,该模型对晴天、多云、阴天、小雨天气下苹果花朵的检测精确率分别为86.20%、87.00%、87.90%、86.80%,召回率分别为0.93、0.94、0.94、0.94,mAP分别为97.50%、97.30%、96.80%、97.60%。该模型检测白色、粉色、玫红色和红色花朵的精确率分别为84.70%、91.70%、89.40%、86.90%,召回率分别为0.93、0.94、0.93、0.93,mAP分别为96.40%、97.70%、96.50%、97.90%。该模型检测顺光和逆光条件下苹果花朵的精确率分别为88.20%、86.40%,召回率分别为0.94、0.93,mAP分别为97.40%、97.10%。结果表明YOLOv5s可以准确快速地实现苹果花朵的检测,模型具有较高的鲁棒性,且模型较小,更有利于模型的迁移应用,可为疏花器械的发展提供一定的技术支持。 相似文献
62.
63.
基于凸壳理论的遮挡苹果目标识别与定位方法 总被引:9,自引:8,他引:1
为实现受果树枝叶遮挡、果实间相互遮挡的果实目标识别,该文提出了一种基于凸壳理论的遮挡苹果目标识别方法。该方法首先将图像由RGB颜色空间转换至L*a*b*颜色空间,并利用K-means聚类算法将图像分为树叶、枝条和果实3个类别,然后利用形态学方法对果实目标进行处理,得到目标边缘并进行轮廓跟踪,接着利用目标边缘的凸壳提取连续光滑的轮廓曲线,最后估计该光滑曲线段的圆心及半径参数,实现遮挡果实的定位。为了验证该算法的有效性,利用Hough圆拟合算法进行了对比试验,试验结果表明,该方法的平均定位误差为4.28%,低于Hough圆拟合方法的平均定位误差16.3%,该方法显著提高了目标定位的精度,能够有效识别遮挡苹果。 相似文献
64.
针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3 600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP50:95为88.07%,浮点运算量为1.5×108,参数量为1.31×106,检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNe... 相似文献