排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
采用改进YoloV4模型检测复杂环境下马铃薯 总被引:1,自引:6,他引:1
为解决马铃薯联合收获机在作业过程中分级清选的问题,并在收获作业过程中实时监测评估收获状态,该研究提出一种在光照亮度变化大、土壤与薯块遮挡、机器振动以及尘土干扰等情况下对马玲薯进行识别检测并快速准确获取马铃薯数量以及损伤情况的机器学习模型。在卷积神经残差网络中引入轻量级注意力机制,改进YoloV4检测网络,并将YoloV4结构中的CSP-Darknet53网络替换为MobilenetV3网络,完成特征提取。试验结果表明,基于卷积神经网络的深度学习方法相比于传统Open-CV识别提高了马铃薯识别精度,相比于其他传统机器学习模型,MobilenetV3-YoloV4识别速度更快,马铃薯识别的全类平均准确率达到91.4%,在嵌入式设备上的传输速度为23.01帧/s,模型鲁棒性强,能够在各种环境下完成对正常马铃薯和机械损伤马铃薯的目标检测,可为马铃薯联合收获机智能清选以及智能收获提供技术支撑。 相似文献
2.
以甘蓝型油菜‘湘油15号’为试材,通过生物信息学分析,运用CRISPR/Cas9系统对Bna SDG8第1个外显子上的Bna SDG8–A和Bna SDG8–C保守序列区域进行CRISPR/Cas9敲除位点设计,构建了CRISPR/Cas9敲除载体p CAMBIA1300–sg RNA/Cas9–Bna SDG8;通过遗传转化,获得转化植株19株;经测序比对,4株植株的Bna SDG8被成功编辑;通过对定向敲除植株开花时间的统计分析,初步确定Bna SDG8参与甘蓝型油菜开花时间的调控。 相似文献
3.
1