排序方式: 共有116条查询结果,搜索用时 62 毫秒
1.
基于改进MobileNet-V2的田间农作物叶片病害识别 总被引:9,自引:9,他引:0
农作物病害是造成粮食产量下降的重要因素,利用智能化手段准确地识别农作物病害有利于病害的及时防治,该研究基于改进的MobileNet-V2识别复杂背景下的农作物病害,对未来覆盖各种作物的智能化病害识别工作具有重要意义。首先创建含有11类病害叶片及4类健康叶片的农作物数据集,采用数据增强操作构造不同的识别场景。其次在原始模型MobileNet-V2的基础上,嵌入轻量型的坐标注意力机制,建立通道注意力与位置信息的依赖关系。然后对网络中不同尺寸的特征图采取上采样融合操作,构建兼具网络高、低层信息的新特征图。此外,采用分组卷积并删除模型中不必要的分类层,减少模型参数量。试验结果表明:改进模型的参数量为2.30 MB,改进模型的识别准确率在背景复杂的农作物叶片病害数据集中达到了92.20%,较改进前提高了2.91个百分点。相比EfficientNet-b0、ResNet-50、ShuffleNet-V2等经典卷积神经网络架构,改进模型不仅达到了更高的识别准确率,还具有更平稳的收敛过程以及更少的参数。该研究改进的模型较好地平衡了模型的复杂度和识别准确率,为深度学习模型移植至田间移动病害检测设备提供了思路。 相似文献
2.
环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将本文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,本文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为,相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。 相似文献
3.
4.
轻量化玉米垄作免耕播种机设计与试验 总被引:5,自引:0,他引:5
针对目前东北地区的免耕播种机主要依靠自重增加下压力来保证开沟深度的问题,设计了2BQM-2型轻量化玉米垄作免耕播种机,重量为一般免耕播种机的一半,可减轻对土壤的压实。轻量化垄作免耕播种机采用悬挂方式与拖拉机联结成作业机组,利用拖拉机液压系统的位置调节法来控制破茬深度。为了验证作业机组的工作性能,田间试验以播种机速度、播种深度、秸秆覆盖量为试验因素,以免耕播种机的工作阻力和粒距合格率为试验指标,进行三因素五水平二次回归正交试验。试验结果得到的最佳工况组合为:播种机速度为1.21 m/s,播种深度为4.96 cm,秸秆覆盖量为0.73 kg/m2时,播种机工作阻力为3.62 k N,粒距合格率为93.63%。经过对免耕播种机优化设计有效减轻了免耕播种机的重量,减少了机器的制造成本和工作时对土壤的压实,降低了能耗。经田间测量镇压轮压实土壤的深度平均为10 mm,相对现有的垄台被压平的机具,工作效果良好。 相似文献
5.
在实船资料统计分析和基于船舶基本原理基础上,提出了适合渔政船设计初期空船重量及重心的估算公式,以此分析、整理出的回归方程更具有针对性。将空船重量、重心高度、重心纵向位置的公式计算结果与实船倾斜试验所得值相比较后发现,相对误差符合工程要求,重心纵向位置值亦在允许范围内。本估算方法可以给设计者以前期估算参考。 相似文献
6.
为在自然环境下自动准确地检测樱桃番茄果实的成熟度,实现樱桃番茄果实自动化采摘,根据成熟期樱桃番茄果实表型特征的变化以及国家标准GH/T 1193—2021制定了5级樱桃番茄果实成熟度级别(绿熟期、转色期、初熟期、中熟期和完熟期),并针对樱桃番茄相邻成熟度特征差异不明显以及果实之间相互遮挡问题,提出一种改进的轻量化YOLO v7模型的樱桃番茄果实成熟度检测方法。该方法将MobileNetV3引入YOLO v7模型中作为骨干特征提取网络,以减少网络的参数量,同时在特征融合网络中加入全局注意力机制(Global attention mechanism, GAM)模块以提高网络的特征表达能力。试验结果表明,改进的YOLO v7模型在测试集下的精确率、召回率和平均精度均值分别为98.6%、98.1%和98.2%,单幅图像平均检测时间为82 ms,模型内存占用量为66.5 MB。对比Faster R-CNN、YOLO v3、YOLO v5s和YOLO v7模型,平均精度均值分别提升18.7、0.2、0.3、0.1个百分点,模型内存占用量也最少。研究表明改进的YOLO v7模型能够为樱桃番茄果实的自... 相似文献
7.
为实现夜间树上金蝉若虫的快速准确检测,该研究以自然环境图像数据集为研究对象,结合近距离实际应用场景,考虑到嵌入式系统的模型小型化和计算过程轻量化,在保持精度指标基本不变的前提下,基于适度削减模型深度、宽度的思路对已有目标检测网络MobileNet-SSD提出改进。具体措施包括:删除骨干网络末端的小尺寸特征图卷积层,逐级裁剪模型整体宽度、适当增加中高层卷积深度,在目标检测的分类层和预测框的回归层中使用深度可分离卷积代替传统3×3卷积等措施,先后获取3种改进的精简模型以进行比较。夜间图像测试结果表明,在基本保持网络性能的前提下,改进后的模型大小及计算量均呈现大幅减小,其中最优模型大小从原MobileNet-SSD的15.22 MB减少到1.51 MB,模型的浮点运算量也由原先的1.13×109减少到1.26×108,其平均准确率达90.46%,平均交并比达83.52%,F1分数达92.35%,GPU上的检测速度达179.3帧/s,CPU上的检测速度达到6.49帧/s,与改进前的模型相比具有更好的综合性能,白天图像的试验结果也显示出较好的泛化性能。该文提出的改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,更适合部署在移动终端等资源受限设备上,可为金蝉的人工养殖提供有益参考。 相似文献
8.
平移式喷灌机行走速度及喷灌均匀度试验研究 总被引:1,自引:0,他引:1
为研究低压喷灌下喷灌机行走速度合理取值以及喷灌均匀度对土壤含水率均匀度的影响,以自行研制的轻小型平移式喷灌机为研究对象,通过室内单喷头试验和田间喷灌试验,探究了特定灌水定额下喷灌机的工作压力与行走速度关系,并对其水量分布、喷灌均匀度以及土壤含水率均匀度随时间变化进行了分析.结果表明:通过确定灌水定额能够计算出平移式喷灌机的行走速度和工作压力:当灌水定额分别为10,15,20 mm时,40~120 kPa喷灌压力下喷灌机行走速度最小为17.27 m/h,最大为58.65 m/h;增大喷灌压力能小范围提高均匀度,40 kPa工作压力均匀度为0.696,60~120 kPa喷灌压力下均匀度变化范围为0.731~0.788,喷灌水在土壤中的二次分布均匀度明显高于地表喷灌均匀度,40 kPa喷灌压力下喷后6 h土壤含水率均匀度达到0.906,24 h后达到0.953,可相应降低喷灌均匀度设计值以降低运行成本,节约能耗. 相似文献
9.
罐式汽车是专用汽车的一种,主要用来装运液状、粉末状、颗粒或气体等具有流动性的物品。从罐式汽车的使用材料、设计方法、结构等方面,指出罐式汽车轻量化的途径及趋势。 相似文献
10.
为保证山地果园索道安全稳定运行,并在网络环境较差的山地果园实现对索道驱动系统轴承故障诊断,该研究提出了一种一维端对端轻量化CNN检测方法1D-MRL-CNN(one-dimensional mountain ropeways lightweight convolutional neural network ),直接对采集到的一维振动信号进行检测。基于残差结构(residual structure)和深度可分离卷积(deep separable convolution),引入BN(batch normalization)层,在保证检测精度的同时大幅度降低模型的参数量和复杂度,并提升鲁棒性和泛化能力,适用于索道的变负荷工作状态;采用改进stem block模块、h_swish激活函数并在主体模块最后一层添加通道注意力机制(squeeze and excitation, SE),提高网络模型的特征提取能力。为了验证模型的综合性能、变负荷工况下的稳定性以及抗噪声干扰性能,利用帕德博恩(paderborn university, PU)和凯斯西储(case western reserve university, CWRU)数据集进行试验验证。PU数据集试验结果表明,该方法故障分类准确率达99.43%,相比同类最优网络分类准确率提高0.97个百分点;参数量为83.44 kB,分别是Resnet18、VGG16、MobileNetV3-large和ShuffleNetV1模型的2.19%、0.81%、2.84%和3.31%。CWRU数据集试验结果表明,该方法在变负荷工况下的平均准确率达96.70%,比Resnet18、WDCNN和MobileNetV3-large网络分别高9.1、4.7和10.5个百分点;在4种噪声工况下的平均识别准确率达99.14%,比Resnet18、WDCNN和MobileNetV3-large网络分别高4.74、1.24和5.51个百分点。最后通过自建数据集对模型的实际工况故障分类效果进行验证,1 400个样本中仅有2个故障样本预测错误,准确率达99.86%。本研究的网络模型参数量小、准确率高,在变负荷和有噪声的工况下鲁棒性较高,适用于山地果园运输索道的轴承故障检测。 相似文献