-
题名基于特征融合注意力机制的樱桃缺陷检测识别研究
- 1
-
-
作者
代东南
马睿
刘起
孙孟研
马德新
-
机构
青岛农业大学动漫与传媒学院
青岛农业大学智慧农业研究院
-
出处
《山东农业科学》
北大核心
2024年第3期154-162,共9页
-
基金
山东省自然科学基金项目(ZR2022MC152)
山东省高等学校青创人才引育计划项目(202202027)。
-
文摘
针对现有樱桃缺陷检测识别中存在的问题,为实现移动端智能化快速检测与精准识别,本研究提出了一种基于卷积神经网络对樱桃图像进行缺陷检测识别的轻量化模型,可为开发樱桃的移动端无损化智能检测系统奠定理论基础。首先,将采集到的完好樱桃、刺激生长樱桃、双胞胎樱桃和腐烂樱桃4类樱桃图像经预处理后按比例划分训练集、验证集和测试集。其次,基于迁移学习对比分析NASNet-Mobile、MobileNetV2、ResNet18、InceptionV3、VGG-16网络模型后,选择各方面性能表现良好的MobileNetV2为基线模型,通过微调构建I-MobileNetV2模型;然后在I-MobileNetV2基础上,嵌入坐标注意力(CA)模块,构建ICA-MobileNetV2模型,该模型平均准确率达到97.09%,相比于基线模型(90.02%)提高7.85%,比I-MobileNetV2模型(94.34%)提高2.91%。可见,ICA-MobileNetV2作为可部署移动端的轻量化模型,具有较高准确率和较少参数,适用于樱桃缺陷检测与多分类任务,为樱桃缺陷检测与品质分级研究提供了新思路。
-
关键词
樱桃
缺陷检测
卷积神经网络
坐标注意力机制
-
Keywords
Cherry
Defect detection
Convolutional neural network
Coordinate attention mechanism
-
分类号
S126
[农业科学—农业基础科学]
-
-
题名基于注意力机制的轻量化VGG玉米籽粒图像识别模型
被引量：1
- 2
-
-
作者
孙孟研
王佳
马睿
代东南
刘起
穆春华
马德新
-
机构
青岛农业大学
山东省农业科学院玉米研究所
-
出处
《中国粮油学报》
CAS
CSCD
北大核心
2024年第1期189-195,共7页
-
基金
山东省自然科学基金项目(ZR2022MC152)
山东省高等学校青创人才引育计划项目(202202027)。
-
文摘
玉米是重要的生产资料,为实现对玉米种子的识别与保护,实验采集了5个玉米品种,经处理后共获得1778张玉米籽粒图像,建立胚面与胚乳面混合的数据集。按7∶2∶1的比例划分训练集、验证集和测试集。首先基于迁移学习选取DenseNet121、MobileNetV2、VGG16和GoogLeNet对玉米籽粒图像进行识别,在测试集上的准确率分别是94.32%、93.18%、95.45%和92.61%,由于在VGG16上的准确率最高,所以选择对VGG16进行改进,在对模型进行轻量化处理的同时引入通道注意力SE模块,构建一个新的网络模型L-SE-VGG,并与未预训练的VGG16、迁移学习的VGG16和不加SE模块的L-VGG进行对比,最终在L-SE-VGG上的识别准确率高达98.86%。研究为深度学习技术在玉米籽粒品种识别中的应用提供了新的有效策略和实验方法,为玉米籽粒品种的识别和检测提供了参考。
-
关键词
VGG16
SE模块
图像识别
深度学习
玉米籽粒
-
Keywords
VGG16
SE block
image recognition
deep learning
corn kernel
-
分类号
S126
[农业科学—农业基础科学]
-
-
题名基于改进YOLOv5s的草莓成熟度实时检测算法
- 3
-
-
作者
梁敖
代东南
牛思琪
许晓琳
周延培
马德新
-
机构
青岛农业大学传媒学院
-
出处
《山东农业科学》
2024年第11期156-163,共8页
-
基金
山东省重点研发计划项目(2024CXGC010905,2023TZXD023)
山东省自然科学基金项目(ZR2022MC152)
中央引导地方科技发展专项计划项目(23-1-3-6-zyyd-nsh)。
-
文摘
本研究提出了一种基于YOLOv5s的草莓成熟度实时检测算法YOLOv5s-SCS,该算法针对检测过程中草莓数量多、体积小、果实之间遮挡、重叠、密集等特点,优化了对小目标和密集目标存在误检和漏检等问题,显著提升了检测速度。首先,引入SimOTA匹配算法动态分配成熟草莓正样本,提高成熟草莓的识别能力;其次,将YOLOv5s颈部的部分C3模块替换成C2f模块,实现了模型的轻量化,提升了模型的平均检测精度;最后,在YOLOv5s骨干网络的首个C3模块中添加具有全局感受野的SE(Squeeze-and-Excitation)注意力机制,该机制通过自动学习方式获取每个特征通道的重要程度,并且利用得到的重要程度来提升特征并抑制对当前任务不重要的特征。实验结果表明,改进后的算法平均精度均值、精确率、召回率、模型体积、检测速度分别为98.3%、92.6%、96.6%、13.5 MB和89.3 FPS,相较于原始YOLOv5s平均精度均值提高了1.8个百分点,精确率和召回率分别提升了1.3个和2.1个百分点,模型体积减小了0.3 MB,检测速度提高了82.24%,NMS(非极大值抑制处理)和图像预处理的时间大幅缩减,检测速度达到实时检测要求。该算法与其他算法比较,识别精度及模型体积均优于其他算法,在复杂环境下具有良好的鲁棒性,为开发草莓成熟度实时检测系统提供了解决方案。
-
关键词
深度学习
草莓成熟度检测
YOLOv5s
SE注意力机制
SimOTA
-
Keywords
Deep learning
Strawberry maturity detection
YOLOv5s
SE attention mechanism
SimOTA
-
分类号
S668.4
[农业科学—果树学]
S126
[农业科学—农业基础科学]
-
