-
题名基于改进YOLOv3树上板栗栗蓬目标检测方法
- 1
-
-
作者
李志臣
凌秀军
李鸿秋
罗卫平
-
机构
金陵科技学院机电工程学院
-
出处
《中国农机化学报》
北大核心
2024年第11期209-214,共6页
-
基金
国家自然科学基金面上项目(51775270)。
-
文摘
板栗人工采收效率低、劳动强度大、易伤人,基于机器视觉的无人机采摘板栗栗蓬既高效又安全、为了快速识别和准确定位自然环境下板栗栗蓬目标,提出一种改进YOLOv3网络结构的YOLOvc栗蓬目标检测方法。通过在网络YOLOv3层前端添加融合通道注意力与空间注意力机制的CBAM注意力机制模块,提高深度学习网络模型对小栗蓬目标特征提取能力。在YOLOv3原有损失函数基础上添加焦点损失函数,提高对栗蓬遮挡等难分样本的检测识别能力。试验结果表明,YOLOvc算法能够有效检测板栗栗蓬,其查准率和平均精度分别达到89.35%、89.37%。消融试验对比结果显示,改进YOLOv3卷积神经网络对板栗树上栗蓬的检测识别精度比YOLOv3提高2.21%。研究结果表明,对YOLOv3添加注意力机制和焦点损失函数的深度学习算法YOLOvc可有效实现板栗树上栗蓬检测定位,为无人机采收板栗提供有效技术支持。
-
关键词
板栗栗蓬
YOLOv3
目标检测
CBAM
焦点损失
-
Keywords
chestnut peng
YOLOv3
object detection
CBAM
focal loss
-
分类号
S225
[农业科学—农业机械化工程]
TS736.4
[轻工技术与工程—制浆造纸工程]
-
-
题名基于改进YOLOv8的自然环境下板栗栗蓬检测方法
- 2
-
-
作者
李志臣
罗卫平
凌秀军
李鸿秋
-
机构
金陵科技学院机电工程学院
-
出处
《中国农机化学报》
2024年第12期251-258,共8页
-
基金
国家自然科学基金面上项目(51775270)。
-
文摘
针对人工敲打式收获板栗带来高成本和安全风险问题,研究无人机板栗采摘方法至关重要。为达到在自然光照条件下迅速且精确地识别板栗栗蓬目标,提出一种基于YOLOv8的改进卷积网络模型板栗栗蓬检测方法。对YOLOv8主干网络的C2f模块添加CBAM注意力机制,增强卷积网络模型对板栗栗蓬特征提取能力。在YOLOv8的头部增加一个微小栗蓬目标检测头,与YOLOv8原有的3个检测头共同组成检测模块,使网络模型更好地捕捉小板栗栗蓬目标特征。经自建数据集上的训练和验证试验,改进后卷积网络YOLOv8-Vcj板栗栗蓬检测精确率比YOLOv8高1.3%,mAP@0.5和mAP@0.5∶0.95值比YOLOv8分别提高4.6%和3.4%。改进卷积网络板栗栗蓬检测误差主要来自光照条件和图像中板栗栗蓬目标的密集程度。研究结果表明:融合CBAM注意力机制和增加微小目标检测头的改进卷积神经网络YOLOv8-Vcj能够有效实现树上板栗栗蓬的检测。
-
关键词
板栗栗蓬
YOLOv8
目标检测
CBAM
检测头
-
Keywords
chestnut peng
YOLOv8
object detection
CBAM
detection head
-
分类号
TS736.4
[轻工技术与工程—制浆造纸工程]
-
