为解决挖拔式木薯智能收获机械在作业过程需要快速准确地确定茎秆位置的问题,基于YOLO(You only look once)卷积神经网络提出一种检测速率更快且满足准确率的网络设计(CS-YOLO)。首先,采集并扩增木薯茎秆图像数据集,对样本集进行标注与...为解决挖拔式木薯智能收获机械在作业过程需要快速准确地确定茎秆位置的问题,基于YOLO(You only look once)卷积神经网络提出一种检测速率更快且满足准确率的网络设计(CS-YOLO)。首先,采集并扩增木薯茎秆图像数据集,对样本集进行标注与划分;然后,改进YOLOv1网络结构,利用全局平均池化替代全连接层,并适当调整网络深度和宽度,设计了一种新的网络;最后,对网络进行检测性能试验和对比分析。结果表明:新网络模型尺寸较原网络大小减少约一半,平均每张图像的检测耗时约0.015s,检测速度显著提升;当测试阶段IOU(Intersection Over Union)阈值为0.1时,模型准确率达到了99%,提出的检测方法可满足木薯收获机精准作业要求。研究可为实时、准确地检测田间木薯茎秆位置提供了一种新的思路和方法,也为仿生挖拔式木薯收获机提供了技术支撑。展开更多
文摘为解决挖拔式木薯智能收获机械在作业过程需要快速准确地确定茎秆位置的问题,基于YOLO(You only look once)卷积神经网络提出一种检测速率更快且满足准确率的网络设计(CS-YOLO)。首先,采集并扩增木薯茎秆图像数据集,对样本集进行标注与划分;然后,改进YOLOv1网络结构,利用全局平均池化替代全连接层,并适当调整网络深度和宽度,设计了一种新的网络;最后,对网络进行检测性能试验和对比分析。结果表明:新网络模型尺寸较原网络大小减少约一半,平均每张图像的检测耗时约0.015s,检测速度显著提升;当测试阶段IOU(Intersection Over Union)阈值为0.1时,模型准确率达到了99%,提出的检测方法可满足木薯收获机精准作业要求。研究可为实时、准确地检测田间木薯茎秆位置提供了一种新的思路和方法,也为仿生挖拔式木薯收获机提供了技术支撑。
