CN116110042A - 一种基于YOLOv7的CBAM注意力机制番茄检测方法 - Google Patents
一种基于YOLOv7的CBAM注意力机制番茄检测方法 Download PDFInfo
- Publication number
- CN116110042A CN116110042A CN202310117844.3A CN202310117844A CN116110042A CN 116110042 A CN116110042 A CN 116110042A CN 202310117844 A CN202310117844 A CN 202310117844A CN 116110042 A CN116110042 A CN 116110042A
- Authority
- CN
- China
- Prior art keywords
- tomato
- cbam
- string
- yolov7
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000007246 mechanism Effects 0.000 title claims abstract description 29
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 65
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000011897 real-time detection Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 241000227653 Lycopersicon Species 0.000 abstract 4
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Robotics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于YOLOv7的CBAM注意力机制番茄检测方法,具有降噪、提高识别准确率等优点。首先对采集的温室串型番茄图像进行标注、数据增强和数据集划分操作,其次在图像输入目标检测主干网络提取特征之前引入高斯滤波器,对图像进行降噪处理,然后在主干网络提取特征结束之后将CBAM模块引入YOLOv7模型,从通道域和空间域依次进行特征增强,进一步提高串型番茄的识别准确率。数据显示识别准确率可达95.8%,实地识别率可达91%,本方法在检测准确率和检测速度两方面达到实用化的要求,进一步推动番茄采摘机器人及设施农业的发展。
Description
技术领域
本发明涉及计算机视觉和数字图像处理领域、深度学习领域及番茄采摘机器人技术领域,尤其涉及一种基于YOLOv7的CBAM注意力机制番茄检测方法。
背景技术
传统的目标检测方法主要通过区域、颜色及边缘的特性来实现检测与识别,这种方法对串型番茄的检测准确率相对较低,性能一般,稳定性较差。随着人工智能的不断发展,深度学习逐渐应用于各个领域,在设施农业领域取得了不错的成果,基于深度学习的目标检测算法有着更强的鲁棒性,大大提高了目标检测的效率。
针对温室大棚中串型番茄的复杂生长环境及其生长特性,首先以串型番茄的果实颜色来判断番茄是否符合采摘条件,其次对算法进行改进以解决番茄采摘遇到的噪声影响、枝叶遮挡、果实覆盖等问题,使番茄采摘机器人能够在温室进行自动化精准采摘,进而推动设施农业的发展。
在温室大棚进行的目标检测中,待检测图像往往存在一定程度的噪声干扰,甚至会淹没某些有用特征,给目标检测增加一定的难度。采用高斯滤波来平滑图像是一种常见的图像平滑方法。无论是对原始图像,还是某些特征图像做一定的平滑处理,都有利于特征提取,尤其对于目标物体与背景比较相似的图像(即未成熟的绿色串型番茄与枝条叶片),进行背景去噪后将更有利于物体检测。
由于环境复杂、果实覆盖、枝叶遮挡、番茄的生长特性等原因,导致番茄采摘机器人的识别率较低,将CBAM注意力机制引入YOLOv7以提高识别率。
发明内容
为解决现有技术的缺点和不足,提供一种基于YOLOv7的CBAM注意力机制番茄检测方法,针对番茄采摘机器人现有目标检测方法准确率较低、环境复杂、噪声干扰等问题,将CBAM注意力机制引入YOLOv7以提高识别率。这是一种用于前馈卷积神经网络的简单而有效的注意模块。给定一个中间特征图,CBAM模块会沿着两个独立的维度(通道和空间)依次推断注意力图,然后将注意力图乘以输入特征图以进行自适应特征修饰,YOLOv7引入注意力机制后将大大提高检测效率。
为实现本发明目的而提供的一种基于YOLOv7的CBAM注意力机制番茄检测方法,包括有如下步骤:
步骤1,采集串型番茄图像,并对其进行标注、数据增强以及数据集划分操作;
步骤2,对模型输入图像数据引入高斯滤波器进行降噪处理,以减免噪声的干扰;
步骤3,基于YOLOv7技术,引入CBAM注意力机制,构建串型番茄实时检测模型Tomato-CBAM;本发明创新性地提出在YOLOv7模型引入CBAM注意力机制模块,使模型加强特征图的重要信息,同时抑制非重要信息,从而达到提高模型检测的准确率和速度;
步骤4,对步骤3构建的串型番茄实时检测模型Tomato-CBAM进行训练;
步骤5,对步骤4训练好的串型番茄实时检测模型Tomato-CBAM进行验证,数据显示其准确率可达到95.8%;
步骤6,采用验证后的串型番茄实时检测模型Tomato-CBAM对温室串型番茄进行实时检测,其实时识别准确率可达91%。
作为上述方案的进一步改进,所述步骤1中采集番茄图像,并对其进行标注、数据增强以及数据集划分操作的过程为:首先在温室大棚中对串型番茄图像进行采集,经过整理,使用LabelImg工具对番茄图像进行标注,再进行图像数据增强,最后将串型番茄图像数据集按照训练集:验证集:测试集=8:1:1进行划分。
作为上述方案的进一步改进,所述步骤2中引入高斯滤波器,具体为:所述高斯滤波器添加在图像输入目标检测主干网络提取特征之前,将原始图像中的一些高频噪声抑制掉,减少卷积神经网络提取特征过程中高频噪声对有用特征的影响,将这种处理有效地应用在番茄采摘机器人的目标检测中,可以进一步提升番茄采摘的检测性能。
作为上述方案的进一步改进,所述步骤3中构建串型番茄实时检测模型Tomato-CBAM,具体为:在主干网络提取特征结束之后添加了一个CBAM模块,目的是在一个信息比较完备的特征图上进行特征增强操作,既能保证特征信息的完整性,又能提高特征图的信息表达能力。改进后的通道注意力模块将多层感知机替换为高效通道注意力模块,将全连接替换为只注意相邻的k个通道,来获取通道之间的相互作用,仅通过一个一维卷积就可以实现,理论上取得更好效果的同时减少了计算量。
本发明的有益效果是:
与现有技术相比,本发明具有以下优点:
1.YOLOv7是目前比较先进的目标检测算法。YOLOv7在5FPS到160FPS的范围内,无论是速度还是精度,都超过了目前已知的检测器。在V100上进行测试,精度为56.8%AP的模型可达到30FPS(batch=1)以上的检测速率,是目前唯一一款在如此高精度下仍能超过30FPS的检测器。
2.多方面改进,在温室大棚进行的目标检测中,待检测图像存在一定程度的噪声干扰,不利于提取图像特征,给目标检测增加了一定的难度。针对这一问题,引入高斯滤波器,对特征图像做一定的平滑处理,有利于特征提取;针对环境复杂导致番茄识别准确率较低的问题,把CBAM注意力机制引入YOLOv7模型,CBAM模块会沿着两个独立的维度(通道和空间)进行特征增强,YOLOv7引入注意力机制后将大大提高检测效率。
3.引入卷积块的注意力机制模块CBAM,在通道域和空间域分别采取特征增强。其主要作用是使得特征图更多地包含或更能表现出目标检测器所感兴趣区域的特征,通过这样的方式有利于目标检测器在有限的获取信息的能力下得到更多的有效信息,进而提高检测器的检测性能。
本发明基于YOLOv7的核心思想,充分利用基于深度学习的目标检测原理,将输入的串型番茄图像经过高斯降噪后,提取串型番茄目标特征,引入CBAM注意力机制,识别该图像片段中番茄的类别。
附图说明
以下结合附图对本发明的具体实施方式作进一步的详细说明,其中:
图1为本发明方法流程示意图;
图2为本发明的标注示范图;
图3为本发明的引入注意力机制的模块图;
图4为本发明的通道注意力机制改进结构图。
具体实施方式
如图1所示,包括有如下步骤:
步骤1,采集串型番茄图像,并对其进行标注、数据增强以及数据集划分操作,具体为:首先在温室大棚中对串型番茄图像进行采集,经过整理,使用LabelImg工具对番茄图像进行标注,再进行图像数据增强,最后将串型番茄图像数据集按照训练集:验证集:测试集=8:1:1进行划分。在山西太谷田森杜氏番茄小镇进行串型番茄的图像采集。经过整理后,对数据进行标注,标签为“mature”和“raw”,标注示范图如图2所示。然后对串型番茄图像进行数据增强处理,增加数据的多样性,形成串型番茄数据集。最后将串型番茄数据集在Ubuntu22.04环境下按照训练集:验证集:测试集=8:1:1进行划分,数据总体分为成熟和不熟两大类。
步骤2,对模型输入图像数据引入高斯滤波器进行降噪处理,以减免噪声的干扰,具体为:在图像输入目标检测主干网络提取特征之前,添加一个高斯滤波器,使其将原始图像中的一些高频噪声抑制掉,减少卷积神经网络提取特征过程中高频噪声对有用特征的影响。将这种处理有效地应用在番茄采摘机器人的目标检测中,可以进一步提升番茄采摘的检测性能。
高斯滤波器是一种线性滤波器,根据高斯函数的形状来设置滤波器窗口内各个位置的权重,该滤波窗口的中心权重最大,四周位置逐渐减小,因而可以有效地抑制服从正态分布的噪声,对输入信号具有平滑作用。
以高斯函数的形状来确定的权重组合在一起便构成了高斯滤波器的模板系数,也可称之为滤波器窗口系数,随着距离模板中心越近,模板系数越大。要生成一个尺寸为(2k+1)×(2k+1)的滤波器系数,坐标原点为窗口中心点,将窗口内各个像素点的位置坐标代入离散化高斯函数,如下列公式所示,即可得到滤波器窗口系数。
对于一个高斯滤波器来说,最重要的是需要确定两个参数,一个是k,即滤波器窗口大小,另外一个是标准方差σ,其代表了数据的离散程度。高斯滤波器由于滤波器窗口中心权重大,周围位置逐渐减小,通过调节标准方差可得到不同系数的模板,有利于在图像模糊和图像降噪之间得到平衡,因此需要选择比较合适的标准方差来为深层次的特征图生成高斯滤波器卷积核。
步骤3,基于YOLOv7技术,引入CBAM注意力机制,构建串型番茄实时检测模型Tomato-CBAM,具体为:CBAM表示卷积块的注意力机制模块。CBAM关注域不但含有通道域,而且包含了空间域,在关注域上对各种特征分别施加不同的权重,以此来达到增强感兴趣区域特征的目的。其基本原理为:对于待处理的特征图,先在通道域对特征加强,将处理后的特征图与原始特征图相乘,然后再通过空间域,对某些特征加强,同时弱化某些特征,这样生成的特征图有效利用了网络资源,自动推断出了特征加强区域与弱化区域。
CBAM模块在通道域和空间域分别采取注意力机制,其主要作用是使得特征图更多地包含或更能表现出目标检测器所感兴趣区域的特征,通过这样的方式有利于目标检测器在有限的获取信息的能力下得到更多的有效信息,进而提高检测器的检测性能。
通道注意力模块将输入的特征图在宽维度和高维度上分别应用最大值池化和平均值池化,通过多层感知机加强特征提取,再把两张特征图拼接起来形成一个完整的特征图,最后用sigmoid激活函数激活,得到通道注意力模块的输出。输入特征图为F,输出特征图为MC。
CBAM模块通道注意力机制中的多层感知机是一个压缩激励模块。将多层感知机替换为高效通道注意力模块,将全连接替换为只注意相邻的k个通道,来获取通道之间的相互作用,仅通过一个一维卷积就可以实现,理论上取得更好效果的同时减少了计算量。通道注意力机制改进结构图如图3所示。
空间注意力模块的输入是在通道注意力完成之后得到的。首先在通道维度上分别做全局最大值池化和全局平局值池化,然后在通道维度上把池化后的两个特征图进行拼接,拼接之后再进行卷积,使之降维到一个通道,最后经过sigmoid激活函数激活形成空间注意力模块的输出。输入为通道注意力模块的输出F',输出为MS。
空间注意力的输出再与通道注意力的输出相乘,最终得到CBAM整个模块的输出,引入注意力机制的模块图如图4所示。因此CBAM模块计算流程可用如下公式表达。
本发明创新性地提出在YOLOv7模型引入CBAM注意力机制模块,使模型加强特征图的重要信息,同时抑制非重要信息,从而达到提高模型检测的准确率和速度;
步骤4,对步骤3构建的串型番茄实时检测模型Tomato-CBAM进行训练,具体为:在主干网络提取特征结束之后添加了一个CBAM模块,目的是在一个信息比较完备的特征图上进行特征增强操作,既能保证特征信息的完整性,又能提高特征图的信息表达能力。注意力机制工作原理为:对于待处理的特征图,先在通道域对特征加强,将处理后的特征图与原始特征图相乘,然后再通过空间域,对某些特征加强,同时弱化某些特征,这样生成的特征图有效利用了网络资源,自动推断出了特征加强区域与弱化区域。改进后的通道注意力模块将多层感知机替换为高效通道注意力模块,将全连接替换为只注意相邻的k个通道,来获取通道之间的相互作用,仅通过一个一维卷积就可以实现,理论上取得更好效果的同时减少了计算量。
步骤5,对步骤4训练好的串型番茄实时检测模型Tomato-CBAM进行验证,数据显示其准确率可达到95.8%;模型训练及复杂场景中的推理应用。在Ubuntu22.04环境下进行训练,模型经48个epoch的训练之后,综合F1值、PR曲线和mAP这3个指标对训练结果进行评估,选择最后保存的模型权重文件作为最终的训练结果,其具有较高的精确率和召回率,准确率达到95.8%,经“农谷”玻璃温室的视频数据测试后,发现模型可以判断出哪些是已经成熟可以采摘的番茄,可以解决温室大棚下番茄采摘机器人的目标检测任务。
步骤6,采用验证后的串型番茄实时检测模型Tomato-CBAM对温室串型番茄进行实时检测,其实时识别准确率可达91%。
以上实施例不局限于该实施例自身的技术方案,实施例之间可以相互结合成新的实施例。以上实施例仅用以说明本发明的技术方案而并非对其进行限制,凡未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明技术方案的范围内。
Claims (4)
1.一种基于YOLOv7的CBAM注意力机制番茄检测方法,其特征在于:包括有如下步骤:
步骤1,采集串型番茄图像,并对其进行标注、数据增强以及数据集划分操作;
步骤2,对模型输入图像数据引入高斯滤波器进行降噪处理,以减免噪声的干扰;
步骤3,基于YOLOv7技术,引入CBAM注意力机制,构建串型番茄实时检测模型Tomato-CBAM;
步骤4,对步骤3构建的串型番茄实时检测模型Tomato-CBAM进行训练;
步骤5,对步骤4训练好的串型番茄实时检测模型Tomato-CBAM进行验证,数据显示其准确率可达到95.8%;
步骤6,采用验证后的串型番茄实时检测模型Tomato-CBAM对温室串型番茄进行实时检测,其实时识别准确率可达91%。
2.根据权利要求1所述的一种基于YOLOv7的CBAM注意力机制番茄检测方法,其特征在于:所述步骤1中采集番茄图像,并对其进行标注、数据增强以及数据集划分操作的过程为:首先在温室大棚中对串型番茄图像进行采集,经过整理,使用LabelImg工具对番茄图像进行标注,再进行图像数据增强,最后将串型番茄图像数据集按照训练集:验证集:测试集=8:1:1进行划分。
3.根据权利要求1所述的一种基于YOLOv7的CBAM注意力机制番茄检测方法,其特征在于:所述步骤2中引入高斯滤波器,具体为:所述高斯滤波器添加在图像输入目标检测主干网络提取特征之前,将原始图像中的一些高频噪声抑制掉,减少卷积神经网络提取特征过程中高频噪声对有用特征的影响。
4.根据权利要求3所述的一种基于YOLOv7的CBAM注意力机制番茄检测方法,其特征在于:所述步骤3中构建串型番茄实时检测模型Tomato-CBAM,具体为:在主干网络提取特征结束之后添加了一个CBAM模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117844.3A CN116110042A (zh) | 2023-02-15 | 2023-02-15 | 一种基于YOLOv7的CBAM注意力机制番茄检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117844.3A CN116110042A (zh) | 2023-02-15 | 2023-02-15 | 一种基于YOLOv7的CBAM注意力机制番茄检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116110042A true CN116110042A (zh) | 2023-05-12 |
Family
ID=86259582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310117844.3A Pending CN116110042A (zh) | 2023-02-15 | 2023-02-15 | 一种基于YOLOv7的CBAM注意力机制番茄检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110042A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993679A (zh) * | 2023-06-30 | 2023-11-03 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
CN117617002A (zh) * | 2024-01-04 | 2024-03-01 | 太原理工大学 | 一种用于番茄自动识别及智能采收的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990103A (zh) * | 2021-04-16 | 2021-06-18 | 苏州大学 | 一种基于机器视觉的串采二次定位方法 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN114022878A (zh) * | 2021-08-28 | 2022-02-08 | 山西农业大学 | 一种基于改进YOLOv5的串型番茄实时检测方法 |
CN115424247A (zh) * | 2022-06-24 | 2022-12-02 | 中国农业科学院农业信息研究所 | 一种采用cbam与八度卷积改进yolov5的温室番茄识别与检测方法 |
CN115565153A (zh) * | 2022-09-21 | 2023-01-03 | 河南科技大学 | 一种改进yolov7的无人驾驶拖拉机田间障碍物识别方法 |
-
2023
- 2023-02-15 CN CN202310117844.3A patent/CN116110042A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN112990103A (zh) * | 2021-04-16 | 2021-06-18 | 苏州大学 | 一种基于机器视觉的串采二次定位方法 |
CN114022878A (zh) * | 2021-08-28 | 2022-02-08 | 山西农业大学 | 一种基于改进YOLOv5的串型番茄实时检测方法 |
CN115424247A (zh) * | 2022-06-24 | 2022-12-02 | 中国农业科学院农业信息研究所 | 一种采用cbam与八度卷积改进yolov5的温室番茄识别与检测方法 |
CN115565153A (zh) * | 2022-09-21 | 2023-01-03 | 河南科技大学 | 一种改进yolov7的无人驾驶拖拉机田间障碍物识别方法 |
Non-Patent Citations (1)
Title |
---|
JUNYANG CHEN .ETAL: "A Multiscale Lightweight and Efficient Model Based on YOLOv7 Applied to Citrus Orchard", MDPI, 27 November 2022 (2022-11-27), pages 2 - 4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993679A (zh) * | 2023-06-30 | 2023-11-03 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
CN116993679B (zh) * | 2023-06-30 | 2024-04-30 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
CN117617002A (zh) * | 2024-01-04 | 2024-03-01 | 太原理工大学 | 一种用于番茄自动识别及智能采收的方法 |
CN117617002B (zh) * | 2024-01-04 | 2024-07-12 | 太原理工大学 | 一种用于番茄自动识别及智能采收的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN116110042A (zh) | 一种基于YOLOv7的CBAM注意力机制番茄检测方法 | |
CN111666883B (zh) | 一种葡萄采摘机器人目标识别及果梗夹切点定位方法 | |
CN117994154B (zh) | 一种基于传感器的图像智能去噪方法 | |
CN106971160A (zh) | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN118334053A (zh) | 一种基于注意力和特征融合的苹果叶病分割和分级系统 | |
CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 | |
CN117523555A (zh) | 一种基于自编码器的飞机零件缺陷检测方法 | |
CN117934533A (zh) | 一种基于改进棕熊优化算法的鱼体图像分割方法 | |
CN111523503A (zh) | 基于改进ssd算法的苹果目标检测方法 | |
CN114972280B (zh) | 精细坐标注意力模块及其在表面缺陷检测中的应用 | |
CN111881922A (zh) | 一种基于显著性特征的绝缘子图像识别方法及系统 | |
CN111563542A (zh) | 一种基于卷积神经网络的植物自动分类方法 | |
CN112381755A (zh) | 一种基于深度学习的输液器导管涂胶缺陷检测方法 | |
CN107862326A (zh) | 一种基于全卷积神经网络的成熟苹果识别方法 | |
Chen et al. | YOLO-chili: An efficient lightweight network model for localization of pepper picking in complex environments | |
CN115457542A (zh) | 一种基于改进YOLOv4果园复杂环境下葡萄成熟度的检测方法 | |
CN115100533A (zh) | 荔枝成熟度识别模型的训练及使用方法 | |
CN114677672A (zh) | 一种基于深度学习神经网络的成熟蓝莓果实识别方法 | |
CN119048887A (zh) | 一种融合多模态信息的果实检测方法及装置 | |
CN118072302A (zh) | 一种面向非结构环境中多熟度大柑橘的检测方法及系统 | |
CN117392157A (zh) | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 | |
CN116503649A (zh) | 一种室内场景下基于改进卷积神经网络的视觉slam回环检测方法 | |
CN117132802A (zh) | 一种田间小麦病虫害识别方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |