CN116994244A - 一种基于Yolov8的柑橘树体果实产量评估方法 - Google Patents

一种基于Yolov8的柑橘树体果实产量评估方法 Download PDF

Info

Publication number
CN116994244A
CN116994244A CN202311029612.9A CN202311029612A CN116994244A CN 116994244 A CN116994244 A CN 116994244A CN 202311029612 A CN202311029612 A CN 202311029612A CN 116994244 A CN116994244 A CN 116994244A
Authority
CN
China
Prior art keywords
training
yolov8
fruit
fruits
evaluating
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
Application number
CN202311029612.9A
Other languages
English (en)
Inventor
李永杰
金国强
邱晓莹
庞一波
高恒锦
朱潇婷
陈昊东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Linhai Specialty Technology Promotion Station Linhai Citrus Industry Technology Collaborative Innovation Center
Original Assignee
Linhai Specialty Technology Promotion Station Linhai Citrus Industry Technology Collaborative Innovation Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Linhai Specialty Technology Promotion Station Linhai Citrus Industry Technology Collaborative Innovation Center filed Critical Linhai Specialty Technology Promotion Station Linhai Citrus Industry Technology Collaborative Innovation Center
Priority to CN202311029612.9A priority Critical patent/CN116994244A/zh
Publication of CN116994244A publication Critical patent/CN116994244A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Yolov8的柑橘树体果实产量评估方法，涉及果树培育技术领域，包括以下步骤：获取柑橘果园果实图像，分为训练集、测试集和预测集；对训练集和测试集中的果实进行标记；配置数据集和预训练模型，利用训练集和测试集对Yolov8预训练模型训练；得到训练模型，使用mAP@0.5和训练损失函数对训练结果进行初步评价。本发明提供了一种针对柑橘果实产量评估的方法，在对主体网络结构进行简单的修改后，并没有明显增加网络的重量，训练结果兼顾了精度和轻量化，并且预测结果更为直观、可靠。

Description

一种基于Yolov8的柑橘树体果实产量评估方法
技术领域
本发明涉及果树培育技术领域，更具体的说是涉及一种基于Yolov8的柑橘树体果实产量评估方法。
背景技术
柑橘作为我国乃至世界种植面积最广的水果，在果实生产的过程中，适时的对自然环境下的果实数量或产量进行监测、评估，有助于估算生产潜力、预测产值变化、指导果园管理以及调配劳动力和资源等，而基于柑橘果实的智能装备的相关研究，对智慧农业的发展也将起到至关重要的作用。
随着深度学习技术的快速发展，基于深度学习框架的目标检测算法被广泛的应用到水果各个领域的研究中。Yolo系列是目标检测中最为广泛使用的算法之一，不需要进行感兴趣区域的选择，其在检测速度和对设备性能要求方面均更具优势。Yolov8作为Yolo系列的最新版本，相对于以往的版本，其在检测性能和设备的要求上具有明显的优势。
You Only Look Once(YOLO)是在2016年针对目标检测中，无法实时检测的问题，提出的目标检测思路。YOLO算法的核心思路是将整张图片作为网络的输入，将图片划分成S*S网格在卷积网络中运行，利用网格去检测中心点落在网格内的目标，每个网格预测B个边界框(bounding box)和边界框的置信度(confidence score)，即，得到中心点的坐标(x,y)，宽高(w,h)和置信度(C)，根据上面的结果，在输出层对检测目标进行所属类别的阈值分析。也即通过不断的卷积网络识别感兴趣区域、提取标的物的特征。
经过几年的发展，Ultralytics公司在2023年提出改进的Yolov8算法，相对于之前的Yolo系列，Yolov8在主干网络结构上进行了精心的调整，使其网络参数能够应用更多的检测模型，大幅提高了模型性能和灵活性。其整体结构可简化为三个部分，即，输入层(input)，主干特征提取网络层(backbone)和分类、预测层(neck和head)。该算法首先对输入的图片resize为640x640x3大小，输入到Yolov8的主干特征提取网络backbone网络中，输出三层大小分别为80x 80x 256x w，40x 40x 512x w，20x 20x 512x w x r的有效特征图(feature map)，在预测层，将backbone网络输出的三个特征层进行回归、采样及融合等操作提取出三个更好的特征层，然后经过Rep和conv生成结果的边界框和预测类别。Head网络部分相对以往Yolo的变化最大，其中Anchor-Based变成了Anchor-Free并且由原先的耦合头变成了解耦头(Decoupled-Head)，即通过两个头分别对检测(reg)和分类(cls)进行输出。
基于Yolo系列和Faster R-CNN等目标检测算法评估果实产量的研究已经取得一定成果，但是在自然环境的应用中仍难以克服模型检测精度低、泛化能力较差以及检测速度慢等问题。主要原因有以下几点：
模型的结构过于简单，未针对待测目标进行网络结构的改进，Yolo的原始网络结构在小目标检测上不具有明显优势；
建模数据集来源于实验室、网络渠道或者树体局部，数据集的果实特征不充足，致使模型在训练的过程中阅读、学习的目标特征不充分；
实践应用时，受到光线，特别是强光照的影响，模型预测的准确度会明显下降；
把目标检测算法与其它的图像分析模型或技术结合，增加了整体网络结构，提高了预测精度，但其复杂的网络结构，也对检测速度和检测设备提出更高的要求；
不同树种、不同品种的水果的树冠大小、叶果比例、果实纵横径大小、果实的色泽以及果实密度(相互遮挡程度)等因素均构成影响果实产量评估的重要因素，单一模型、单一系数事实上是无法应用于评估多种水果的数量，因此，针对某一种水果需要针对性的建立评估模型；
实践中，部分果树枝叶和果实的密度不同，导致遮挡程度不一，通过最简单的y＝ax线性函数去评估不同树体状态、不同品种水果的产量，可能会导致评估的结果不可靠。
发明内容
有鉴于此，本发明提供了一种基于Yolov8的柑橘树体果实产量评估方法，用于解决背景技术中提到的问题。
为了实现上述目的，本发明采用如下技术方案：
一种基于Yolov8的柑橘树体果实产量评估方法，包括以下步骤：
获取柑橘果园果实图像，分为训练集、测试集和预测集；
对训练集和测试集中的果实进行标记；
获取开源Yolov8的代码，修改其主干网络结构，添加小目标检测层；在neck结构中添加CBAM模块；
配置数据集和预训练模型，利用训练集对Yolov8预训练模型训练；
得到训练模型，使用mAP@0.5和训练损失函数对训练结果进行初步评价。
可选的，在对预训练模型训练过程中使用Tensorboard实时观测训练的精度、loss以及recall的变化，出现异常及时调整。
可选的，还包括在Yolov8预训练模型中，添加计数模块，使预测的目标果实总数和预测过程使用的图片像素大小均呈现在输出图像的左上角。
可选的，还包括对预测集进行推理，用于提高预测值与实测值的相关性。
可选的，还包括建立最优果实数量评估方法，果实的实际数量由图片上的预测值，结合y＝1.2142x-0.9564得到，其中，x表示Yolov8输出的图像显示出总的果实数量，y表示实际果实数量。
经由上述的技术方案可知，与现有技术相比，本发明公开了一种基于Yolov8的柑橘树体果实产量评估方法，有益效果在于：
1、基于Yolov8算法，训练损失函数loss在前15轮快速下降，平均精确度(mAP@0.5)在训练30轮次达到最优93.2％，模型性能优良，且轻量化；
2、提出以自然条件下的单侧完整树冠为一张柑橘果实图片建立数据集，数据集的果实目标特征丰富、自然，可能有助于提高模型的泛化能力；
3、增加了小目标检测层，即160*160*45，能够识别4*4以上的标的物，提高了模型识别柑橘果实的精度；
4、在上述Yolov8网络的neck结构中添加一种轻量级注意力模块CBAM(Convolutional Block Attention Module)，有助于网络关注强光下的果实特征信息，帮助模型获得更好的准确率；
5、在输出层的网络结构中，添加一个计数模块，可在检测结果的图片上直接显示检测标的物的总数量，预测结果更直观；
6、根据预测值和实测值的相关性，建立初始的线性方程，然后借鉴递归函数的原理，重新调用变量，建立产量评估函数，提高方程R2至99.4％，使结果更为可靠；
7、总之，本发明提供了一种针对柑橘果实产量评估的方法，在对主体网络结构进行简单的修改后，并没有明显增加网络的重量，训练结果兼顾了精度、复杂的背景以及轻量化，并且预测结果更为直观、可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的模型的训练过程；
图2为本发明改进后的Yolov8主干网络结构图；
图3为本发明评估方程的建立流程。
图4为模型G-Yolov8在不同场景柑橘实例图上的预测表现。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1-图3，本发明实施例公开了一种基于Yolov8的柑橘树体果实产量评估方法，具体步骤如下：
步骤1、果实进入转色期至采摘前，使用相机于柑橘果园随机拍摄果实照片，以单侧冠层为一张果实图像，采集时间包括晴天和阴天的不同时间段，共2000张图片，并依照7:2:1的比例随机将图像设置训练集(1400张)、测试集(400张)和预测集(200张)；
步骤2、使用Labelimg数据标记软件对训练集和测试集图像中的果实进行标记；
步骤3、获取开源的Yolov8源代码，根据代码运行要求，配置所需要的软件和硬件，搭建代码运行环境；
步骤4、打开Yolov8源码，在yolov8.yaml中修改代码，增加小目标检测层，详见图2，新增加160*160的检测特征层，用于检测4*4以上的目标。修改后的代码需要在modules.py文件中进行重新加载，包括init()和forward()函数等项目。
步骤5、在第4步的网络结构中添加CBAM模块，详细分成三步，在Common.py中添加定义模块，在yolo.py中的parse_model函数中添加CBAM模块，第三步，修改yolov8.yaml中的配置文件，即把CBAM放在neck网络中(详见图2)。改进后，虽然计算量和检测时间有所增加，但改善了目标的检测精度。
进一步的，注意力机制(Attention)是指为了让模型认识到数据中哪一部分是更重要的，为它分配更大的权重，获得更多的注意力在某些特征上，提高模型的表现。CBAM(Convolutional Block Attention Module)是一种轻量级注意力模块网络，其包含CAM(Channel Attention Module)和SAM(SpartialAttention Module)两个子模块，分别在通道上和空间上添加注意力机制。也即，输入的特征图在CAM中经过最大池化(MaxPool)以及平均池化(AvgPool)两个通道的操作，识别图中信息的重要性，并分别予以反馈，特征表达进一步突出(公式1)。空间注意力模块(SAM)是将CAM输出的特征图作为输入对通道进行压缩。依次做一个基于channel维度的MaxPool和AvgPool，基于channel的concat操作(通道拼接)，然后经过一个7×7卷积操作，再经过sigmoid生成空间特征图(spatial attentionfeature)(公式2)，空间注意力让网络更多关注图像中物体的位置信息。因此，引入CBAM有助于网络关注一部分强光照射下果实位置信息。
在深度学习中，CBAM可以节约整体模型网络的参数和计算力，并且能够作为即插即用的模块集成到卷积神经网络(CNNs)中，与CNNs一起实现端到端的训练。虽然CBAM是一种端到端的通用模块，可以无缝集成到卷积神经网络中，例如，在Yolo网络的backbone和neck结构中均可以添加，但考虑网络模型的轻量化以及充分利用Yolov8模型的优势，选择将CBAM嵌入到Yolov8的neck末端，对Yolov8模型进行改进。
步骤6、配置数据集和预训练模型，执行训练，设置参数：300epochs，250patience，0.9momentum，8batch，2workers，0.01lr0，0.0005weight_decay。训练过程中可使用Tensorboard实时观测训练的精度、loss以及recall的变化，出现异常可及时调整；
步骤7、得到训练模型best.pt，使用mAP@0.5和训练损失函数box_loss对训练结果进行评价；
步骤8、修改Yolov8源码中detect.py中代码，添加一个计数模块，可以使预测的目标果实总数和预测过程使用的图片像素大小均呈现在输出图像的左上角，便于对预测结果进行直观评价和使用；
步骤9、在修改后的Yolov8中运行best.pt，对200张预测集图片进行推理，设置预测参数：conf为0.2，其余为默认值。得到200个预测结果x，结合对应的实际果实数量y，建立一次性函数，其中参考递归函数的基本原理，重新调用y值，使y0＝y+x，可以提高预测值与实测值的相关性，得到的线性方程为，y0＝ax+b，R2＝0.9937，也即，y＝1.2142x-0.9564线性方程较为直观，计算过程简单，方便应用；
步骤10、建立最优果实数量评估方法，果实的实际数量可由图片上的预测值，结合y＝1.2142x-0.9564得到。即，把柑橘果实图像输入改进的Yolov8中，使用best.pt进行推理评估，输出的图像显示出总的果实数量x，输入y＝1.2142x-0.9564方程中可得实际果实数量y，可结合不同柑橘品种果实的单果重间接对产量进行快速评估，例如，红美人的单果重约198g，宫川温州蜜柑的单果重110g。1.2142和0.9564是在Yolov8框架下得到关于柑橘果实产量评估的两个经验参数。
步骤11、为直观呈现本发明提出的改进模型G-Yolov8的预测表现，分别在阴天和晴天场景下各选择一株温州蜜柑结果树进行预测验证并与Yolov8的结果对比，如图4所示，G-Yolov8在阴天和晴天场景下准确预测的视野内果实个数分别为178和79个，对比Yolov8的167和67个，分别提高了6.6％和17.9％，效果明显，且G-Yolov8的用时分别为75.2ms和6ms，运行快速。在两个场景下，根据G-Yolov8的结果，预估的产量分别为23.7kg和10.4kg，与实测的产量22.1kg和9.7kg相近。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，包括以下步骤：
获取柑橘果园果实图像，分为训练集、测试集和预测集；
对训练集和测试集中的果实进行标记；
获取Yolov8开源代码，修改Yolov8主干网络结构，添加小目标检测层；
修改Yolov8的neck网络，添加CBAM网络模块；
配置数据集和预训练模型，利用训练集和测试集对Yolov8预训练模型训练；
得到训练模型，使用mAP@0.5和训练损失函数对训练结果进行评价，使用预测集对训练模型进行深入评价。
2.根据权利要求1所述的一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，在对预训练模型训练过程中使用Tensorboard实时观测训练的精度、loss以及recall的变化，出现异常及时终止，调整参数后重新训练。
3.根据权利要求1所述的一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，还包括在Yolov8预训练模型中，添加计数模块，使预测的目标果实总数量和预测过程使用的图片像素大小均呈现在输出图像的左上角。
4.根据权利要求1所述的一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，还包括对预测集进行推理，用于提高预测值与实测值的相关性。
5.根据权利要求1所述的一种基于Yolov8的柑橘树体果实产量评估方法，其特征在于，还包括建立最优果实数量评估方法，果实的实际数量由图片上的预测值，结合y＝1.2142x-0.9564得到，其中，x表示Yolov8输出的图像显示出总的果实数量，y表示实际果实数量。
CN202311029612.9A 2023-08-16 2023-08-16 一种基于Yolov8的柑橘树体果实产量评估方法 Pending CN116994244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311029612.9A CN116994244A (zh) 2023-08-16 2023-08-16 一种基于Yolov8的柑橘树体果实产量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311029612.9A CN116994244A (zh) 2023-08-16 2023-08-16 一种基于Yolov8的柑橘树体果实产量评估方法

Publications (1)

Publication Number Publication Date
CN116994244A true CN116994244A (zh) 2023-11-03

Family

ID=88528286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311029612.9A Pending CN116994244A (zh) 2023-08-16 2023-08-16 一种基于Yolov8的柑橘树体果实产量评估方法

Country Status (1)

Country Link
CN (1) CN116994244A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117253229A (zh) * 2023-11-17 2023-12-19 浙江大学海南研究院 基于深度学习的海洋贻贝微核细胞识别与计数方法及应用

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919930A (zh) * 2019-03-07 2019-06-21 浙江大学 基于卷积神经网络yolo v3的树上果实数量的统计方法
AU2020100953A4 (en) * 2020-06-05 2020-07-16 D, Vijayakumar DR Automated food freshness detection using feature deep learning
CN111767882A (zh) * 2020-07-06 2020-10-13 江南大学 一种基于改进yolo模型的多模态行人检测方法
CN112613438A (zh) * 2020-12-29 2021-04-06 华南农业大学 一种便携式柑橘在线测产仪
CN115035372A (zh) * 2022-05-18 2022-09-09 杭州电子科技大学 一种基于目标检测的钢筋检测方法
US20220301297A1 (en) * 2021-03-16 2022-09-22 9419-6979 Québec inc. System, method and apparatus for obtaining sensitive and specific predictions from deep neural networks
CN115223009A (zh) * 2022-07-07 2022-10-21 云南电网有限责任公司电力科学研究院 基于改进型YOLOv5的小目标检测方法及装置
CN115273017A (zh) * 2022-04-29 2022-11-01 桂林电子科技大学 基于Yolov5交通标志检测识别模型训练方法及系统
CN115294558A (zh) * 2022-08-09 2022-11-04 杭州中威电子股份有限公司 一种大角度车牌识别系统及其方法
CN115294472A (zh) * 2022-07-04 2022-11-04 深圳市识农智能科技有限公司 果实产量估计方法、模型训练方法、设备及存储介质
CN115330833A (zh) * 2022-06-06 2022-11-11 华南农业大学 一种改进多目标跟踪的果实产量估算方法
CN115861185A (zh) * 2022-11-14 2023-03-28 杭州电子科技大学 一种田间复杂背景的稻飞虱计数模型
CN116597276A (zh) * 2023-05-29 2023-08-15 哈尔滨理工大学 一种基于改进YOLOv5模型的目标检测方法
CN116597438A (zh) * 2023-03-29 2023-08-15 江苏天策机器人科技有限公司 一种基于Yolov5的改进型水果识别方法及识别系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919930A (zh) * 2019-03-07 2019-06-21 浙江大学 基于卷积神经网络yolo v3的树上果实数量的统计方法
AU2020100953A4 (en) * 2020-06-05 2020-07-16 D, Vijayakumar DR Automated food freshness detection using feature deep learning
CN111767882A (zh) * 2020-07-06 2020-10-13 江南大学 一种基于改进yolo模型的多模态行人检测方法
CN112613438A (zh) * 2020-12-29 2021-04-06 华南农业大学 一种便携式柑橘在线测产仪
US20220301297A1 (en) * 2021-03-16 2022-09-22 9419-6979 Québec inc. System, method and apparatus for obtaining sensitive and specific predictions from deep neural networks
CN115273017A (zh) * 2022-04-29 2022-11-01 桂林电子科技大学 基于Yolov5交通标志检测识别模型训练方法及系统
CN115035372A (zh) * 2022-05-18 2022-09-09 杭州电子科技大学 一种基于目标检测的钢筋检测方法
CN115330833A (zh) * 2022-06-06 2022-11-11 华南农业大学 一种改进多目标跟踪的果实产量估算方法
CN115294472A (zh) * 2022-07-04 2022-11-04 深圳市识农智能科技有限公司 果实产量估计方法、模型训练方法、设备及存储介质
CN115223009A (zh) * 2022-07-07 2022-10-21 云南电网有限责任公司电力科学研究院 基于改进型YOLOv5的小目标检测方法及装置
CN115294558A (zh) * 2022-08-09 2022-11-04 杭州中威电子股份有限公司 一种大角度车牌识别系统及其方法
CN115861185A (zh) * 2022-11-14 2023-03-28 杭州电子科技大学 一种田间复杂背景的稻飞虱计数模型
CN116597438A (zh) * 2023-03-29 2023-08-15 江苏天策机器人科技有限公司 一种基于Yolov5的改进型水果识别方法及识别系统
CN116597276A (zh) * 2023-05-29 2023-08-15 哈尔滨理工大学 一种基于改进YOLOv5模型的目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王海漫等: "基于改进YOLOX 模型的柑橘木虱检测方法", 《广东农业科学》, vol. 49, no. 11, 15 November 2022 (2022-11-15), pages 43 - 49 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117253229A (zh) * 2023-11-17 2023-12-19 浙江大学海南研究院 基于深度学习的海洋贻贝微核细胞识别与计数方法及应用
CN117253229B (zh) * 2023-11-17 2024-07-02 浙江大学海南研究院 基于深度学习的海洋贻贝微核细胞识别与计数方法及应用

Similar Documents

Publication Publication Date Title
Kong et al. Multi-stream hybrid architecture based on cross-level fusion strategy for fine-grained crop species recognition in precision agriculture
Zhang et al. Multi-class object detection using faster R-CNN and estimation of shaking locations for automated shake-and-catch apple harvesting
CN109492665A (zh) 水稻生育期的检测方法、装置及电子设备
An et al. Real-time monitoring method of strawberry fruit growth state based on YOLO improved model
CN115099297B (zh) 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
Liu et al. An accurate detection and segmentation model of obscured green fruits
CN116994244A (zh) 一种基于Yolov8的柑橘树体果实产量评估方法
CN109614896A (zh) 一种基于递归卷积神经网络的视频内容语义理解的方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN116612386A (zh) 基于分级检测双任务模型的辣椒病虫害识别方法及系统
Pramudhita et al. Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture
CN116958961A (zh) 一种基于改进YOLOv8s的轻量级石榴识别方法
Monigari et al. Plant leaf disease prediction
Nargotra et al. Grape Leaf Disease Detection Using Deep Learning
Zambare et al. Deep Learning Model for Disease Identification of Cotton Plants
Mahadevan et al. Automatic recognition of Rice Plant leaf diseases detection using deep neural network with improved threshold neural network
Jing et al. Optimizing the YOLOv7-Tiny Model with Multiple Strategies for Citrus Fruit Yield Estimation in Complex Scenarios
Mahboob et al. YOLO v5, v7 and v8: A Performance Comparison for Tobacco Detection in Field
Nagpal et al. An application of deep learning for sweet cherry phenotyping using yolo object detection
Yang et al. 3D convolutional neural network for hyperspectral image classification using generative adversarial network
Wang et al. Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind
CN115775369A (zh) 基于双流残差卷积神经网络的鱼类摄食强度评估方法
CN115620050A (zh) 一种基于气候室环境下改进的YOLOv5蚜虫识别计数方法
Yu et al. Precise segmentation of remote sensing cage images based on SegNet and voting mechanism
Lüling et al. Unsupervised image-to-image translation to reduce the annotation effort for instance segmentation of field vegetables

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