排序方式: 共有49条查询结果,搜索用时 15 毫秒
2.
基于改进Faster R-CNN的田间黄板害虫检测算法 总被引:2,自引:0,他引:2
针对黄板诱捕的害虫体积小、数量多和分布不均匀,难以进行害虫识别的问题,引入当前主流目标检测模型Faster R-CNN对黄板上的小菜蛾、黄曲条跳甲和烟粉虱等主要害虫进行识别与计数,提出一种基于改进Faster R-CNN的田间黄板害虫检测算法(Mobile terminal pest Faster R-CNN,MPF R-CNN)。该算法将ResNet101网络与FPN网络相结合作为特征提取网络,并在RPN网络设计多种不同尺寸锚点对特征图像进行前景和背景判断,使用ROIAlign替代ROIPooling进行特征映射,以及使用双损失函数进行算法参数控制。对2440幅样本图像的实验分析表明,在真实复杂的自然环境下,MPF R-CNN对烟粉虱、黄曲条跳甲、小菜蛾和其他大型害虫(体长大于5mm)检测的平均精度分别为87.84%、86.94%、87.42%和86.38%;在35cm×25cm黄板上不超过480只的低密度下平均精度均值为93.41%,在480~960只害虫的中等密度下平均精度均值为89.76%。同时实验显示,在中低等密度下晴天和雨天的检测精度无明显差异,本算法计数结果与害虫计数决定系数为0.9255。将该算法置入以“微信小程序+云存储服务器+算法服务器”为架构的小米7手机终端系统中进行应用测试,平均识别时间为1.7s。研究表明,该算法在精度和速度上均可支持当前便携式应用,为利用手机对蔬菜害虫进行快速监测与识别提供了技术支撑。 相似文献
3.
马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有... 相似文献
4.
基于视觉感知的蔬菜害虫诱捕计数算法 总被引:2,自引:0,他引:2
针对当前大田环境条件下对害虫进行识别研究的不足,以南方蔬菜重大害虫为研究对象,探索了一种在大田环境下使用黄色诱捕板对蔬菜害虫进行监测计数的方法。在经典图像处理算法基础上,根据害虫监测目标的需要,提出了一种基于结构化随机森林的害虫图像分割算法和利用不规则结构的特征提取算法,进一步结合背景去除、干扰目标去除和检测模型计数子算法,集成设计了基于视觉感知的蔬菜害虫计数算法(Vegetable pest counting algorithm based on visual perception,VPCA-VP)。使用了现场环境下拍摄的图像进行实验与分析,共识别出蓟马9351只,烟粉虱202只,实蝇23只。经过与人工计数比对得出,本文基于视觉感知的蔬菜害虫计数算法的平均识别正确率为94.89%。其中,蔬菜害虫蓟马的识别正确率为93.19%,烟粉虱的识别正确率为91%,实蝇的识别正确率达到100%。算法达到了较好的测试性能,可以满足害虫快速计数需求,在农田害虫监测中有一定的应用前景。 相似文献
5.
6.
为了减少光照造成的桔小实蝇误判,该文在前期设计的基于视频监控的桔小实蝇诱捕装备的基础上,优化改进了硬件装备及监测执行算法。主要通过对装备遮光系统和太阳能装置的改良及Wi Fi/4G等技术的应用形成了一套较完善的集采集、处理、传输和供电为一体的桔小实蝇诱捕监测新装备。同时,改进提出了一种可适应场景光照变化的桔小实蝇检测算法(Bactrocera dorsalis detection algorithm under lighting variations,BDDA-LV),并对软件系统的控制流程与感兴趣数据的判别、获取及传输进行优化,最终形成了一套有较好人机交互的桔小实蝇监测软件系统。通过对新旧桔小实蝇检测算法及系统分别开展了室内和野外试验,结果表明,在中度光照影响下,BDDA-LV算法错误率为7.21%,比原算法降低19.07%,且其运算耗时为原算法的41.7%。在严重的光照影响下,BDDA-LV算法错误率为12.4%,比原算法降低23.07%,且其运算耗时为原算法的42.2%。同时在广州市天河区杨桃公园自然环境下进行了的较长期系统监测试验,该系统可实时稳定地对桔小实蝇进行监测计数。通过对2015年6月18日至24日自然环境下的试验,用计算机系统记录和人工计数比较分析,得到计算机系统计数1634头,人工计数1613头,准确度达98.7%,比优化之前在实验室进行监测试验的系统跟踪精度提高了3.8%。该文所提出的BDDA-LV准确率和运算速率都远高于BBDA算法,整个系统拥有较高的精度和稳定性,具有较好的推广应用价值。 相似文献
7.
农业现场图像信息采集是农作物长势和病虫害分析的重要手段。结合嵌入式技术与B/S 架构,设计了1 个采用高清晰图像传感器罗技Pro9000摄像头的低成本农业现场视频/图像快速采集系统,并对系统的体系结构、通信子系统、采集、压缩与传输子系统进行了详细设计。系统采用大功率WiFi和快速ARM 平台S3C6410 处理器,基于V4L2 技术采集图像,采用JPEG 图像数据压缩技术能够大大地减少传输数据量,使得视频传输更加流畅。试验结果表明,本系统传输640伊480 大小的图像到远程服务器的图像传输成功率在300 m范围内可达到92%以上;在50 m内可达到视频20 帧/秒以上,在300 m的距离也能够达到6帧/秒以上的视频帧率,可以满足视频监控的需求。由于本方案基于ARM 平台设计,成本低,易于集成应用,非常适于大范围农业上开展应用。 相似文献
8.
为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.4%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。 相似文献
9.
猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.2... 相似文献
10.
稻田水分监测无线传感器网络优化设计与试验 总被引:4,自引:4,他引:0
传感器网络技术为大范围稻田水分信息采集提供了一种新技术手段。利用测量稻田水分含量和水层深度测量的无线传感器WFDMS,探讨了构建稻田水分传感器网络PMSN的关键技术:设计了大面积、大范围应用体系结构模型;提出了一种满足稻田水分采样频率和数据业务需求的低功耗传输控制协议LPTP-PMSN;开发了水分信息监测信息管理系统,实现了完整运行的稻田水分传感器网络整套系统。试验表明,PMSN网络在稻田中的可靠通信距离达60 m,在 3.6 V/2 100 mAh电池供电下,4 h周期采样试验中,在传输协议LPTP-PMSN控制下,传感器、簇首、基站、短信网关、计算机间能够协同工作,整个稻田水分传感器网络可以较可靠运行,节点生命期超过190 d。该研究可为农用信息监控无线传输网络的其他应用提供参考。 相似文献