分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-08-30 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］针对现有规模化猪场生猪计数需求场景多，人工计数效率低、成本高等问题，提出一种基 于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。［方法］首先，利用智能手机拍摄养殖场 猪只视频，对视频抽帧进一步生成图像数据集。其次，通过改进卷积块注意力模块（Convolutional Block Attention Module, CBAM） 中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题，提出高效全局注意力 模块，并将该模块引入基于回归分析的单阶段实例分割网络YOLO（You Only Look Once） v8中对获取的生猪图像 进行分割，构建新的识别模型YOLOv8x-Ours，以实现高精度的生猪计数。最后，基于微信公众平台开发微信小 程序，并嵌入综合表现最优的生猪计数模型，实现使用智能手机拍摄图像进行生猪快速计数。［结果和讨论］在测 试集上的试验结果表明，与现有实例分割模型相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精 度（AP（50∶95）），平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE） 和R2分 别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试 图像总数量的93.8%，相比两阶段实例分割算法Mask R-CNN（Region Convolutional Neural Network） 提升7.6%；单 幅图像平均处理时间仅为64 ms，是Mask R-CNN的1/8。［结论］该方法经济高效，为规模化猪场的生猪计数提供 了一种技术方案。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工 感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作 物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目 标检测算法。［方法］首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convo⁃ lution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network） 更加丰富的特征融合，使用VoVGSCSP 模块提升微小目标检测，同时引入CBAM （Convolutional Block Attention Module） 注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络 模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend 模型与YOLOv8 原模型、YOLOv5、YOLOv8- GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备 进行推理验证，在实际应用场景中验证模型的有效性。［结果和讨论］YOLOv8-Extend在对比实验中均取得良好的 表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、 2.4% 和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景 中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优 势，在困难数据检测方面准确率提高了11.9%。［结论］本研究提出的YOLOv8改进模型有效提高了检测精度和识 别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标 智能检测和模型结构优化提供参考和帮助。
分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］玉米茎秆宽度是影响玉米抗倒伏能力的重要指标。玉米茎秆宽度测量存在人工采集过程繁 琐、设备自动采集识别精度误差较大等问题，研究一种玉米茎秆宽度原位检测与高精度识别方法具有重要应用价 值。［方法］采用ZED2i双目相机并将其固定在田间获取实时的玉米茎秆左目和右目图片，对原始图片进行数据增 强，使用YOLOv8对玉米茎秆进行识别，再通过多次增加注意力机制（Coordinate Attention，CA） 模块，和替换损 失函数（Efficient IoU Loss，EIoU） 的方法，进一步提高玉米茎秆的识别精度，然后通过对玉米茎秆的三维重建， 获取识别框边界点在世界坐标系下的三维数据，通过距离公式计算出茎秆宽度。最后对改进后的YOLOv8模型与 YOLOv8原模型、YOLOv7、YOLOv5、Faster RCNN、SSD进行对比，验证模型的识别准确性和识别精度。［结果和 讨论］改进后的YOLOv8模型的查准率P、查全率R、平均精确率mAP0.5、平均精确率mAP0.5∶0.95分别达到了96.8%、 94.1%、96.6%、77.0%，玉米茎秆宽度原位检测宽度计算的线性回归决定系数R2，均方根误差RMSE 和平均绝对误 差MAE分别为0.373、0.265和0.244 cm，可满足实际生产对玉米茎秆宽度测量精度的要求。［结论］本研究提出的 基于改进YOLOv8模型的玉米茎秆宽度原位识别方法可以实现对玉米茎秆的原位准确识别，很好地解决了目前人 工测量耗时费力和机器视觉识别精度较差的问题，为实际生产应用提供了理论依据。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-08-30 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］天然牧场下放牧牲畜数量的准确检测是规模化养殖场改造升级的关键。为满足规模化养殖 场对大批羊群实现精准实时的检测需求，提出一种高精度、易部署的小目标检测模型CSD-YOLOv8s（CBAM SP⁃ PFCSPC DSConv-YOLOv8s），实现无人机高空视角下小目标羊只个体的实时检测。［方法］首先，使用无人机获取 天然草原牧场中包含不同背景及光照条件下的羊群视频数据并与下载的部分公开数据集共同构成原始图像数据。 通过数据清洗和标注整理生成羊群检测数据集。其次，为解决羊群密集和相互遮挡造成的羊只检测困难问题，基 于YOLO（You Only Look Once） v8模型构建具有跨阶段局部连接的SPPFCSPC（Spatial Pyramid Pooling Fast-CSPC） 模块，提升网络特征提取和特征融合能力，增强模型对小目标羊只的检测性能。在模型的Neck部分引入了卷积注 意力模块（Convolutional Block Attention Module, CBAM），从通道和空间两个维度增强网络的抗干扰能力，提升网 络对复杂背景的抑制能力，进一步提高对密集羊群的检测性能。最后，为提升模型的实时性和可部署性，将Neck 网络的标准卷积改为具有可变化内核的轻量卷积C2f_DS（C2f-DSConv） 模块，减小了模型的参数量并提升了模型 的检测速度。［结果和讨论］与YOLO、Faster R-CNN（Faster Regions with Convolutional Neural Networks）及其他经 典网络模型相比，改进后的CSD-YOLOv8s模型在检测速度和模型大小相当的情况下，在羊群检测任务中具有更高 的检测精度。Precision达到95.2%，mAP达到93.1%，FPS（Frames Per Second） 达到87 f/s，并对不同遮挡程度的 羊只目标具有较强的鲁棒性，有效解决了无人机检测任务中因羊只目标小、背景噪声大、密集程度高导致羊群漏 检和误检严重的问题。公开数据集验证结果表明，提出的模型对其他不同物体的检测精度均有所提高，特别是在 羊只检测方面，检测精度提升了9.7%。［结论］提出的CSD-YOLOv8s在无人机图像中更精准地检测草原放牧牲 畜，对不同程度的聚集和遮挡目标实现精准检测，且具有较好的实时性，为养殖场大规模畜禽检测提供了技术支 撑，具有广泛的应用潜力。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-08-30 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一。目前大 田环境下小麦叶片计数主要依靠人工、耗时耗力，而现有的自动化检测计数方法的效率与精度难以满足实际应用 需求。为提高小麦叶片数检测的准确性，设计了一种复杂大田环境下高效识别小麦叶尖的算法。［方法］本研究以 手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶 片图像数据集。以YOLOv8为基础网络，融合坐标注意力机制降低背景环境的干扰，提高模型对小麦叶尖轮廓信 息的提取能力；替换损失函数加快模型收敛速度；增加小目标检测层提高对小麦叶尖的识别效果，降低漏检率。 设计了一种适用于叶尖小目标识别的深度学习网络，通过检测图像叶尖数量从而得出叶片数。［结果与讨论］本研 究提出的方法对小麦叶尖的识别精确率和mAP0.5分别达到91.6%和85.1%，具有良好的检测效果。在复杂大田环境 下该方法具有更好的适应能力，能够在不同光照条件下实现自适应检测，模型鲁棒性强。小麦幼苗期叶片检测漏 检率低，说明该方法能够满足复杂大田场景下小麦叶尖识别的需求，提高了小麦叶片数检测的准确性。［结论］本 研究可为复杂大田场景下小麦叶片数检测的研究提供参考，为小麦长势高质量评估提供技术支撑。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化 养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。［方法］提出一 种基于改进YOLOv8（You Only Look Once） 和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾 夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix， GLCM） 提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量 机（Support Vector Machine，SVM） 作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测 分类。［结果和讨论］训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到 设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。［结论］ 本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境 下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。
点击量
通过
点击量
下载量
评论
