科研产出
基于改进YOLO v8-Pose的红熟期草莓识别和果柄检测
《农业机械学报 》 2023 EI 北大核心 CSCD
摘要：针对高架栽培模式下的大棚草莓,借鉴人体姿态检测算法,建立了改进YOLO v8-Pose模型对红熟期草莓进行识别与果柄关键点检测.通过对比YOLO v5-Pose、YOLO v7-Pose、YOLO v8-Pose模型,确定使用YOLO v8-Pose模型作为对红熟期草莓识别与关键点预测的模型.以YOLO v8-Pose为基础,对其网络结构添加Slim-neck模块与CBAM注意力机制模块,提高模型对小目标物体的特征提取能力,以适应草莓数据集的特点.改进YOLO v8-Pose能够有效检测红熟期草莓并准确标记出果柄关键点,P、R、mAP-kp分别为98.14%、94.54%、97.91%,比YOLO v8-Pose分别提高5.41、5.31、8.29个百分点.模型内存占用量为22 MB,比YOLO v8-Pose的占用量小6 MB.此外,针对果园非结构化的特征,探究了光线、遮挡与拍摄角度对模型预测的影响.对比改进前后的模型在复杂环境下对红熟期草莓的识别与果柄预测情况,改进YOLO v8-Pose在受遮挡、光线和角度影响情况下的mAP-kp 分别为 94.52%、95.48%、94.63%,较 YOLO v8-Pose 分别提高 8.9、10.75、5.17 个百分点.改进 YOLO v8-Pose可在保证网络模型精度的同时对遮挡、光线和拍摄角度等影响均具有较好的鲁棒性,能够实现对复杂环境下红熟期草莓识别与果柄关键点预测.
关键词： 红熟期草莓识别 关键点预测 YOLO v8-Pose 注意力机制
全文链接
请求原文
基于双阶段注意力机制和LSTM的鸡舍氨气浓度预测算法
《中国农业大学学报 》 2021 北大核心 CSCD
摘要：为寻求准确的鸡舍氨气浓度预测方法,构建基于双阶段注意力机制和长短时记忆神经网络（Long shortterm memory,LSTM）的鸡舍氨气浓度预测模型,将该模型应用于山东省商河县某蛋鸡养殖场,采集二氧化碳（CO2）、氧气（O2）和氨气（NH3）的体积分数,细颗粒物（PM2.5）质量浓度,温度,相对湿度时间序列数据对模型进行验证,并与支持向量回归（Support vector regression,SVR）、人工神经网络（Artificial neural network,ANN）模型和无注意力机制的LSTM模型对比研究。结果表明:1)不同时间窗口T下NH3体积分数预测精度不同。T∈{2,3,4,8}时,均方根误差（Root mean square error,RMSE）分别为0.433 4,0.394 8,0.379 9和0.405 1μL/L,平均绝对误差（Mean absolute error,MAE）分别为0.267 4,0.262 9,0.228 9和0.272 4μL/L;2)基于双阶段注意力机制和LSTM的鸡舍NH3浓度预测模型在RMSE和MAE评价指标框架下优于SVR、ANN和无注意力机制的LSTM模型。基于双阶段注意机制和LSTM的模型能较好地对鸡舍氨气浓度进行预测,可为鸡舍氨气浓度预测及调控提供技术支持。
关键词： 注意力机制 长短时记忆神经网络 循环神经网络 编码器-解码器 鸡舍 氨气浓度
全文链接
请求原文
首页上一页1下一页尾页
