融合注意力机制的作物图像检测专题

Please wait a minute... 选择: 导出引用 EndNote Ris BibTeX 显示/隐藏图片 Select 1. 基于改进YOLOv5 的黄花成熟度检测方法 盛彬 河南农业科学    2024, 53 (8): 145-153.   DOI: 10.15933/j.cnki.1004-3268.2024.08.016 摘要 （1553）      PDF （3862KB）（176）    可视化    收藏 为统一辨识标准，提高成熟黄花采摘的检测精度和实时性能，提出一种改进的GCS-BI YOLOv5图像检测算法。首先，利用轻量化神经网络（Ghost Net）精简模型结构，节省计算资源；其次，为兼顾图像通道信息、位置信息，交叉引入高效注意力机制（CBAM和SE），提升图像特征感知能力和模型收敛速度；然后，采用加权双向特征金字塔网络（BI FPN），融合多尺度图像信息，提升模型对不同目标的综合检测性能。结果表明，与原始算法YOLOv5相比，所提算法在模型体积、网络层数、参数量、浮点运算量等轻量化指标方面分别下降62.89%、33.12%、63.01%、68.39%；在精确度、召回率等性能指标方面分别提升7.77、6.28百分点；实时性能提升了33.81 f/s。可见，改进算法的综合性能较优，能够满足黄花成熟度检测的要求。 相关文章 | 多维度评价 Select 2. 基于YOLOv5s-SE和通道剪枝的虫咬紫金蝉茶检测方法研究 戴佳兵, 宋春芳, 凌彩金, 李臻锋, 孙崇高 河南农业科学    2024, 53 (5): 157-163.   DOI: 10.15933/j.cnki.1004-3268.2024.05.017 摘要 （846）      PDF （3085KB）（248）    可视化    收藏 为了实现复杂自然背景下虫咬紫金蝉茶的快速、准确识别，提出了一种基于YOLOv5s-SE和通道剪枝的虫咬紫金蝉茶检测方法。首先在YOLOv5s的主干网络中添加SE注意力机制以增强模型特征提取的能力，降低复杂背景对茶叶特征提取时的干扰；然后采用通道剪枝算法对模型进行剪枝并进行微调，实现虫咬紫金蝉茶叶片的快速、准确检测。结果表明，修剪后的模型相比原YOLOv5s模型，参数量减少60.1%，帧率提升18.6%，运算量减少29.7%，平均精度均值（mAP）为81.3%。 参考文献 | 相关文章 | 多维度评价 Select 3. 基于神经网络架构搜索的细粒度花卉图像分类方法研究 郑兴凯, 杨铁军, 黄琳 河南农业科学    2024, 53 (5): 164-171.   DOI: 10.15933/j.cnki.1004-3268.2024.05.018 摘要 （1133）      PDF （3807KB）（195）    可视化    收藏 为了提升深度卷积神经网络设计的自动化程度，并进一步提高细粒度花卉图像的分类准确率，提出了一种改进的基于DARTS的神经网络搜索方法，用于自动构建细粒度花卉图像分类模型。首先，通过构建注意力-卷积模块，形成全注意力-卷积搜索空间，增强网络对可判别特征的关注度。其次，通过构建具有更多浅层特征输入节点的密集连接缩减单元（DCR cell），保留更多的浅层特征信息，减少可判别特征信息的损失并促进多尺度特征融合。最后，在堆叠最佳cell时调整DCR cell的位置，构建参数量大小不一的网络模型，以便在更多的终端设备上部署。结果表明，该方法耗时4.5 h搜索到了最佳神经网络模型，在Oxford 102和Flower 17上的分类准确率分别为96.14%和94.12%。与AGNAS等方法相比，在Oxford 102上提高了1.40百分点，在Flower 17上提高了3.09百分点。 参考文献 | 相关文章 | 多维度评价 Select 4. 基于改进YOLOv7 的苹果表面缺陷轻量化检测算法 李大华, 孔舒, 李栋, 于晓 河南农业科学    2024, 53 (3): 141-150.   DOI: 10.15933/j.cnki.1004-3268.2024.03.015 摘要 （1174）      PDF （4276KB）（267）    可视化    收藏 针对如何提高苹果表面缺陷的检测速度和精度，解决模型内存占比大的问题，提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone，有效降低了模型复杂度，提高了检测速度。并引入SimAM无参注意力机制，以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合，进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失，进一步提高模型收敛速度和整体性能。结果表明，改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点，准确率和召回率也分别提升了1.7、3.9百分点，模型减小20.8 MB，速度提升36.43 帧/s。其综合性能也优于SSD、CenterNet等主流算法，可实现对苹果表面缺陷的快速准确诊断。 参考文献 | 相关文章 | 多维度评价 Select 5. 基于注意力机制的轻量化YOLO v5s 蓝莓检测算法 刘拥民, 张炜, 麻海志, 刘原, 张毅 河南农业科学    2024, 53 (3): 151-157.   DOI: 10.15933/j.cnki.1004-3268.2024.03.016 摘要 （1535）      可视化    收藏 为实现自然环境下蓝莓的精确快速检测，在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先，在主干网络和检测头的位置去除了最大目标检测层的结构，因而降低模型的参数量，增强模型对小目标的检测能力。其次，将MHSA（Multi‐head self‐attention，多头自注意力）替换了SPPF（Spatial pyramid pooling‐fast，快速空间金字塔池化）前面的C3模块，使模型学习到更全面的特征表示，增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后，在C3模块中加入了S-PSA（Sequential polarized self‐attention，顺序极化自注意力），以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明，改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点，平均精度提升2.7百分点，模型参数量减少76.0%。与当前主流轻量化目标检测模型相比，改进后的模型性能更加优越，能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。 参考文献 | 相关文章 | 多维度评价 Select 6. 基于改进U-Net 的不同容重小麦籽粒识别检测 吕宗旺, 王玉琦, 孙福艳 河南农业科学    2023, 52 (10): 141-152.   DOI: 10.15933/j.cnki.1004-3268.2023.10.015 摘要 （1031）      PDF （4539KB）（119）    可视化    收藏 小麦质量等级检测过程中，容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题，需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集，针对小麦籽粒目标小、边缘分割不清晰等特点对U-Net网络进行改进。在主干网络上，采用残差堆叠模块来减少特征损失，在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取，在解码器部分嵌入自注意力机制模块，还原细节信息。结果表明，改进网络模型CBSA_U-Net 的平均交并比（MIoU）为81.5%，比U-Net 模型提升了1.8 百分点，相较于PSPNet、DeepLabv3+模型分别提升了4.2、3.3百分点。 参考文献 | 相关文章 | 多维度评价 Select 7. 基于改进U-Net 的水稻叶片细胞分割方法研究 韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬 河南农业科学    2023, 52 (3): 153-160.   DOI: 10.15933/j.cnki.1004-3268.2023.03.017 摘要 （1133）      PDF （3600KB）（292）    可视化    收藏 针对水稻叶片细胞图像中存在边界模糊、信噪比低和叶肉细胞相互粘连堆叠等特点导致分割精度不高的问题，提出一种基于改进U-Net的水稻叶片细胞分割方法。首先，将BA模块引入到ResNeXt网络中组成BAResNeXt模块作为网络的编码器，在提取深层的语义特征时提高网络对叶肉细胞的关注度；其次，在编码器与解码器之间加入通道交叉注意力机制，缓和解码器和编码器的语义歧义来增强分割图像特征的信息融合；最后，在解码器上采样阶段中使用SE注意力机制，以便过滤分割图像背景的干扰信息。为了验证该方法的有效性，将其与U-Net、Res-UNet、U-Net++和Deeplabv3+等深度学习网络进行试验比对，结果表明，改进的方法在水稻叶片细胞分割中表现最好，其查准率为96.03%、召回率为97.67%、准确率为97.47%、交并比为93.96%，相似系数为96.78%，均比其他网络高。 参考文献 | 相关文章 | 多维度评价