- 年份
- 2024(1884)
- 2023(2782)
- 2022(2445)
- 2021(2430)
- 2020(2111)
- 2019(4876)
- 2018(4960)
- 2017(9819)
- 2016(4988)
- 2015(5488)
- 2014(5286)
- 2013(5132)
- 2012(4437)
- 2011(3694)
- 2010(3310)
- 2009(2725)
- 2008(2275)
- 2007(1557)
- 2006(988)
- 2005(675)
- 学科
- 济(20426)
- 经济(20410)
- 管理(14374)
- 业(13908)
- 方法(12917)
- 数学(11972)
- 数学方法(11874)
- 企(11862)
- 企业(11862)
- 财(4986)
- 农(4267)
- 中国(3981)
- 业经(3646)
- 贸(3635)
- 贸易(3634)
- 易(3569)
- 务(3502)
- 财务(3482)
- 财务管理(3478)
- 技术(3383)
- 企业财务(3345)
- 地方(3195)
- 和(3029)
- 环境(2990)
- 农业(2816)
- 划(2656)
- 理论(2499)
- 制(2366)
- 学(2341)
- 技术管理(2217)
- 机构
- 大学(62139)
- 学院(61437)
- 管理(29594)
- 济(27231)
- 经济(26868)
- 理学(26639)
- 理学院(26447)
- 管理学(26176)
- 管理学院(26052)
- 研究(15572)
- 中国(11531)
- 京(11491)
- 财(11103)
- 财经(9694)
- 经(8995)
- 业大(8788)
- 科学(8678)
- 经济学(8433)
- 中心(8386)
- 商学(7890)
- 经济管理(7845)
- 商学院(7815)
- 经济学院(7754)
- 财经大学(7518)
- 江(7210)
- 农(6692)
- 范(6651)
- 师范(6596)
- 北京(6520)
- 所(6005)
- 基金
- 项目(49529)
- 科学(40681)
- 基金(38330)
- 研究(36786)
- 家(32663)
- 国家(32403)
- 科学基金(29392)
- 社会(24701)
- 社会科(23584)
- 社会科学(23579)
- 基金项目(21278)
- 自然(19370)
- 自然科(18957)
- 自然科学(18956)
- 省(18908)
- 自然科学基金(18616)
- 教育(16852)
- 划(15830)
- 资助(14827)
- 编号(14182)
- 部(11576)
- 创(11112)
- 重点(10749)
- 国家社会(10536)
- 人文(10455)
- 教育部(10419)
- 创新(10339)
- 发(10282)
- 成果(10141)
- 科研(10067)
共检索到74778条记录
发布时间倒序
- 发布时间倒序
- 相关度优先
文献计量分析
- 结果分析(前20)
- 结果分析(前50)
- 结果分析(前100)
- 结果分析(前200)
- 结果分析(前500)
[期刊] 南京农业大学学报
[作者]
刘璎瑛 曹晅 郭彬彬 陈慧杰 戴子淳 龚长万
[目的]肉鹅姿态是预警肉鹅异常行为、评判肉鹅健康状态的重要指标，针对传统养殖场人工观察肉鹅姿态耗时费力且有很大主观性等问题，提出了一种基于深度学习模型自动识别肉鹅姿态的检测算法。[方法]利用YOLO v5模型对扬州鹅4种姿态进行识别（站立、休憩、饮水和梳羽）；对YOLO v5模型加入SENet、CBAM、ECA三种注意力模块改进网络结构，提高模型的识别能力；设计明暗试验和密集场景实验进一步验证模型在复杂场景下的鲁棒性。[结果]YOLO v5+ECA模型的平均检测精度（mAP）为88.93%，相比YOLO v5提升了2.27%。在识别精度（AP）上，站立姿态为91.85%，休憩姿态为93.42%，饮水姿态为90.02%，梳羽姿态为80.42%。在明暗试验和密集场景实验中，YOLO v5+ECA模型性能表现稳定，漏检现象和误检现象相对较少。[结论]该模型可以实现养殖场复杂场景下肉鹅姿态准确快速的检测，为后续的肉鹅行为监控和健康防疫做数据支撑。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
方文博 郭永刚 关法春 张伟 刘倩倩 王树文 张正超 于皓然
鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害，提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础，在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理，提取虫洞边缘不规则信息；将特征信息输入空间注意力机制，提取时空融合信息，进而捕获野外不同背景下的颜色信息；针对大豆叶片虫洞目标远近不一的问题，重构特征金字塔结构，增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图，并将其与浅层同尺寸特征图进行拼接，提高虫洞目标识别定位的准确性；将融合后的总特征输入目标检测模块，输出单个对象的检测外框，得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试，结果对大豆叶片虫洞的平均识别准确率最高达95.24%，模型存储空间为15.1 MB，每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比，对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。
[期刊] 湖南农业大学学报(自然科学版)
[作者]
方文博 郭永刚 关法春 张伟 刘倩倩 王树文 张正超 于皓然
鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害，提出了一种大豆叶片虫洞的识别方法：以YOLO v5s网络作为基础，在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理，提取虫洞边缘不规则信息；将特征信息输入空间注意力机制，提取时空融合信息，进而捕获野外不同背景下的颜色信息；针对大豆叶片虫洞目标远近不一的问题，重构特征金字塔结构，增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图，并将其与浅层同尺寸特征图进行拼接，提高虫洞目标识别定位的准确性；将融合后的总特征输入目标检测模块，输出单个对象的检测外框，得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试，结果对大豆叶片虫洞的平均识别准确率最高达95.24%，模型存储空间为15.1 MB，每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比，对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。
[期刊] 上海海洋大学学报
[作者]
董兆鹏 岳晓雪 田中旭 侯思凡 姜立盛
基于YOLO的贻贝（Mytilus edulis）识别与检测技术，是实现贻贝分级、分苗等作业环节机械化和智能化的关键。然而，贻贝因外部特征不够清晰明确，给识别准确率的提高带来了挑战。本文提出一种基于改进YOLOv5算法的贻贝目标检测模型（CST-YOLO）。该算法融合CoordAttention注意力机制，以增强特征表达能力；采用SIoU作为边界框回归损失函数，以减少边界框回归损失，提高模型的检测速度；将Head替换为改进的解耦头TSCODE Head来提高检测准确率。并在自制的贻贝数据集上进行算法测试，实验结果显示：相比YOLOv5算法，CST-YOLO算法准确率P提高了0.428%，mAP＿0.5:0.95达到92.221%，提高了1.583%。实验表明CST-YOLO算法在保证检测速度的前提下，有效提高了贻贝目标的检测精度。本研究有助于机器视觉技术在贻贝养殖业自动化与智能化生产加工中的应用。
[期刊] 南京农业大学学报
[作者]
徐会杰 黄仪龙 刘曼
[目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差，漏检率高的问题，提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn。[方法]该模型采用Darknet-53作为特征提取网络，将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接，建立起104×104尺度的检测层；在前期构建的包含6个类别玉米常见病虫害数据集中，利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别。[结果]实验结果表明：在YOLOv3系列模型中，YOLOv3-Corn模型的检测精度均值（mAP）、召回率（Recall）达到了93.31%和93.08%，与YOLOv3模型相比分别提高了4.03%和9.78%。在非YOLO系列模型中，YOLOv3-Corn模型平衡了Faster R-CNN模型的检测速度的不足和RetinaNet模型的召回率，精确度不足的问题。[结论]在保证提取相同特征参数、检测时效性好的前提下，有效提高了识别精度。
[期刊] 南京农业大学学报
[作者]
张续博 张家瑜 贲宗友 王逸凡 曾雨可 陈坤杰
[目的] 为准确识别糙米内部裂纹，提出了一种基于改进YOLO v5l的糙米裂纹识别算法——YOLO v5-RF。[方法] 使用深度卷积代替CBS（Convolution+Batch normalization+Sigmoid linear unit）模块中的普通卷积构建出DWBS（Depthwise convolution+Batch normalization+Sigmoid linear unit）模块，然后将DWBS模块堆叠成辅助骨干网络，再与原始的Darknet-53主干网络相结合形成基于DWBS模块的同级复合骨干网络，以提高糙米内部裂纹特征提取能力；在颈部网络使用逆向连接层来增强解码端特征的丰富性，用于提高解码端对糙米内部裂纹的识别能力；利用CBAM（Convolutional block attention module）注意力模块调整SPPF（Spatial pyramid pooling-fast）模块的通道注意力表达，通过构建一种SPPF模块与CBAM模块结合的网络结构来提高编码阶段的语义信息表达质量。[结果] 试验结果显示，所提出的YOLO v5-RF算法的平均精度（Average precision）、召回率（Recall）和精确率（Precision）分别达到了94.01%、86.92%、90.85%，相比YOLO v5l算法，分别提升了4.72%、6.23%、1.23%。[结论] 所提方法能够准确进行糙米内部裂纹的识别，可为稻谷爆腰率检测提供技术参考。
[期刊] 福建农林大学学报(自然科学版)
[作者]
劳全 夏云峰 叶盛 杨杰 赖叶茗 陶晰
【目的】对受松材线虫病影响的树木进行快速、高效和精确的检测。【方法】利用深度学习技术中的YOLO v4(you only look once version 4)目标检测模型，对高分辨率影像中的松材线虫病变色木进行检测，并与SSD(single shot multibox detector)模型进行对比。【结果】YOLO v4模型的检测精度较高，精确度(P)为0.961 3,召回率(R)为0.764 9,F1分数为0.851 9。【结论】YOLO v4可准确地识别和定位松材线虫病变色木，且精确度比SSD高。
关键词：
松材线虫病变色木 深度学习 目标检测
[期刊] 华中农业大学学报
[作者]
陈仁凡 谢知 林晨
为解决温室环境下草莓果实快速准确识别问题，提出一种基于改进YOLOv5s的草莓成熟度检测方法。在主干中引入Shuffle＿Block作为特征提取网络，从而实现模型轻量化。同时，在颈部结构中使用全维度动态卷积模块（omni-dimensional dynamic convolution, ODConv），以提高网络对草莓目标的信息挖掘能力，降低计算量，并进一步实现轻量化。结果显示，改进后的YOLO-ODM(YOLO with ODConv module)模型的平均精度均值达97.4%，模型体积是7.79 Mb，在GPU上的单张平均检测时间仅11 ms，浮点运算量为6.9×10~9。与原网络相比，轻量化的YOLO-ODM方法在提高检测精度的同时，模型大小缩减43%，浮点运算量降低52%。以上结果表明，该轻量化方法可快速准确地对温室环境下草莓果实的成熟度进行检测，实现草莓的生长状态监测。
[期刊] 南京农业大学学报
[作者]
朱琦 周德强 盛卫锋 左文娟 朱家豪
[目的]针对苹果无损检测过程中表面缺陷检测精度低的问题，提出一种基于DSCS-YOLO的苹果表面缺陷检测方法。[方法]首先为提高网络对表面缺陷细节特征的提取能力，设计了一种基于Dense模块以及SE模块的深浅特征选择模块DSCS(Deep and shallow feature selection module)，采用DSCS替换Backbone中的C3模块，在保留表面缺陷浅层信息的基础上强化对重要特征的学习，并起到削弱冗余特征的作用；针对由于Backbone与Neck部分输出信息过多导致的参数耦合问题，利用解耦头原理对Head层部分进行分层预测。同时采用ELU激活函数改进原有解耦头，简化了末端结构，使网络训练更加容易；最后针对表面缺陷标注困难的问题，采用Wise-IoU损失函数代替CIoU损失函数，为不同质量的标注提供非线性增益，实现网络的动态聚焦学习。[结果]试验结果表明，DSCS-YOLO对苹果表面缺陷检测的平均精度均值达到90.9%，相较于YOLOv3-tiny、YOLOv5s、YOLOX-s以及SSD分别提高了4.5%、1.9%、6.3%、16.3%。[结论]改进后的DSCS-YOLO提高了YOLOv5s算法的精度，实现了苹果表面缺陷的精准识别。
[期刊] 南京农业大学学报
[作者]
施宏 沈明霞 刘龙申 陆明洲 孙玉文 刘志刚
[目的]哺乳期母猪的姿态是其母性的外在表现,为监测母猪在哺乳期的哺乳行为,提出了一种基于Kinect的无接触式母猪姿态识别算法。[方法]使用Kinect 2.0采集位于限位栏内哺乳期小梅山母猪的深度数据。先通过姿态预分类将母猪的姿态分为站姿与卧姿,而后针对卧姿,使用基于DBSCAN(density-based spatial clustering of applications with noise)密度聚类算法计算母猪高度信息的簇数,通过比较簇的个数将卧姿分为侧卧与趴卧;针对站姿,使用基于脊背线提取的识别算法,将脊背线分成前后2段,通过比较前后2段脊背线的平均高度将站姿分为站立与坐立。[结果]比较人眼观察结果与算法识别结果,该算法识别站立、坐立的准确率分别为94.3%、92.6%,趴卧识别准确率为84.2%,侧卧姿态为93.7%。[结论]提出了一种无接触式的哺乳期母猪姿态识别算法,为母猪哺乳能力的评判与健康状况的分析提供了技术支持。
[期刊] 南京农业大学学报
[作者]
张晖耀 黄力湘 陈继清 刘睿 苏子龙 银庆刚 黄敬炎 桂友强 李家鑫
[目的]本文旨在提高机械自动化设备进行草莓采摘时的草莓成熟度检测精度。[方法]针对草莓采摘过程中因枝叶遮挡、检测目标小、同级成熟度果皮纹理特征差异导致成熟度检测精度低的问题，提出一种草莓成熟度检测模型—YOLOv5s-SCW。本模型通过在Backbone中融合Swin Transformer Block，加强相同成熟度草莓果皮纹理特征融合，显著减少模型的参数量；在Neck中采用CA（Coordinate Attention ）注意力机制，引入空间坐标信息，提高模型检测精度；采用Wise-IoU（WIoU）损失函数替换CIoU损失函数，动态调整目标权重，提高模型的检测性能。最后基于草莓数据集进行试验，验证改进模型的性能。[结果]相较于标准YOLOv5s模型，YOLOv5s-SCW模型在精确率、召回率和平均精度均值（mAP）方面分别提升了4.9%、5.6%和4.9%，达到了91.3%、90.6%和95.7%。不同成熟度草莓的平均检测精度（高、中、低）分别为97.1%、93.7%和96.3%，平均检测时间为10.8毫秒，模型参数量为4.84 M。[结论]本研究基于YOLOv5s提出的YOLOv5s-SCW模型显著提高了模型在自然环境下识别不同成熟度草莓的能力，大幅降低了模型的参数量，实现了轻量化，满足农业过程中进行实际草莓采摘的需求。
关键词：
草莓 YOLOv5s 成熟度检测 轻量化
[期刊] 实验技术与管理
[作者]
傅荟璇 刘凌风 王宇超
3D目标检测结合了深度信息,能够提供目标的位置、方向和大小等空间场景信息,在自动驾驶和机器人领域发展迅速。针对PV-RCNN在3D目标检测时不能够充分适应不同的物体尺度、不同的点云密度、部分变形和杂波等问题,对3D目标检测的任务进行实验研究。通过加入自适应可变形卷积、上下文融合模块和Gumbel Subset Sampling模块来训练层级特征,使得编码关键点自适应地朝着最具有判别和代表性的特征对齐,提高提案框回归精度。实验结果表明,改进后的PV-RCNN 3D目标检测精度得到了提升,尤其是在远距离物体识别和检测方面。
[期刊] 实验技术与管理
[作者]
李志鹏 于鸿彬 邵宏宇
为提高传统Canny算法的灵活度和自适应能力,提出了一种改进的自适应Canny边缘检测算法。采用双边滤波代替高斯滤波滤除噪声并锐化图像边缘;再使用水平、垂直、45°、135°等4个方向的梯度模板对图像的梯度幅值进行计算。对传统的Otsu阈值分割算法进行了改进,改进的思路是找出类内和类间方差的最大值作为阈值,阈值搜索范围的缩小可以使计算量减少,实现快速分割。通过道路标线图像验证,说明改进后的Canny算法对道路标线的分割效果更好,减少了边缘断裂和假边缘,处理的时间也相对缩短。
[期刊] 南京农业大学学报
[作者]
郭小燕 于帅卿
[目的]针对将目标检测技术应用于农作物虫害检测中时，需要大量训练样本以及高性能计算设备，这对于计算硬件、样本数量质量受限的情况下进行农作物虫害的识别带来了困难，本文提出了一种轻量级YOLO V5S农作物虫害目标检测模型以解决在样本数量不足的情况下，农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost BottleBlock线性特征提取模块封装为1个GB模块，代替了YOLO V5S中前7个CBL，CSP，SPP非线性特征提取模块，从而约简了YOLO V5S的网络参数，减轻了网络体量。[结果]在保证虫害检测效果的前提下降低了网络对计算硬件与训练样本的依赖。为了验证模型的有效性，对于水稻、玉米、棉花、马铃薯、苜蓿等5种农作物的12类虫害进行识别与定位，平均精确率mAP为91.31%，比YOLO V5S模型高出2.5个百分点。[结论]通过和SSD，Faster-RCNN，YOLO V5S对比，发现本文提出的模型在mAP，F1-score，Precision，Recall四个评价指标均占优势，尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。
[期刊] 中国农业大学学报
[作者]
赵颖 王书茂 陈兵旗
针对机器视觉导航中道路引导线检测方法复杂、实时性不能满足使用要求的问题提出了基于改进Hough变换的公路车道线快速检测算法:根据车道线与路面颜色的不同判断车道线位置计算出车道线的方向候补点群,根据车辆所处车道的情况对方向候补点群进行聚类,以每一类的中点为基准点使用基于一点的改进Hough变换算法计算出车道线的斜率。实验结果表明,一幅图片的处理时间约85 ms,处理结果与实际情况吻合。算法能够检测出高速公路上所有车道线的斜率,为道路引导线的实时检测提供了一种新思路。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
