- 年份
- 2024(204)
- 2023(355)
- 2022(306)
- 2021(281)
- 2020(204)
- 2019(492)
- 2018(422)
- 2017(853)
- 2016(434)
- 2015(436)
- 2014(436)
- 2013(409)
- 2012(366)
- 2011(259)
- 2010(259)
- 2009(224)
- 2008(184)
- 2007(147)
- 2006(92)
- 2005(62)
- 学科
- 济(1874)
- 经济(1873)
- 方法(1312)
- 数学(1283)
- 数学方法(1276)
- 管理(1031)
- 业(1030)
- 企(777)
- 企业(777)
- 财(523)
- 中国(366)
- 农(355)
- 务(349)
- 财务(348)
- 财务管理(347)
- 企业财务(345)
- 贸(327)
- 贸易(327)
- 易(320)
- 技术(316)
- 农业(256)
- 业经(255)
- 学(254)
- 环境(254)
- 产业(231)
- 出(230)
- 融(227)
- 金融(227)
- 地方(207)
- 制(204)
- 机构
- 大学(5806)
- 学院(5649)
- 济(2495)
- 经济(2461)
- 管理(2098)
- 理学(1875)
- 理学院(1860)
- 管理学(1804)
- 管理学院(1793)
- 研究(1742)
- 中国(1168)
- 业大(1165)
- 京(1151)
- 财(1073)
- 科学(1069)
- 农(968)
- 财经(957)
- 经济学(903)
- 经(902)
- 中心(886)
- 经济学院(847)
- 财经大学(770)
- 工程(768)
- 农业(757)
- 所(749)
- 院(740)
- 研究所(723)
- 信息(700)
- 商学(689)
- 商学院(688)
共检索到6848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] 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] 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] 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]
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] 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] 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] 中国农业大学学报
[作者]
顾文艳 毛恩荣
开发了一种基于新国标的机动车安全技术性能全自动检测系统 ,该系统实现了检测过程的自动化 ,具有较高的检测效率 ,具备结果查询、复制、统计、打印 ,传感器标定 ,设备检定、自检 ,系统设置和帮助等功能。
关键词：
机动车 安全技术性能 全自动检测
[期刊] 中南林业科技大学学报
[作者]
李亚东 曹明兰 金红玉 姚树军 李亚昆 贾树华
【目的】造林是实现林业资源可持续发展的重要手段。造林地块分散、分布偏远、交通条件差，人工造林成活率检查耗费大量人力、物力和时间成本，且效率低、无法及时全面精准掌握造林成活率、采用的抽样检查方法受主观因素和偶然因素影响较大。为解决以上问题，本研究探索了一种基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法。【方法】利用大疆Mavic2多旋翼无人机采集不同时期云杉人工造林地的影像，利用YOLOv5深度学习网络模型训练了苗木对象检测模型，并与DeepSORT多目标追踪算法相结合，在安装Mavic2无人机地面站的安卓平板电脑上进行二次开发。通过整合无人机4G图传，将无人机拍摄的视频实时回传至无人机地面站安卓平板电脑上。利用YOLOv5s+DeepSORT实现了实时苗木检测与动态多目标追踪，通过对跟踪到的苗木进行类别判定和计数汇总，最终自动计算目标小班的造林成活率。【结果】在内蒙古大兴安岭大杨树林业局乌鲁布铁林场2022年春季造林地块中随机抽取了7个造林小班进行试验，结果表明本研究与人工检查相比成活率检测平均相对精度能达到99.62%，可平均节省50.94%人力工时。【结论】文章采用基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法，不仅效率高、精度可靠、容易操作、可以极大地减少人力工时。与传统人工检查方法相比具有以下优势：1）有效提高了检测效率，减少了人力、时间、交通成本，能够实现对所有造林地块的全面检测，减少了抽样检查方法导致的随机误差；2）实现利用基于视频检测的算法自动完成成活率统计，统一了检测标准，避免了人工检测带来的主观误差；3）在检测视频中标注每株苗木的判定类别，可作为过程资料保存输出，为复核提供了有效依据。
[期刊] 实验技术与管理
[作者]
徐启 臧腾飞 李丽娟 薛雍 王精
为提高密封箱室泄漏率的检测效率以及减少人工计算的误差干扰，根据密封箱室的设计原则和检验方法，设计了基于PLC和WinCC触摸屏的密封箱室泄漏率自动检测系统。系统以西门子S7-200 SMART作为控制核心，以SMART 700 IE V3作为上位机实现人机交互，以PLC程序的方式顺序控制含氧法与压力变化法的控制逻辑，在保证测量精度以及检测效率的基础上节省了大量的人工成本。实验结果表明，该控制系统能很好地使用含氧法和压力变化法完成对箱体泄漏率的检测，具有较高的实用性。
[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] 南京农业大学学报
[作者]
周晋兵 陈鹏 雷雨 黄林生 赵晋陵 梁栋
[目的]条锈病菌夏孢子是引起小麦条锈病暴发的重要原因，针对夏孢子显微图像识别中存在的检测精度不高和分割精度较低的问题，提出了一种基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测算法。[方法]首先，针对显微图像中夏孢子目标密集，易粘连等特点，通过改进Unet++特征提取网络，将原始网络的输出反向连接至输入端形成一种自旋结构，并增加超参数K控制自旋次数，可达到迭代训练的目的，优化了Unet++网络的分割精度，提高了检测的分割率；其次，根据孢子的形态特征，提出了一种加权映射矩形计算公式，以计算其矩形热力图，以提高孢子的检测精确率。[结果]算法测试结果表明，改进算法的平均精确率达到了99.03%，分割率为86.45%，较原始CenterNet模型分割率提高了10.35百分点，精确率提高了0.46百分点，占用内存降低了66.09%。[结论]该模型在保证较高精度的检测夏孢子目标的同时，保证了较高的孢子分割率，为后续小麦条锈病的早期预警提供了一种有效的方法支撑。
[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] 实验技术与管理
[作者]
叶涛 秦文阳 张晞
针对人工智能课程实验要求,结合轨道交通障碍物检测实际工程问题,开发了一种基于毫米波雷达和计算机视觉联用的障碍物自动检测系统实验教学平台。该实验平台由数据采集模块、信息处理模块和预警显示模块组成,涉及图像处理技术、目标检测技术、网络模型部署等。实验结果表明,该系统具有良好的有效性、实时性、鲁棒性以及小目标检测能力,可以满足实际场景下的检测性能要求。通过该实验教学平台,可以提高学生创新实践能力,使学生认识到人工智能技术在实际工程问题中的应用,从而为将来的科研或工作打下基础。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
