基于改进YOLOv5s的日光温室损伤等级遥感影像检测方法

S26%TP391; 针对目前日光温室损伤程度的统计方法普遍依靠人工目视导致的检测效率低、耗时长、精确度低等问题,该研究提出了一种基于改进YOLOv5s的日光温室损伤等级遥感影像检测模型.首先,采用轻量级MobileNetV3作为主干特征提取网络,减少模型的参数量;其次,利用轻量级的内容感知重组特征嵌入模块(content aware reassembly feature embedding,CARAFE)更新模型的上采样操作,增强特征信息的表达能力,并引入显式视觉中心块(explicit visual center block,EVCBlock)替换和更新颈部层,进一步提升检测精度;最后将目...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 22; pp. 133 - 143
Main Authors 何斌, 张金豪, 丁小明, 付国, 李雯雯
Format Journal Article
LanguageChinese
Published 西北农林科技大学水利与建筑工程学院,杨凌 712100 01.11.2023
西北农林科技大学旱区农业水土工程教育部重点实验室,杨凌 712100%西北农林科技大学水利与建筑工程学院,杨凌 712100%农业农村部规划设计研究院设施农业研究所,北京 100125
Subjects
deep learning
设施农业
YOLOv5
温室
深度学习
facility agriculture
greenhouse
remote sensing
遥感
快速检测
rapid detection
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202307284

Cover

More Information
Summary:S26%TP391; 针对目前日光温室损伤程度的统计方法普遍依靠人工目视导致的检测效率低、耗时长、精确度低等问题,该研究提出了一种基于改进YOLOv5s的日光温室损伤等级遥感影像检测模型.首先,采用轻量级MobileNetV3作为主干特征提取网络,减少模型的参数量;其次,利用轻量级的内容感知重组特征嵌入模块(content aware reassembly feature embedding,CARAFE)更新模型的上采样操作,增强特征信息的表达能力,并引入显式视觉中心块(explicit visual center block,EVCBlock)替换和更新颈部层,进一步提升检测精度;最后将目标边界框的原始回归损失函数替换为EIoU(efficient intersection over union)损失函数,提高模型的检测准确率.试验结果表明,与基准模型相比,改进后模型的参数数量和每秒浮点运算次数分别减少了 17.91和 15.19个百分点,准确率和平均精度均值分别提升了 0.4和 0.8个百分点;经过实地调查,该模型的平均识别准确率为 84.00%,优于Faster R-CNN、SSD、Centernet、YOLOv3等经典目标检测算法.日光温室损伤等级快速识别方法可以快速检测日光温室的数量、损伤等级等信息,减少设施农业管理中的人力成本,为现代化设施农业的建设、管理和改造升级提供信息支持.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202307284