CN114973002B 一种基于改进的YOLOv5的麦穗检测方法 （安徽大学）_第1页
CN114973002B 一种基于改进的YOLOv5的麦穗检测方法 （安徽大学）_第2页
CN114973002B 一种基于改进的YOLOv5的麦穗检测方法 （安徽大学）_第3页
CN114973002B 一种基于改进的YOLOv5的麦穗检测方法 （安徽大学）_第4页
CN114973002B 一种基于改进的YOLOv5的麦穗检测方法 （安徽大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明涉及一种基于改进的YOLOv5的麦穗穗图像数据集划分为训练集和测试集；构建明引入CIOU_Loss作为算法损失函数的BoundingBoxRegressionLoss，提升检验框检测的准确2(3a)在YOLOv5网络模型的Backbone基础网络的C3结构与SPP结构之间引入CA注意力机3最后将测试集输入训练好的改进的YOLOv5网络2.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于：所述步骤(1b)用数据标注工具Labeling对麦穗图像进行标注，用矩形框标注图像中麦穗的位3.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于：所述步骤(4a)设置训练参数即网格训练参数，网格训练参数包括迭代次数、批量大小batch45[0021](3a)在YOLOv5网络模型的Backbone基础网络的C3结构与SPP结构之间引入CA注意为1.0,flipud为0.01,fli[0032]采用网格训练参数、数据增强参数以及训练集对改进的YOLOv5网络模型进行训6[0041](3a1)嵌入坐标信息：使用池化层分别沿着水平坐标和垂直坐标对每个通道进行的特征提取能力；第三，本发明引入CIOU_Loss作为算法损失函数的BoundingBox[0049]如图1所示，一种基于改进的YOLOv5的麦穗检测方法，该方法包括下列顺序的步7[0067](3a)在YOLOv5网络模型的Backbone基础网络的C3结构与SPP结构之间引入CA注意[0069](3a1)嵌入坐标信息：使用池化层分别沿着水平坐标和垂直坐标对每个通道进行8为1.0,flipud为0.01,fli[0081]采用网格训练参数、数据增强参数以及训练集对改进的YOLOv5网络模型进行训[0089]改进的YOLOv5网络模型在训练过程中各评价指标的变化如图5所示，改进的mAP(0.5)mAP(0.5:0.9)0.489

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论