• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進YOLO v8n的輕量化茶葉嫩芽識別模型

    2024-12-06 00:00:00宋敏譚立新胡程喜王文胤巢理
    江蘇農業(yè)科學 2024年21期
    關鍵詞:嫩芽殘差卷積

    摘要:針對智能采茶機器人在茶葉嫩芽檢測過程中存在的準確率低、計算量大、檢測魯棒性不足等問題,提出一種基于改進YOLO v8n網絡模型的茶葉嫩芽檢測算法YOLO v8-TD。該算法分別在不同天氣(晴天、陰天、雨后)及不同季節(jié)(春、秋)采用不同角度拍攝嫩芽圖像,構建數(shù)據(jù)集,利用翻轉、旋轉、改變亮度、添加噪聲等操作來進行數(shù)據(jù)增強,以加強模型在實際環(huán)境中光照、角度不同的魯棒性。在算法結構上,YOLO v8-TD對YOLO v8n模型的骨干網絡和頸部網絡進行改進。首先,在C2f模塊中引入了可擴張殘差(DWR)注意力機制,用于增強特征提取能力,使模型能夠更準確地識別出茶葉嫩芽的細微特征。其次,模型引入雙向特征金字塔網絡(BiFPN)結構,用于增強多尺度和通道間的上下文信息捕獲能力,減少信息冗余,使模型能夠在多種尺度下精確定位目標。最后,借鑒VoV-GSCSP模塊的思想,改進模型頸部網絡,通過采用分組卷積和通道混洗技術,降低模型的復雜度和計算量,提高算法的運行效率。試驗結果表明,原始模型在加入DWR可擴張殘差注意力機制后,平均精度上升1.4百分點,計算量減少0.1 GFLPs;疊加BiFPN結構后,有效實現(xiàn)輕量化,計算量降為7.1 GFLPs減少了1 GFLPs,但平均精度降為95.4%;最后加入VoV-GSCSP模塊構建成YOLO v8-TD,平均精度達到97.2%,計算量降至6.6 GFLPs,模型參數(shù)量相較原模型減少36.5%。與Faster-RCNN、SSD、RT-DETR、YOLO v3、YOLO v5和YOLO v8n模型相比,YOLO v8-TD在檢測精度和模型參數(shù)量大小方面做出了較好的平衡,進而為采茶機器人輕量化部署提供了有效參考。

    關鍵詞:茶葉;改進YOLO v8;輕量化;高精度;嫩芽識別;注意力機制;BiFPN;采茶機器人

    中圖分類號:TP183;S126;TP391.41

    文獻標志碼:A

    文章編號:1002-1302(2024)21-0229-08

    收稿日期:2024-06-21

    基金項目:中國高校產學研創(chuàng)新基金(編號:2022IT182);湖南省教育科學規(guī)劃課題(編號:XJK24BZY037)。

    作者簡介:宋 敏(1998—),男,湖南郴州人,碩士研究生,主要從事農業(yè)工程與信息技術、計算機視覺研究。E-mail:206290978@qq.com。

    通信作者:譚立新,教授,碩士生導師,主要從事機器人與智能系統(tǒng)、農業(yè)信息技術研究。E-mail:594637823@qq.com。

    在茶葉市場需求只增不減的行業(yè)趨勢下,茶葉采摘環(huán)節(jié)的勞動力反而出現(xiàn)逐年衰退現(xiàn)象[1。由于茶園場地基本上在農村郊區(qū)地段,就近勞動力老齡化嚴重,年輕人對采茶工作認可度不高,異地勞動力包吃住成本高以及茶葉采摘季節(jié)性強,無法滿足長期打工者的需求2。因而解決采茶勞動力不足的需求迫在眉睫,自動化機械采茶成為首選方案3-4。目前自動化機械采茶主要針對的是大宗茶市場,采摘方式主要為機器統(tǒng)一切割采集,其品質無法供應高端茶葉市場。高端茶葉市場中名優(yōu)茶的采摘要求都是單芽、1芽1葉、1芽2葉[5。自動化采茶機器面對名優(yōu)茶表現(xiàn)得束手無策,為實現(xiàn)與人工無差的采摘品質,需要機器學會對茶葉嫩芽的精準識別定位,這也是實現(xiàn)智能化采茶的關鍵和前提。

    茶葉嫩芽檢測方法主要分為傳統(tǒng)的圖像處理技術以及深度學習方法[6-7。傳統(tǒng)的圖像處理方法基于灰度、顏色、紋理和形狀等特征,對圖像進行區(qū)域分割和分析,以此分割出不同區(qū)域間的差異,將目標突顯出來。姜苗苗等提出一種基于顏色因子與圖像融合的茶葉嫩芽圖像檢測算法分割出嫩芽[8。陳妙婷等通過提取嫩芽像素點與背景像素點的RGB及(R-B)特征,并重組特征組,利用重組后的特征組分割構建支持向量機SVM實現(xiàn)對名優(yōu)茶嫩芽圖像自動分割[9。呂軍等針對現(xiàn)有茶葉嫩芽圖像自動檢測方法存在對光照變化的敏感這一特點提出一種基于區(qū)域亮度自適應校正的茶葉嫩芽檢測模型10。許寶陽等基于Faster-RCNN構建深度學習網絡模型,從嫩芽數(shù)量、生長姿態(tài)、不同采集數(shù)據(jù)角度以及不同光照條件等多種維度進行嫩芽識別,在光線和角度變化較大場景下效果不佳[11-12。王夢妮等提出一種基于改進YOLO v5s網絡模型的茶葉嫩芽檢測算法,該算法提高了改進模型的復雜度,將小目標特征作為研究重點,并在小目標檢測上頗有成效,然而在識別精度方面不足90%,依然還有很大的提升空間[13-14?,F(xiàn)有研究中使用的網絡模型參數(shù)較為復雜,計算量較大,難以在識別效率與準確率之間達到有效平衡。模型計算量決定了對于設備成本的要求,而準確率是決定模型能否實際應用的關鍵指標。

    針對以上問題,以茶葉嫩芽檢測識別作為研究目標,采用YOLO v8目標檢測算法為基礎,根據(jù)目前嫩芽檢測識別存在的問題和缺陷進行改進,進而推進茶葉智能采茶識別研究的進展。本研究可為解決數(shù)據(jù)集構建困難、茶葉嫩芽檢測精度不高以及現(xiàn)有檢測模型計算量大提出解決方案,為茶葉采摘機器人的研發(fā)提供支持。

    1 試驗數(shù)據(jù)

    1.1 數(shù)據(jù)樣本采集

    本研究的茶葉嫩芽圖像樣本由筆者所在的實驗室團隊2023年清明節(jié)前后以及秋季在湖南省長沙市長沙縣高橋鎮(zhèn)溪清茶園采集,采集設備為iPhone 13 pro以及Nikon D3100。圖像采集的對象為開春的鮮嫩茶芽以及秋季茶芽目標,拍攝的圖像包含了斜45°俯拍、90°俯拍、強光照射、多目標、遮光環(huán)境、雨后等類型。最終確定合格的原始圖像 2 864 張(圖1)。

    1.2 數(shù)據(jù)集制作

    本次數(shù)據(jù)集標簽采用LabelImg進行茶葉嫩芽位置標注,分為1芽1葉(leaf_1)和1芽2葉(leaf_2)2個標簽。將標簽的保存文件設置.txt格式以及制作了.txt標簽轉.xml標簽的轉換工具,以便使用。為了進一步提高模型的泛化能力,利用翻轉、旋轉、改變亮度、添加噪聲等操作來進行數(shù)據(jù)增強,以加強在實際環(huán)境中光照、角度不同的魯棒性。將數(shù)據(jù)集以7∶2∶1的比例隨機劃分為訓練集、驗證集、測試集。經過增強得到的數(shù)據(jù)集結果如表1所示,增強效果如圖2所示。

    2 嫩芽識別算法改進

    2.1 YOLO v8算法

    YOLO屬于單階段目標檢測網絡[15,主要的版本包括YOLO v3、YOLO v5、YOLO v7以及YOLO v8算法[16-19,選取其中最新的YOLO v8算法。YOLO v8包括YOLO v8n、YOLO v8s、YOLO v8m、YOLO v8l以及YOLO v8x等5個尺寸,網絡深度和網絡寬度和計算量依次增大。YOLO v8n的模型深度雖然最淺,但是依舊有著良好的檢測精度,相較于更深度的模型如YOLO v8s及以上版本的精度提升并不多,但模型體積卻大出好幾倍。結合茶葉采摘對于實時性高的要求,選擇模型復雜度最低的YOLO v8n模型加以改進,在提高檢測精度的同時,保持輕量化。YOLO v8 網絡的訓練過程包括數(shù)據(jù)預處理與數(shù)據(jù)增強、錨框自適應計算、特征提取、特征融合和檢測頭的訓練:(1)通過Mosaic數(shù)據(jù)增強技術對輸入圖像進行隨機縮放、裁剪和拼接,增加訓練數(shù)據(jù)的多樣性,提高模型對小目標的檢測能力;(2)根據(jù)訓練數(shù)據(jù)集的目標大小和比例設置初始錨框,并在訓練過程中通過預測框與真實框的比較,利用反向傳播算法自適應調整錨框參數(shù);(3)通過深層卷積神經網絡提取多尺度圖像特征,并利用特征金字塔網絡將不同尺度的特征進行融合,增強特征表達的細粒度信息;(4)在檢測頭部分,分別對融合后的特征進行分類和邊界框回歸,計算分類損失和定位損失,并通過反向傳播和優(yōu)化算法調整網絡權重;(5)通過非極大值抑制處理候選框,移除重復和冗余的框,輸出置信度最高的檢測結果。

    2.2 骨干網絡優(yōu)化

    近年來,注意力機制已成為深度學習領域的一項革命性技術,其核心理念在于優(yōu)化資源分配,確保神經網絡在有限的計算能力下,能夠高效地聚焦于關鍵信息[20。這一機制通過智能地篩選海量輸入數(shù)據(jù),實現(xiàn)快速定位高價值信息,極大地提升了模型在處理自然語言、圖像識別等復雜任務時的性能和效率。將原本骨干網絡中最后2個特征融合模塊融合擴張式殘差注意力結構DWR(dilation-wise residual),使用2步區(qū)域殘差化語義多尺度特征提取[21。通過第1步區(qū)域形式特征映射進行目標感受野內的語義形態(tài)濾波操作,使卷積在特征提取中扮演更簡單的角色,從而提高效率。DWR模塊采用殘差結構設計(圖3),部分設計1個三分支DWR模塊結構。該模塊在設計上采用3個并行的卷積(dilated convolution,記作D-n,n表示擴張率)分支(分別對應不同的擴張率),實現(xiàn)對高層特征的多尺度上下文信息提取。模塊內部包含區(qū)域殘差化(region residualization,縮寫為RR)和語義殘差化(semantic residualization,縮寫為SR)2個步驟。在處理過程中,所有生成的不同尺度區(qū)域的特征圖會拼接(concatenate)起來,進行批量歸一化(BN),通過點卷積(point-wise convolution)整合特征形成最終的殘差,這些殘差隨后被添加回輸入的特征圖中,構建出更全面的特征表示。

    2.3 頸部網絡優(yōu)化

    2.3.1 BiFPN優(yōu)化頸部網絡

    在處理多尺度特征融合問題時,傳統(tǒng)的特征金字塔網絡FPN采取自上而下的方式融合來自不同層級的特征信息[22。YOLO v8n采用的路徑聚合網絡PANet,PANet中的單節(jié)點能夠獲取的信息并不多,卻增加了模型的參數(shù),是一個弊大于利的操作[23。本研究引入了一種改進的網絡結構BiFPN,其3種頸部網絡如圖4所示[24。

    BiFPN在FPN的基礎上引入了雙向信息流,并在特征金字塔的構建過程中添加了一些額外操作。通過引入雙向信息流,BiFPN能夠更好地捕獲多尺度信息,提高特征的豐富性和穩(wěn)定性。此外,BiFPN中的額外操作進一步增強特征的表達能力,使模型更具有適應性和泛化能力。相較于其他特征融合網絡,BiFPN的區(qū)別在于去除了只有1個輸入邊的節(jié)點。由于這些節(jié)點僅有單一輸入,無法實現(xiàn)特征融合,因此對特征網絡的貢獻較小,從而簡化了雙向網絡。此外,它通過在同一層級上從輸入到輸出節(jié)點增加額外的邊,能夠在不顯著增加計算成本的情況下融合更多特征。最后,BiFPN不同于僅包含單條自頂向下和自底向上路徑的PANet,它將每個雙向路徑作為一個特征網絡層,并多次重復該層,以實現(xiàn)更高級別的特征融合。在BiFPN中,特征融合是通過加權和歸一化操作來實現(xiàn)的。假設在第i層輸入的特征為Xi,經過特征融合后的輸出特征為Yi。特征融合過程表示為:

    Yi=(∑N/j=0wj)Xij。(1)

    式中:N是輸入特征的數(shù)量;wj是對應的特征權重,滿足∑N/j=0wj=1。特征權重可以根據(jù)特征的重要性動態(tài)調整或學習得到。

    2.3.2 VoV-GSCSP優(yōu)化頸部網絡

    考慮到采茶機器人在實際工作中的實時性要求,為了減少模型計算量,特引入Slim-neck中的VoV-GSCSP,利用一次性聚合的方法實現(xiàn)跨階段部分網絡模塊[25。其中,GSConv主要通過使用2步卷積處理輸入特征圖,此步驟有效地降低了計算復雜度。然后,通過通道混洗操作,將由標準卷積(即通道密集型卷積)產生的特征信息均勻地分布到每個通道的特征信息中,實現(xiàn)信息的充分混合,增強通道間的互動性,而這種混合是無附加計算成本的標準化操作。而由于茶葉圖像背景復雜等特性,將GSConv中的深度可分離卷積(depth-wise convolution)替換為標準卷積,用以學習嫩芽復雜的特征。最終得到的特征圖,即GSConv的輸出特征,通過混入標準卷積的信息,提升特征表示能力,使其在保持輕量化的同時,接近于使用標準卷積所獲得的特征質量,如圖5中GSConv所示。GSBottleneck是將一個輸入分為2條支流,分別經過由2個GSConv處理和1個Conv在另一個支流處理的結構拼接組成。最終構建的 VoV-GSCSP 由輸入分流之后一邊支流進行標準卷積處理之后交給GSBottleneck模塊處理,與另一條支流拼接形成(圖5)。

    2.4 YOLO v8-TD模型構建

    本研究以YOLO v8n為基礎模型加以改進,以適應移動端以及嵌入式設備在實際茶園環(huán)境對于茶葉嫩芽的識別檢測?;谝陨显囼炚撟C,針對YOLO v8n的改進如下:將骨干網絡(backbone)中第6層和第8層C2f模塊中添加DWR注意力機制,提高特征提取能力。在頸部網絡處理特征融合問題上,將頸部端的PANet 換成 BiFPN,去除無效貢獻節(jié)點,實現(xiàn)減少冗余計算,通過加權雙向特征金字塔網絡增強特征融合能力,從而提升識別效率與準確率。最后采用VoV-GSCSP模塊改進頸部網絡的C2f結構,用以進一步降低計算量。改進的YOLO v8-TD網絡結構如圖6所示。

    3 結果與分析

    3.1 試驗環(huán)境

    本試驗于2023年7月至2024年4月在湖南農業(yè)大學研究生實驗室進行,試驗環(huán)境配置為Intel Core i5-13400F處理器,該處理器主頻2.50 GHz,最高睿頻4.6 GHz,運行內存采用單根32 GB,模型訓練主要使用GPU提供算力,配置為NVIDIA RTX 2060 6 GB版本,算法程序在Windows 11操作系統(tǒng)上運行,模型主體架構采用Pytorch 1.13.1框架進行搭建,根據(jù)模型訓練的結果進行分析優(yōu)化改進。將基準YOLO v8n網絡模型和YOLO v8-TD模型使用測試集做試驗對比。各個模型訓練時的圖像數(shù)據(jù)集統(tǒng)一使用640像素×640像素的分辨率大小,使用SGD優(yōu)化器,學習率設置為0.01,批次大小設置為16,訓練輪次為100。

    3.2 評價指標

    試驗結果采用準確率(P)、召回率(R)、平均精度均值(mAP)來衡量模型預測的準確度,計算公式如下:

    P=TP/TP+FP×100%;(2)

    R=TP/TP+FN×100%;(3)

    AP=∫10P(R)dR;(4)

    mAP=∑C/C=1AP(C)/C×100%。(5)

    式中:TP表示模型正確地將正例預測為正例的數(shù)量;FP表示模型錯誤地將負例預測為正例的數(shù)量;FN表示模型錯誤地將正例預測為負例的數(shù)量;P表示準確率,它用于衡量YOLO v8算法在識別茶葉嫩芽時的準確性,在預測為茶葉嫩芽的樣本中真實茶葉嫩芽數(shù)量;R表示召回率,在所有實際為茶葉嫩芽的樣本中,YOLO v8算法正確識別為茶葉嫩芽樣本所占的比例,它用于衡量YOLO v8算法在識別茶葉嫩芽時的完整性,在算法中能夠找出實際為茶葉嫩芽的樣本數(shù)量;表示平均精度,在不同閾值下計算出精度的加權平均值,其中權重是相鄰2個閾值之間的精度差值,它用于評估不同閾值下 YOLO v8算法識別茶葉嫩芽的性能;表示多個類別上計算出的平均精度的加權平均值,它用于評估多類別分類器的性能;C表示類別數(shù)量,∑C/C=1AP(C)表示對所有類別計算出的平均精度進行求和,將茶葉嫩芽視為一個類別,用來評估 YOLO v8算法在識別茶葉嫩芽這一類別的性能。

    3.3 試驗模型結果對比

    在1 023張測試集上對比YOLO v8n網絡模型與改進后的YOLO v8-TD模型的性能表現(xiàn),從密集目標、前背景顏色相似、復雜背景以及雨后等4種場景中各隨機選擇1張嫩芽圖像進行展示,結果如圖7所示。

    通過圖7可以看出,在上述4種場景中,原YOLO v8模型對1芽2葉的漏檢率較高,且目標置信度稍低。相比之下,YOLO v8-TD模型在檢測茶葉圖像時具有更高的置信度分數(shù),并且識別出的嫩芽目標數(shù)量更多。

    通過圖8-a和圖8-b比較可以發(fā)現(xiàn),左側對于1芽1葉目標的檢測,在未加入DWR殘差注意力機制之前,熱力圖顯示特征提取溢出嫩芽邊界。改進過的YOLO v8-TD特征提取則更專注于正確的特征區(qū)域。

    3.4 消融試驗性能對比

    本研究通過消融試驗以檢驗不同優(yōu)化策略的有效性,試驗結果如表2所示,C2f-DWR結構提高了骨干網絡特征提取能力,準確率提升了2.7百分點,召回率提高了1.4百分點,mAP提升了1.4百分點,模型大小減少了0.1 MB。若在引入C2f-DWR結構的基礎上,頸部添加BiFPN+VoV結構,在mAP下降不大的情況下,參數(shù)量降低36.5%。最終,改進后的YOLO v8-TD模型,相比于原模型準確率和mAP依然比原模型有所提升1.2、0.8百分點。從圖9模型曲線訓練圖可以看出,添加DWR注意力機制后,相較原模型曲線有顯著提升,在加入雙向信息流傳遞后,參數(shù)量下降,再通過VoV-GSCSP模塊的處理保持計算量降低的同時彌補BiFPN帶來的mAP下降。

    3.5 不同網絡模型試驗對比

    將基于YOLO v8n改進的YOLO v8-TD與主流目標檢測網絡模型如Faster-RCNN、SSD、YOLO v3、YOLO v5n、RT-DETR以及YOLO v8n進行試驗對比,結果如表3所示,YOLO v8-TD平均精度均值分別比Faster-RCNN、SSD、YOLO v5n、YOLO v8n高2.3、16.2、5.7、0.8百分點,略低于YOLO v3網絡模型(0.7百分點),然而YOLO v3的模型大小相比于YOLO v8-TD卻達到了30.1倍。綜合來看,YOLO v8-TD兼顧了高精度以及輕量化的需要。

    4 結論

    為了能夠快速準確低成本地解決茶葉采摘機器人對于茶葉嫩芽的識別問題, 本研究提出一種改進的茶葉嫩芽檢測算法YOLO v8-TD。根據(jù)茶葉的實際環(huán)境,自建了一個包含晴天、陰天、雨后3種天氣情況以及春秋2個季節(jié)的茶葉嫩芽數(shù)據(jù)集。本研究以原YOLO v8n模型為基礎進行改進,使用擴張式殘差注意力結構DWR取代骨干網絡中第6層與第8層2個C2f,通過實現(xiàn)兩步區(qū)域殘差化-語義殘差化的高效多尺度特征提取,提高mAP。BiFPN雙向特征金字塔網絡替換PANet路徑聚合網絡,實現(xiàn)輕量化模型參數(shù),并引入slim-neck中的VoV-GSCSP特征融合模塊實現(xiàn)保證參數(shù)量降低的同時兼顧mAP的提升。經過與Faster-RCNN、SSD、RT-DETR、YOLO v3、YOLO v5n以及YOLO v8n模型進行試驗對比[26-27,結果表明,本研究提出的YOLO v8-TD茶葉嫩芽識別的平均精度均值、準確率、召回率以及參數(shù)量等指標中某些單一指標略低于其他模型,但從綜合精度以及模型大小的來看,該模型對自然場景下的茶葉嫩芽檢測性能良好,可對名優(yōu)茶采摘機器人的研發(fā)提供參考,并在部署于移動設備上具有優(yōu)勢。

    參考文獻:

    [1] 馮小芯. 誰在分羹3000億茶葉市場[N]. 第一財經日報,2024-01-24(A09).

    [2]趙婧赟,張 麥. 春茶采摘之憂,如何解?[N]. 紹興日報,2024-04-13(002).

    [3]鄭 航,傅 童,薛向磊,等. 茶葉機械化采摘技術研究現(xiàn)狀與展望[J]. 中國農機化學報,2023,44(9):28-35.

    [4]王小勇,湯丹丹. 茶葉采摘技術及采茶機械研究進展[J]. 茶葉學報,2022,63(4):275-282.

    [5]劉明麗,彭 云,許艷艷,等. 我國名優(yōu)茶機采機制的研究現(xiàn)狀[J]. 食品工業(yè),2023,44(5):287-291.

    [6]Zou Z X,Shi Z W,Guo Y H,et al. Object detection in 20 years:a survey[J]. Proceedings of the IEEE,2023,111(3):257-276.

    [7]張 航,顏 佳. 語義分割和HSV色彩空間引導的低光照圖像增強[J]. 中國圖象圖形學報,2024,29(4):966-977.

    [8]姜苗苗,問美倩,周 宇,等. 基于顏色因子與圖像融合的茶葉嫩芽檢測方法[J]. 農業(yè)裝備與車輛工程,2020,58(10):44-47.

    [9]陳妙婷,楊廣蕾,秦鵬濤. 基于SVM的名優(yōu)茶嫩芽圖像自動分割方法[J]. 現(xiàn)代信息科技,2021,5(2):89-92.

    [10] 呂 軍,方夢瑞,姚 青,等. 基于區(qū)域亮度自適應校正的茶葉嫩芽檢測模型[J]. 農業(yè)工程學報,2021,37(22):278-285.

    [11]許寶陽,高延峰. 基于Faster-RCNN深度學習的茶葉嫩芽多維度識別及其性能分析[J]. 農業(yè)裝備與車輛工程,2023,61(2):19-24.

    [12]Ren S Q,He K M,Girshick R,et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137-1149.

    [13]王夢妮,顧寄南,王化佳,等. 基于改進YOLO v5s模型的茶葉嫩芽識別方法[J]. 農業(yè)工程學報,2023,39(12):150-157.

    [14]樊 嶸,馬小陸. 面向帶鋼表面小目標缺陷檢測的改進YOLO v7算法[J]. 合肥工業(yè)大學學報(自然科學版),2024,47(3):303-308,316.

    [15]Redmon J,Divvala S,Girshick R,et al. You only look once:unified,real-time object detection[C]//2016 IEEE Comference on Computer Vision amp; Pattern Recognition. Las Vegas:IEEE,2016:779-788.

    [16]Redmon J,F(xiàn)arhadi A. YOLO v3:an incremental improvement[EB/OL]. (2018-04-08)[2024-04-20]. https://arxiv.org/abs/1804.02767.

    [17]Jocher G. YOLO v5 release v6.0[EB/OL]. (2021-10-12)[2023-08-10]. https://github.com/ultralytics/YOLO v5/releases/tag/v6.0.

    [18]Wang C Y,Bochkovskiy A,Liao H Y M. YOLO v7:trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver:IEEE,2023:7464-7475.

    [19]洪孔林,吳明暉,高 博,等. 基于改進YOLO v7-tiny的茶葉嫩芽分級識別方法[J]. 茶葉科學,2024,44(1):62-74.

    [20]Bahdanau D,Cho K,Bengio Y. Neural machine translation by jointly learning to align and translate[EB/OL]. (2016-05-19)[2024-04-20]. https://www.arxiv.org/abs/1409.0473.

    [21]Wei H R,Liu X,Xu S C,et al. DWRSeg:rethinking efficient acquisition of multi-scale contextual information for real-time semantic segmentation[EB/OL]. (2023-09-13)[2024-04-25]. https://arxiv.org/abs/2212.01173.

    [22]Lin T Y,Dollar P,Girshick R,et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu:IEEE,2017:936-944.

    [23]Liu S,Qi L,Qin H,et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition。 Salt Lake:IEEE,2018:8759-8768.

    [24]Tan M X,Pang R M,le Quoc V. Le. EfficientDet:scalable and efficient object detection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seatlle:IEEE,2020:10778-10787.

    [25]Li H,Li J,Wei H,et al. Slim-neck by GSConv:a lightweight-design for real-time detector architectures[EB/OL]. (2022-08-17)[2024-04-25]. https://arxiv.org/abs/2206.02424.

    [26]Liu W,Anguelov D,Erhan D,et al. SSD:single shot multiBox detector[M]//Bertino E. Lecture notes in computer science. Cham:Springer International Publishing,2016:21-37.

    [27]Zhao Y A,Lyu W Y,Xu S L,et al. Detrs beat yolos on real-time object detection[C]//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle:IEEE,2024:16965-16974.

    猜你喜歡
    嫩芽殘差卷積
    小嫩芽
    基于雙向GRU與殘差擬合的車輛跟馳建模
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    嫩芽
    嫩芽的面積
    基于殘差學習的自適應無人機目標跟蹤算法
    基于遞歸殘差網絡的圖像超分辨率重建
    自動化學報(2019年6期)2019-07-23 01:18:32
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    希望的嫩芽
    97超视频在线观看视频| 最近中文字幕高清免费大全6| 99国产精品一区二区蜜桃av| 丝袜美腿在线中文| 一区二区三区免费毛片| 少妇猛男粗大的猛烈进出视频 | 亚洲精华国产精华液的使用体验| 国产免费男女视频| av天堂中文字幕网| av在线蜜桃| 2022亚洲国产成人精品| 久久久久精品久久久久真实原创| 精品国产三级普通话版| 亚洲18禁久久av| 青春草亚洲视频在线观看| 视频中文字幕在线观看| 一区二区三区免费毛片| 免费黄色在线免费观看| 中文字幕亚洲精品专区| 老女人水多毛片| 国产又色又爽无遮挡免| 亚洲性久久影院| av福利片在线观看| 一区二区三区高清视频在线| 国产一区二区三区av在线| 七月丁香在线播放| 成人漫画全彩无遮挡| 男女视频在线观看网站免费| 久久久久九九精品影院| 日韩一区二区三区影片| 亚洲国产精品国产精品| 亚洲国产精品国产精品| 久久草成人影院| 干丝袜人妻中文字幕| 成人性生交大片免费视频hd| 女人被狂操c到高潮| 午夜久久久久精精品| 亚洲精品乱码久久久v下载方式| 人妻系列 视频| 高清视频免费观看一区二区 | 欧美激情久久久久久爽电影| 欧美区成人在线视频| 22中文网久久字幕| 亚洲精品日韩av片在线观看| 国产成人免费观看mmmm| 国产亚洲最大av| 卡戴珊不雅视频在线播放| 简卡轻食公司| 亚洲欧美精品综合久久99| 久久久久久久久久久丰满| 国产亚洲av片在线观看秒播厂 | 色尼玛亚洲综合影院| 99热精品在线国产| 欧美日韩国产亚洲二区| 黄色配什么色好看| 熟女电影av网| 国产亚洲5aaaaa淫片| 51国产日韩欧美| 女人被狂操c到高潮| 老师上课跳d突然被开到最大视频| 久久久欧美国产精品| 久久久久久久久久久免费av| 22中文网久久字幕| 男人舔女人下体高潮全视频| 在线免费观看的www视频| 欧美性感艳星| 午夜免费激情av| 青春草国产在线视频| 中文在线观看免费www的网站| 亚洲人成网站在线观看播放| 三级经典国产精品| 中文字幕av成人在线电影| 成人国产麻豆网| 国产欧美另类精品又又久久亚洲欧美| 观看美女的网站| 麻豆成人午夜福利视频| 特大巨黑吊av在线直播| 免费人成在线观看视频色| 女人久久www免费人成看片 | 热99re8久久精品国产| 在线播放国产精品三级| 国产成人午夜福利电影在线观看| 小说图片视频综合网站| 国产极品天堂在线| 亚洲av免费在线观看| 免费观看性生交大片5| 国产真实乱freesex| 日本三级黄在线观看| 午夜视频国产福利| 一级黄色大片毛片| 村上凉子中文字幕在线| 国产高清视频在线观看网站| 国产高清有码在线观看视频| 亚洲人与动物交配视频| 国产精品久久电影中文字幕| 99久久精品一区二区三区| 一个人看的www免费观看视频| 午夜福利在线在线| 国产私拍福利视频在线观看| 欧美性猛交黑人性爽| 午夜老司机福利剧场| 精品无人区乱码1区二区| av在线老鸭窝| 欧美不卡视频在线免费观看| 国产亚洲5aaaaa淫片| АⅤ资源中文在线天堂| 少妇猛男粗大的猛烈进出视频 | 97在线视频观看| 嫩草影院入口| 建设人人有责人人尽责人人享有的 | 亚洲国产色片| 成人亚洲精品av一区二区| 小蜜桃在线观看免费完整版高清| 成年女人看的毛片在线观看| 精品久久久久久久久亚洲| 97在线视频观看| 好男人在线观看高清免费视频| 中文字幕免费在线视频6| 亚洲国产日韩欧美精品在线观看| 亚洲av日韩在线播放| 久久99蜜桃精品久久| АⅤ资源中文在线天堂| 性插视频无遮挡在线免费观看| 精品久久久久久久人妻蜜臀av| 高清午夜精品一区二区三区| 午夜a级毛片| 国产成人精品婷婷| 久久韩国三级中文字幕| 一夜夜www| 在线免费观看不下载黄p国产| 国产 一区 欧美 日韩| 国模一区二区三区四区视频| 乱系列少妇在线播放| 亚洲人与动物交配视频| 尤物成人国产欧美一区二区三区| 国产伦精品一区二区三区四那| 亚洲国产日韩欧美精品在线观看| 我的老师免费观看完整版| 神马国产精品三级电影在线观看| 九九在线视频观看精品| eeuss影院久久| 色综合亚洲欧美另类图片| 99九九线精品视频在线观看视频| 国产黄a三级三级三级人| 97热精品久久久久久| 国产精品一二三区在线看| 51国产日韩欧美| 大又大粗又爽又黄少妇毛片口| 老女人水多毛片| 欧美区成人在线视频| 亚洲av成人精品一二三区| 亚洲欧美成人综合另类久久久 | 亚洲人成网站在线观看播放| 美女高潮的动态| 日韩在线高清观看一区二区三区| 午夜视频国产福利| 边亲边吃奶的免费视频| 长腿黑丝高跟| 久久综合国产亚洲精品| 欧美xxxx性猛交bbbb| 亚洲不卡免费看| 成人亚洲精品av一区二区| 99久久精品一区二区三区| 国产av码专区亚洲av| www日本黄色视频网| 久久久精品94久久精品| 1024手机看黄色片| 丰满人妻一区二区三区视频av| 国产免费视频播放在线视频 | 久久草成人影院| 亚洲av不卡在线观看| 联通29元200g的流量卡| 高清视频免费观看一区二区 | 久久久午夜欧美精品| 高清日韩中文字幕在线| 一区二区三区免费毛片| av线在线观看网站| 干丝袜人妻中文字幕| 亚洲无线观看免费| 91aial.com中文字幕在线观看| 国产三级在线视频| 国产视频首页在线观看| 国产精品嫩草影院av在线观看| 国产一级毛片在线| 精品久久久噜噜| 在线天堂最新版资源| av在线观看视频网站免费| 只有这里有精品99| 成人漫画全彩无遮挡| 狂野欧美白嫩少妇大欣赏| 国产成人精品一,二区| 亚洲人成网站高清观看| 熟女电影av网| 欧美bdsm另类| 日韩欧美精品v在线| 国产亚洲91精品色在线| 成人漫画全彩无遮挡| 2021少妇久久久久久久久久久| 麻豆av噜噜一区二区三区| 欧美高清成人免费视频www| 欧美区成人在线视频| 身体一侧抽搐| 国产亚洲91精品色在线| 青青草视频在线视频观看| 国语对白做爰xxxⅹ性视频网站| 国产色爽女视频免费观看| 亚洲一区高清亚洲精品| 亚洲性久久影院| 夜夜看夜夜爽夜夜摸| 久久婷婷人人爽人人干人人爱| 亚洲欧洲日产国产| 亚洲国产欧美在线一区| 国产精品嫩草影院av在线观看| 日本黄色片子视频| 国产淫语在线视频| 亚洲无线观看免费| 亚洲自拍偷在线| 亚洲精品成人久久久久久| 久久韩国三级中文字幕| 国内精品宾馆在线| 啦啦啦韩国在线观看视频| 人妻制服诱惑在线中文字幕| 婷婷色麻豆天堂久久 | 高清在线视频一区二区三区 | 蜜臀久久99精品久久宅男| 九九热线精品视视频播放| 一个人免费在线观看电影| 欧美xxxx性猛交bbbb| 亚洲国产精品成人久久小说| 可以在线观看毛片的网站| 成人亚洲欧美一区二区av| 日本五十路高清| 久久综合国产亚洲精品| av卡一久久| 亚洲国产精品国产精品| 欧美不卡视频在线免费观看| 波野结衣二区三区在线| 高清日韩中文字幕在线| 亚洲av熟女| 国产在线一区二区三区精 | 边亲边吃奶的免费视频| 国国产精品蜜臀av免费| 久99久视频精品免费| 一级爰片在线观看| 成人毛片60女人毛片免费| 精品一区二区三区人妻视频| 在线观看一区二区三区| 97在线视频观看| 国产精品一二三区在线看| 伦精品一区二区三区| 午夜免费男女啪啪视频观看| 亚洲精品,欧美精品| 欧美又色又爽又黄视频| 国产黄片视频在线免费观看| 色视频www国产| a级毛色黄片| 黄色配什么色好看| av国产免费在线观看| 亚州av有码| 国产麻豆成人av免费视频| 又黄又爽又刺激的免费视频.| 美女脱内裤让男人舔精品视频| 久久这里只有精品中国| 国产精品女同一区二区软件| 精品无人区乱码1区二区| 少妇熟女欧美另类| 国产精品一区二区三区四区免费观看| 日本wwww免费看| 国产一区二区在线av高清观看| 亚洲欧美一区二区三区国产| 日本一本二区三区精品| 国产精品1区2区在线观看.| 26uuu在线亚洲综合色| 精品久久久久久久久av| 99热全是精品| 亚洲欧美日韩东京热| 一区二区三区高清视频在线| 国产成年人精品一区二区| 日本猛色少妇xxxxx猛交久久| 韩国av在线不卡| 久久久久久久久中文| 国产高清不卡午夜福利| 黄色配什么色好看| 伦理电影大哥的女人| 国产精品人妻久久久影院| 亚洲国产最新在线播放| 秋霞伦理黄片| 国产爱豆传媒在线观看| 国产精品爽爽va在线观看网站| 一区二区三区乱码不卡18| 免费观看精品视频网站| 日日摸夜夜添夜夜添av毛片| 欧美日韩精品成人综合77777| 国产精品熟女久久久久浪| 久久久国产成人精品二区| 欧美区成人在线视频| 国国产精品蜜臀av免费| 精品一区二区三区视频在线| 免费av观看视频| 亚洲欧美日韩东京热| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 久久99热6这里只有精品| 91狼人影院| 人人妻人人看人人澡| 国产精品无大码| 欧美成人a在线观看| 日韩一区二区三区影片| 亚洲经典国产精华液单| 免费av毛片视频| 久久婷婷人人爽人人干人人爱| 久久精品夜色国产| 国产成人freesex在线| 国产熟女欧美一区二区| 噜噜噜噜噜久久久久久91| 在线免费十八禁| 精品久久久久久久人妻蜜臀av| www日本黄色视频网| 国语对白做爰xxxⅹ性视频网站| 少妇的逼水好多| 午夜日本视频在线| 我的女老师完整版在线观看| 国产美女午夜福利| 日韩,欧美,国产一区二区三区 | 最近的中文字幕免费完整| 国产伦精品一区二区三区四那| 国产一级毛片七仙女欲春2| 18禁在线播放成人免费| 亚洲av电影不卡..在线观看| 国产欧美日韩精品一区二区| 国产不卡一卡二| 综合色av麻豆| 色尼玛亚洲综合影院| 99视频精品全部免费 在线| 国产精品av视频在线免费观看| 一本一本综合久久| 免费人成在线观看视频色| 国产女主播在线喷水免费视频网站 | 国产精品久久电影中文字幕| 全区人妻精品视频| 淫秽高清视频在线观看| 久久综合国产亚洲精品| 亚洲人成网站高清观看| 成年女人看的毛片在线观看| 嫩草影院新地址| 一级黄片播放器| 小说图片视频综合网站| 精品久久久久久久久亚洲| 国产精品久久久久久精品电影小说 | 嘟嘟电影网在线观看| 永久网站在线| 搡老妇女老女人老熟妇| 麻豆av噜噜一区二区三区| 99热精品在线国产| 久久精品国产自在天天线| 亚洲精品影视一区二区三区av| 亚洲av中文字字幕乱码综合| 亚洲精品aⅴ在线观看| 成人午夜高清在线视频| 国产 一区 欧美 日韩| 亚洲精品日韩av片在线观看| 成人午夜高清在线视频| 久久精品国产鲁丝片午夜精品| 久久热精品热| 久久午夜福利片| 一级av片app| 日韩av不卡免费在线播放| 丝袜美腿在线中文| 少妇的逼水好多| 国产成人免费观看mmmm| 男女视频在线观看网站免费| 精品久久久久久久人妻蜜臀av| 少妇被粗大猛烈的视频| 男人和女人高潮做爰伦理| 熟妇人妻久久中文字幕3abv| 一边亲一边摸免费视频| 最后的刺客免费高清国语| 看免费成人av毛片| 精品久久国产蜜桃| 禁无遮挡网站| www.av在线官网国产| 久久精品综合一区二区三区| 天堂影院成人在线观看| 国产伦一二天堂av在线观看| 一边亲一边摸免费视频| 精品99又大又爽又粗少妇毛片| 成人午夜精彩视频在线观看| 亚洲欧洲国产日韩| 在线免费观看不下载黄p国产| 中文亚洲av片在线观看爽| 九九久久精品国产亚洲av麻豆| 国产视频内射| 亚洲第一区二区三区不卡| 91久久精品国产一区二区三区| 久久久a久久爽久久v久久| 少妇丰满av| 在线免费观看不下载黄p国产| 看免费成人av毛片| 综合色av麻豆| 日本一本二区三区精品| 男人舔女人下体高潮全视频| 国产亚洲av嫩草精品影院| 少妇熟女aⅴ在线视频| 97在线视频观看| 国产在视频线在精品| 亚洲成人精品中文字幕电影| 国产老妇伦熟女老妇高清| 久久久久久久久久久免费av| 国产亚洲最大av| 天堂网av新在线| 久久精品国产自在天天线| 国产精品国产三级国产专区5o | 久久久久九九精品影院| 国内精品一区二区在线观看| 欧美一区二区国产精品久久精品| 成人亚洲精品av一区二区| av在线观看视频网站免费| 在现免费观看毛片| 日韩视频在线欧美| 国产精品一及| 一本一本综合久久| 全区人妻精品视频| or卡值多少钱| 99热精品在线国产| 免费电影在线观看免费观看| 简卡轻食公司| 日本免费在线观看一区| 一个人观看的视频www高清免费观看| 亚洲丝袜综合中文字幕| 国产精品国产三级国产av玫瑰| 一级黄片播放器| av.在线天堂| 国产成人a∨麻豆精品| 看片在线看免费视频| 久久婷婷人人爽人人干人人爱| 嘟嘟电影网在线观看| 永久网站在线| 能在线免费看毛片的网站| 人人妻人人看人人澡| 日韩精品有码人妻一区| 成年免费大片在线观看| 中文天堂在线官网| 日日干狠狠操夜夜爽| 国产伦一二天堂av在线观看| 亚洲av.av天堂| 麻豆精品久久久久久蜜桃| 日韩国内少妇激情av| 又粗又硬又长又爽又黄的视频| 美女内射精品一级片tv| 一级毛片aaaaaa免费看小| 最新中文字幕久久久久| 国产亚洲精品久久久com| 一级黄片播放器| 国产精品一区二区性色av| 一边亲一边摸免费视频| 乱码一卡2卡4卡精品| 国内揄拍国产精品人妻在线| 久久久久九九精品影院| 老司机影院毛片| 18禁在线播放成人免费| 精品国内亚洲2022精品成人| 亚洲自偷自拍三级| 男女视频在线观看网站免费| www.av在线官网国产| 国产精品精品国产色婷婷| 国产 一区 欧美 日韩| www.色视频.com| 免费看美女性在线毛片视频| 欧美高清成人免费视频www| 国产一区二区亚洲精品在线观看| 99久国产av精品国产电影| 国产av码专区亚洲av| 精品久久久久久久末码| 亚洲av电影不卡..在线观看| 国产精品福利在线免费观看| 国产精品嫩草影院av在线观看| 国产免费福利视频在线观看| 18禁在线播放成人免费| 久久亚洲国产成人精品v| 中国国产av一级| 成人一区二区视频在线观看| 久久99热这里只有精品18| 久久草成人影院| 精品少妇黑人巨大在线播放 | 91精品国产九色| 波多野结衣高清无吗| 三级国产精品片| 亚洲成色77777| 女人十人毛片免费观看3o分钟| 人妻制服诱惑在线中文字幕| 看非洲黑人一级黄片| 午夜精品国产一区二区电影 | 99国产精品一区二区蜜桃av| 不卡视频在线观看欧美| av在线观看视频网站免费| 韩国高清视频一区二区三区| 中文资源天堂在线| 成人漫画全彩无遮挡| 99热精品在线国产| 国内揄拍国产精品人妻在线| 成年av动漫网址| 永久免费av网站大全| 精品一区二区三区视频在线| 精品久久久噜噜| 一边亲一边摸免费视频| 成人欧美大片| 99久久精品热视频| 高清在线视频一区二区三区 | 99久久无色码亚洲精品果冻| 亚洲色图av天堂| 国产av不卡久久| 联通29元200g的流量卡| 国产精品三级大全| 久久久国产成人免费| 国内少妇人妻偷人精品xxx网站| 午夜激情欧美在线| 国产免费福利视频在线观看| 午夜老司机福利剧场| 成年女人看的毛片在线观看| 免费观看人在逋| 国产精品一区二区三区四区免费观看| 久久人人爽人人爽人人片va| 久久精品国产亚洲av天美| 国产极品精品免费视频能看的| av国产久精品久网站免费入址| 精品不卡国产一区二区三区| 免费观看人在逋| 国产伦精品一区二区三区四那| 国产精品爽爽va在线观看网站| 色5月婷婷丁香| 亚洲精品色激情综合| 一级爰片在线观看| 99热网站在线观看| 亚洲人成网站在线播| 亚洲伊人久久精品综合 | 人体艺术视频欧美日本| 毛片女人毛片| a级一级毛片免费在线观看| or卡值多少钱| 中文在线观看免费www的网站| 免费av毛片视频| 亚洲在线观看片| 婷婷六月久久综合丁香| 啦啦啦啦在线视频资源| 中国美白少妇内射xxxbb| 69人妻影院| 色网站视频免费| 亚洲内射少妇av| 亚洲人成网站在线观看播放| 偷拍熟女少妇极品色| 少妇的逼水好多| 观看美女的网站| 一个人看的www免费观看视频| 狂野欧美激情性xxxx在线观看| 亚洲性久久影院| 久久精品综合一区二区三区| 中文字幕精品亚洲无线码一区| 只有这里有精品99| 亚洲av电影不卡..在线观看| 波多野结衣高清无吗| 如何舔出高潮| 久久久久精品久久久久真实原创| 欧美极品一区二区三区四区| 高清日韩中文字幕在线| 99久久人妻综合| 国产精品,欧美在线| 三级国产精品片| 亚洲中文字幕一区二区三区有码在线看| 亚洲成人久久爱视频| 国产爱豆传媒在线观看| 三级国产精品片| 欧美日韩精品成人综合77777| 午夜精品在线福利| 日韩精品青青久久久久久| 欧美成人免费av一区二区三区| 日本免费在线观看一区| 最近2019中文字幕mv第一页| 九九在线视频观看精品| 国产精品1区2区在线观看.| 18禁裸乳无遮挡免费网站照片| 欧美潮喷喷水| 国产高清国产精品国产三级 | 人体艺术视频欧美日本| 亚洲国产色片| 天堂av国产一区二区熟女人妻| 久久综合国产亚洲精品| 亚洲av二区三区四区| 免费观看人在逋| 国产高清不卡午夜福利| 在线免费十八禁| 人体艺术视频欧美日本| 人妻少妇偷人精品九色| 午夜福利高清视频| 91精品国产九色| 久久精品夜夜夜夜夜久久蜜豆| 国产免费又黄又爽又色| 免费电影在线观看免费观看| 亚洲精品乱码久久久v下载方式| 中文精品一卡2卡3卡4更新| 欧美日本视频| 亚洲精品影视一区二区三区av| 寂寞人妻少妇视频99o| 午夜激情欧美在线| 男人舔女人下体高潮全视频| 99热这里只有是精品50| 久久久久久久午夜电影| 亚洲最大成人中文| 99久久精品国产国产毛片| 亚洲精品久久久久久婷婷小说 | 久久精品91蜜桃| 狂野欧美白嫩少妇大欣赏| 精品久久久久久久久亚洲| 日本一本二区三区精品| 听说在线观看完整版免费高清| 亚洲成人av在线免费| 久久久久网色|