科研产出
基于ResNet深度残差网络的白喉乌头检测
《草业科学 》 2023 北大核心 CSCD
摘要：在人类活动和气候变化的影响下，毒害草的蔓延威胁着生态安全和畜牧业的健康发展，白喉乌头（Aconitum leucostomum）是新疆伊犁地区危害最为严重的毒害草之一。为了实现天然草原异质背景下快速、精准、自动检测毒害草的目标，以白喉乌头为研究对象，利用无人机航拍正射影像构建白喉乌头数据集。基于Faster-RCNN和SSD算法，采用ResNet50和ResNet101两种深度的主干网络提取特征，对比不同方法的检测精度。结果表明：通过对比测试集的检测精度Faster-RCNN＿ResNet50的mAP （平均精确度）值最高，达到64.74%，而SSD＿ResNet50的mAP最低，仅为48.70%,Faster-RCNN＿ResNet101的mAP值为63.37%，而SSD＿ResNet101的为52.55%。本研究对从航拍正射影像中检测白喉乌头有借鉴意义和参考价值。
关键词： 毒害草 深度学习 卷积神经网络 无人机遥感 目标识别 Faster-RCNN SSD
全文链接
请求原文
基于Mask-RCNN的无人机影像白喉乌头检测
《草食家畜 》 2023
摘要：白喉乌头（Aconitum leucostomum）是伊犁的主要毒害草之一。快速精准识别白喉乌头可为监测其分布和扩散提供必要的数据和技术支持。本研究利用无人机影像获取白喉乌头影像并构建数据集，分别采用深度残差网络ResNet50和ResNet101提取特征，应用深度学习目标检测算法Mask-RCNN对白喉乌头自动识别。结果表明，通过对比测试集的检测精度，ResNet50的平均精确度（mAP）最高，达到66.0%,ResNet101的mAP最低，为65.3%,ResNet50网络在检测白喉乌头的性能表现优异。Mask-RCNN应用于无人机影像识别白喉乌头，实现白喉乌头的自动检测切实可行。
全文链接
请求原文
首页上一页1下一页尾页
