Oct, 2023

高效苹果成熟度和损伤评估：具有 GAN 和注意力机制的轻量级检测模型

PDF
TL;DR本研究提出了一种基于轻量级卷积神经网络（CNN）和生成对抗网络（GAN）的方法，用于苹果成熟度和损伤程度检测任务，通过优化模型的深度和宽度以及应用先进的模型压缩技术设计了轻量级 CNN 模型，引入注意机制提高对象检测任务的性能，利用 GAN 生成逼真的苹果图像扩展训练数据集，改善样本不平衡和样本量不足问题，通过在受损苹果上应用目标检测网络进行损伤位置注释，提高了损伤程度检测的准确性，在苹果成熟度和损伤程度检测任务中，该方法的性能优于其他主流模型，具有卓越的性能和高实用价值。
发现论文，激发创造
  • 果园深度水果检测

    本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

    Oct, 2016

  • 深度学习用于芒果自动质量分级：方法与洞见

    使用卷积神经网络，特别是 Mask R-CNN、AlexNet、VGGs、ResNets 和 ConvAE-Clfs 等模型，并采用迁移学习技术，通过在芒果质量分级中应用预处理技术，训练细节和性能结果等方法提供可解释的洞见，即实 </em> 现对深度学习的深层次解释。

    Nov, 2020

  • 基于卷积神经网络的改进模型用于水果糖度检测

    该研究论文介绍了人工智能在水果质量检测领域中的应用，提出了一种基于谱图的水果糖度回归模型，设计了新的神经网络结构并比较了其他传统的神经网络结构，采用多种策略处理谱图数据，通过评估数据集的可靠性和比较不同模型的效果，验证了使用人工神经网络模型进行水果糖度无损检测的可行性。

    Nov, 2023

  • 基于图像分割的苹果果园水果检测与产量估计

    本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

    Oct, 2016

  • 利用生成对抗网络增强的液滴分析

    该研究介绍了如何利用生成敌对网络来生成农业喷雾系统中的液滴图像，并利用这些合成数据集发展了一个轻量级液滴检测模型，从而提高了平均准确度（mAP）达到了 16.06%。这是第一个应用生成模型增强液滴检测的研究，对于优化喷嘴设计以构建高效喷雾系统，并解决各种精确农业任务中数据不足的共同挑战具有重要意义，为达到最佳和可持续的农业实践做出了重要贡献。

    Feb, 2024

  • PotatoGANs：利用生成对抗网络、实例分割和可解释智能的增强马铃薯病害识别与分类

    利用 PotatoGANs 生成合成土豆病害图像以增强模型泛化能力，并结合三种卷积神经网络架构和三种可解释 AI 算法以提高土豆病害分类的可解释性。

    May, 2024

  • 卷积神经网络集成学习在非控农场环境下基于高光谱成像的黑莓果实成熟度检测中的应用

    本研究提出了一种新颖的多输入卷积神经网络（CNN）集成分类器，用于检测黑莓果实成熟度的微小特征。通过实验，该模型在未见数据集上获得了 95.1% 的准确率，在实地条件下获得了 90.2% 的准确率，并进一步证明机器感知与人类感知之间在黑莓果皮纹理方面存在高度正相关性。

    Jan, 2024

  • 融合 GAN 和纹理合成以增强道路损伤检测

    交通安全和道路维护领域中，准确检测道路损伤对确保安全驾驶和延长道路耐久性至关重要。本研究提出了一种创新的方法，利用生成对抗网络生成具有不同形状的损伤，并通过纹理合成技术提取道路纹理，通过控制合成损伤的严重程度，嵌入到原始图像中，从而实现了损伤严重程度的丰富性和与背景的更好对齐，同时提高了 mAP 和 F1-score。

    Sep, 2023

  • 基于 GAN 的图像物体检测方法：针对不同质量图像的优化

    本研究提出了一种基于生成对抗网络的目标检测框架（GAN-DO），可用于生成具有鲁棒性的特征以提高图像质量较差情况下的目标检测精度，不增加模型复杂度或推理速度，能通用于各种深度神经网络结构，并在常用数据集上实现了较高的检测准确性。

    Dec, 2019

  • 高效基于 GAN 的异常检测

    使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于 GAN 的方法快了数百倍。

    Feb, 2018