基于 You Look Only Once (YOLO) 算法的农业目标检测:一项文献计量和系统文献综述
该研究提出了一种新的框架,将两种不同的卷积神经网络结构相结合,以在模拟环境中同时完成作物检测和收获(机器人操控)任务。利用机器视觉实现作物自动识别,提高收获效率,但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位,以及使用视觉几何组模型来确定机器人操控的抓取位置。
Jan, 2024
该研究调查了从 YOLOv1 到最新的 YOLOv10 变种在农业进展方面的转变潜力,旨在阐述这些尖端目标检测模型如何重振和优化从作物监测到畜牧管理等农业各个方面,为精准农业和可持续农业提供有价值的洞见。
Jun, 2024
此综述系统地考察了 You Only Look Once(YOLO)目标检测算法从 YOLOv1 到最新发布的 YOLOv10 的发展进程。通过逆向时间顺序分析,研究探讨了 YOLO 算法带来的进步,从 YOLOv10 开始,逐步分析了 YOLOv9、YOLOv8 和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了 YOLO 在五个关键应用领域(汽车安全、医疗保健、工业制造、监视和农业)的革命性影响。通过详细描述每个版本的技术进步,本综述不仅记录了 YOLO 的演变,还讨论了早期版本中观察到的挑战和限制。这种演进标志着将 YOLO 与多模态、上下文感知和通用人工智能(AGI)系统相结合的路径,为下一个 YOLO 十年提供了重要的发展影响,对于 AI 驱动应用的未来发展具有重要意义。
Jun, 2024
YOLO 是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
本文提出了一种名为 Fast YOLO 的新框架,通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入,从而在保持性能的同时,在嵌入式设备上实现实时物体检测。实验结果表明,Fast YOLO 框架可以在平均 3.3 倍的速度加速下,将嵌入式系统上的检测性能提高到 18FPS。
Sep, 2017
本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献,从原版 YOLO 到 YOLOv8,涵盖了标准度量和后处理、网络架构和训练技巧等方面,总结了 YOLO 发展的重要经验和展望其未来,强调提高实时目标检测系统的潜在研究方向。
Apr, 2023
YOLO-World is an innovative approach that enhances the You Only Look Once (YOLO) series of detectors with open-vocabulary detection capabilities through vision-language modeling, achieving high efficiency and accuracy in detecting a wide range of objects in a zero-shot manner.
Jan, 2024
YOLO 算法在水下环境中的应用存在限制,本文从海洋工程应用的实际需求出发,以水下结构健康监测和水下生物检测为例,提出了改进的水下 YOLO 算法应用方法,并指出了仍然存在的问题。
Sep, 2023
本研究使用 YOLO 模型和 OpenCV 库,利用实时视频检测对象并将图像识别结果以可听形式提供给视觉障碍者,成功实现了优秀的平均准确率 (mAP)。
Dec, 2023
通过使用 YOLOv5 模型和多样的苹果树图像数据集,我们提出了一种新颖的苹果检测和位置估计方法,实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统,其具有约 85% 的苹果检测准确率,这在农业机器人领域取得了重要进展,为更高效、可持续的水果采摘实践奠定了基础。
May, 2024