Obtenga beneficios adicionales
Aún no tiene una suscripción a Virtual Pro?
Para acceder a este contenido se requiere una suscripción
Obtenga beneficios adicionales
Aún no tiene una suscripción a Virtual Pro?
Para acceder a este contenido se requiere una suscripción
La deteccin precisa y fiable de frutos en el entorno de los huertos es un paso importante para la estimacin del rendimiento y la recoleccin robotizada. Sin embargo, los mtodos de deteccin existentes suelen centrarse en frutos grandes y relativamente dispersos, pero no pueden ofrecer una buena solucin para frutos pequeos y densamente distribuidos. Este trabajo propone un modelo YOLOv3-Litchi basado en YOLOv3 para detectar frutos de litchi densamente distribuidos en escenas visuales de gran tamao. Ajustamos la escala de prediccin y redujimos la capa de red para mejorar la capacidad de deteccin de frutos de litchi pequeos y densos y asegurar la velocidad de deteccin. Desde la floracin hasta 50 das despus de la madurez, recogimos un total de 266 imgenes, incluidas 16.000 frutas, y las utilizamos para construir el conjunto de datos de litchi. A continuacin, se utiliza el algoritmo k-means++ para agrupar los recuadros delimitadores en los datos etiquetados y determinar el tamao de recuadro a priori adecuado para la deteccin de litchi. Entrenamos un modelo YOLOv3-Litchi mejorado, probamos su rendimiento de deteccin de litchi y comparamos YOLOv3-Litchi con YOLOv2, YOLOv3 y Faster R-CNN en el efecto real de deteccin de litchi y utilizamos el valor F1 y el tiempo medio de deteccin como valor evaluado. Los resultados muestran que la F1 de YOLOv3-Litchi es superior a la del algoritmo YOLOv2 (0,1), superior a la del algoritmo YOLOv3 (0,08) y superior a la del algoritmo Faster R-CNN (0,05); el tiempo medio de deteccin de YOLOv3-Litchi es 29,44 ms ms rpido que el del algoritmo YOLOv2, 19,56 ms ms rpido que el del algoritmo YOLOv3 y 607,06 ms ms rpido que el del algoritmo Faster R-CNN. Y la velocidad de deteccin del modelo mejorado es ms rpida. El modelo propuesto remite un rendimiento de deteccin ptimo para frutas pequeas y densas. El trabajo aqu presentado puede servir de referencia para futuros estudios sobre mtodos de deteccin de frutas en entornos naturales.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Método de Ritz de mínimos cuadrados móviles mejorado para la ecuación unidimensional de Sine-Gordon
Artículo:
Funciones de Lyapunov para una clase de modelos de epidemia SIRS discretos con tasa de incidencia no lineal y tamaños de población variables.
Artículo:
Sobre Identidades Simétricas de Tipo Carlitz - Polinomios de Daehee
Artículo:
Punto fijo de casi-contracción en espacios -métricos
Artículo:
Revisión tutorial sobre el registro de nubes de puntos: Principio, clasificación, comparación y retos tecnológicos
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Los web services como herramienta generadora de valor en las organizaciones
Artículo:
La gestión de las relaciones con los clientes como característica de la alta rentabilidad empresarial
Libro:
Ergonomía en los sistemas de trabajo
Virtual Pro es un portal virtual de formación, investigación y comunicación especializado en procesos industriales.
� 2021, Virtual Pro �, una marca de Grupo INGCO. Todos los derechos reservados
