龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：桂林理工大学
申请日：2024-03-18
公开（公告）日：2024-06-21
公开（公告）号：CN118229956A
主分类号：G06V10/25
分类号：G06V10/25;G06V40/10;G06N3/0464;G06V10/764;G06V10/82;G06V10/776;G06V10/774;G06V10/40;G06N3/08;G06N3/082
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明公开了一种基于YOLOv7的注意力引导特征优化机制的草地贪夜蛾幼虫目标检测方法，属于计算机视觉与深度学习目标检测技术领域，包括如下步骤：1）草地贪夜蛾幼虫图像数据集构建；2）注意力引导特征优化模块（AFOM）设计；3）AFOM‑YOLOv7深度学习模型构建；4）基于数据集的幼虫目标检测。本方法在草地贪夜蛾幼虫图像数据集上进行了对比实验和消融实验，分别分析了CBAM和AFOM两个模块对模型性能的影响，并分析了AFOM模块中丢弃末尾权重特征的比例对检测效果的影响。实验表明，本发明在草地贪夜蛾幼虫目标检测精度上取得了较理想的结果，证明了该方法的有效性。
主权项：1.一种基于YOLOv7的注意力引导特征优化机制的草地贪夜蛾幼虫目标检测方法，其特征在于，包括以下步骤：步骤1，收集并建立草地贪夜蛾幼虫图像数据集，对图像数据进行标注和数据增强，得到训练集、验证集和测试集；步骤2，设计注意力引导特征优化模块（AFOM）：（2a）采用通道注意力模块（CAM）和空间注意力模块（SAM），对主干网络（backbone）中上采样后的特征进行加权处理后得到的特征图的通道维度，按照CAM处理后的特征权重降序重排；（2b）丢弃重排后的特征图通道维度中末尾低权重特征，剩余部分通过卷积升维恢复至初始形状，至此完成AFOM设计；步骤3，在YOLOv7中引入AFOM和卷积注意力模块（CBAM），对比不同位置CBAM对实验结果的影响，最终确定AFOM和CBAM在网络中的位置，构建AFOM-YOLOv7模型；步骤4，将训练集输入AFOM-YOLOv7模型进行训练，过程中利用验证集对模型进行调优，得到最优的模型参数，选择评价指标，并重复进行五次实验，取结果的平均值作为模型的性能参数。
全文数据：
权利要求：
百度查询： 桂林理工大学 一种基于YOLOv7的注意力引导特征优化机制的草地贪夜蛾幼虫目标检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号