公共文化服务平台

搜索到4912篇“ SEG“的相关文章

浅谈SEG地震数据极性: 2024年; 美国SEG协会将地震记录的极性定义为SEG极性和SEG反极性,以确保野外原始记录的一致性。在地震勘探项目中,油公司通常在开展前明确仪器、震源以及地震道数据的极性要求。极性错误可能导致重大的质量问题,因此,在项目启动审计、日常设备检验以及更换相关采集设备部件后,特别关注极性测试是至关重要的。本文以野外地震采集项目为背景,以Sercel系统为例,利用第三方测试软件Testif-i进行检验,对SEG极性进行详细解析。希望通过本文能在实际生产过程中提供一定的指导,防范极性问题,避免因此引发质量事故。; 宋立辉杨曦李超封召鹏任宜林

基于改进YOLOv7-seg的黄花菜检测与分割方法被引量：3: 2024年; 目标检测与分割是实现黄花菜智能化采摘的关键技术,原始目标检测算法容易出现漏检、误检等问题,无法满足自然环境下生长的黄花菜采摘要求。该研究提出一种基于改进YOLOv7-seg的黄花菜目标检测与实例分割算法模型(YOLO-Daylily)。通过在YOLOv7-seg骨干网络(backbone)中引入CBAM(convolutional block attention module)注意力机制模块,降低背景等干扰因素的影响;在ELAN(efficient layer aggregation networks)模块中采用PConv(partial convolution)替换原有的3×3卷积层,减少冗余计算和内存访问,提升对目标黄花菜特征提取的能力。颈部网络(neck)采用坐标卷积(CoordConv)替换PA-FPN(path aggregation-feature pyramid networks)中1×1卷积层,增强模型对位置的感知,提高掩膜(mask)鲁棒性。在改进的PA-FPN结构中采用残差连接方法将浅层特征图几何信息与深层特征图语义信息特征相结合,提高模型对目标黄花菜的检测分割性能。消融试验表明:改进后的模型检测准确率、召回率和平均精度分别达到92%、86.5%、93%,相比YOLOv7-seg基线模型分别提升2.5、2.3、2.7个百分点;分割准确率、召回率和平均精度分别达到92%、86.7%、93.5%,比基线模型分别提升0.2、3.5、3个百分点。与Mask R-CNN、SOLOv2、YOLOV5-seg、YOLOv5x-seg算法相比,平均精度分别提升8.4、12.7、4.8、5.4个百分点。改进后的模型减少了漏检、误检等情况,对目标定位更加精准,为后续黄花菜智能化采摘实际应用提供理论支持。; 姚涛谈志鹏程娥吴利刚; 关键词：图像处理机器视觉目标检测黄花菜

改进YOLOv5s-Seg的高效实时实例分割模型被引量：1: 2024年; 实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YOLOv5s-Seg改进的实时实例分割模型。以YOLOv5s-Seg作为网络的基础模型,主干网络选用Repvit m3网络,然后改进FPN结构,在FPN结构中将原始得到的C3卷积模块升级为RsRepVitBlock模块,并在其内部使用ECA注意力机制,最后采用SIoU作为模型的边界框损失函数。该算法在公开数据集PASCAL VOC 2012上的实验结果显示,改进后的模型分割精度mAP达到了65.7%,较原模型YOLOv5s-Seg提高了10.6个百分点。该模型大幅提升了分割精度,并且有效地改善了分割任务中定位不准确的问题。相较于其他模型,具有显著的精度优势和更好的模型稳定性。; 马冬梅郭智浩罗晓芸

基于改进YOLO v8n-seg的羊只实例分割方法: 2024年; 羊只实例分割是实现羊只识别和跟踪、行为分析和管理、疾病监测等任务的重要前提。针对规模化羊场复杂养殖环境中,羊只个体存在遮挡、光线昏暗、个体颜色与背景相似等情况所导致的羊只实例错检、漏检问题,提出了一种基于改进YOLO v8n-seg的羊只实例分割方法。以YOLO v8n-seg网络作为基础模型进行羊只个体分割任务,首先,引入Large separable kernel attention模块以增强模型对实例重要特征信息的捕捉能力,提高特征的代表性及模型的鲁棒性;其次,采用超实时语义分割模型DWR-Seg中的Dilation-wise residual模块替换C2f中的Bottleneck模块,以优化模型对网络高层特征的提取能力,扩展模型感受野,增强上下文语义之间的联系,生成带有丰富特征信息的新特征图;最后,引用Dilated reparam block模块对C2f进行二次改进,多次融合从网络高层提取到的特征信息,增强模型对特征的理解能力。试验结果表明,改进后的YOLO v8n-LDD-seg对羊只实例的平均分割精度mAP_(50)达到92.08%,mAP_(50:90)达到66.54%,相较于YOLO v8n-seg,分别提升3.06、3.96个百分点。YOLO v8n-LDD-seg有效提高了羊只个体检测精度,提升了羊只实例分割效果,为复杂养殖环境下羊只实例检测和分割提供了技术支持。; 王福顺王旺孙小华孙小华王超

基于YOLOv5s-seg的非结构化枣园视觉导航路径提取: 2024年; [目的]针对目前农业机器人在非结构化枣园中传统机器视觉算法难以处理光影变化、夜间难以识别等问题导致的导航道路分割不准确,实时性及复杂模型难以部署等问题,本研究提出基于YOLOv5s-seg改进网络模型视觉导航路径识别方法——YOLOv5s-orchard模型。[方法]模型采用FasterNet代替YOLOv5s-seg的原有主干网络,减少了模型的参数量和内存占用量;在特征提取层及neck部分引入SE注意力机制,提高了模型的特征提取能力;将C3替换成C3Ghost轻量级网络以进一步减少模型的参数量和内存占用量。[结果]改进后的网络mAP达到91.59%,FLOP下降到11.30 G,模型大小为2.91 MB。对分割后的图像采用最小二乘法拟合道路离散点提取导航线,算法平均距离偏差为1.99 cm,平均距离误差比例为0.68%。[结论]YOLOv5s-orchard网络具有较高的精度,导航线提取误差较小,能够满足枣园道路分割的需求。; 卢心缘赵华民任锐苏萌苏立阳张淑娟; 关键词：农业机器人视觉导航图像分割

基于改进Yolo v8s-seg的船舶旋转角度检测方法: 2024年; 水上收费站的智能控制船闸开关系统为了能够自动识别船闸内外船舶的动向,需要精准检测航道内船舶的旋转角度.传统的目标检测算法存在着精度有限、实时性差等问题.针对以上问题,在Yolo v8s-seg模型的基础上通过添加CA注意力机制,提出了检测船舶旋转角度的模型Yolo v8s-seg-boat.模型采用实例分割算法提取船舶的轮廓点,并据此判断船舶重心,最终计算出船舶的旋转角度.实验结果表明:该模型在水上收费站拍摄的船舶数据集上分割评价指标mAP相比于Yolo v8s-seg提升了1.8%,分割精确率达到了97.6%,获取的船舶旋转角度与实际角度误差小于Yolo v8s-seg模型.; 丁秀清周斌胡波

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法被引量：4: 2024年; 多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。; 梁秀英贾学镇何磊王翔宇刘岩杨万能; 关键词：多目标跟踪

基于改进YOLOv8-Seg的苹果单枝条花序疏除方法: 2024年; 针对苹果疏花作业中无法自动识别枝干以及缺乏花序疏除方法,该研究提出了一种适用于现代果园的苹果树单枝条花序疏除方法。首先,对YOLOv8-Seg模型进行改进:在Backbone部分添加GCT(Gaussian context transformer)模块,通过引入全局上下文信息和调整通道的重要性,提高模型对遮挡目标的分割性能;在对应3个检测头的Neck部分的C2f模块内部增加EMA(efficient multi-scale attention)机制,通过并行子网结构和跨空间信息聚合更好地关注多尺度特征。其次,使用改进YOLOv8-Seg模型对单枝条中的花苞、花序、开放花朵和花枝四类目标进行实例分割。最后,基于分割结果应用多项式拟合曲线表征花枝,并计算花序间距离实现花序疏除。结果表明,改进的YOLOv8s-Seg模型在自建数据集mask水平的精确率、召回率和mAP分别达到了89.9%、89.5%和91%,比原模型分别提升了6.5、4.1和5.8个百分点。与主流分割模型Mask R-CNN,YOLACT,SOLOv2进行对比,mask水平的mAP分别高出10.8、12.3和9.1个百分点。花序疏除决策结果与人工决策结果对比误差不超过10%。该方法可应用于单枝条水平上的花序疏除任务,为苹果智能疏花提供技术支持。; 司永胜孔德浩王克俭刘丽星杨欣; 关键词：图像处理

基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法: 2024年; 目前蟹塘内水草清理以人工作业为主,劳动强度大,作业效率低,自动水草清理船能大幅降低劳动强度,提高作业效率,而确定蟹塘水草分布是规划水草清理船高效作业路径的关键基础。针对无人机采集的蟹塘水草图像中水草与岸边植被相似性高、难以准确区分等问题,该研究提出一种基于改进YOLOv8n-seg的蟹塘水草区域分割与定位方法。改进模型从降低模型大小和提高召回率的角度出发,首先基于RT-DETR(real-timedetectiontransformer)的HGNetv2(hierarchical graph network)轻量化网络结构重设主干特征提取网络,缩减模型体积;其次以Efficient Rep轻量化结构为基准重构颈部网络,在降低参数量的同时增强模型的多尺度特征融合能力;接着在特征提取层引入SegNext注意力机制,加强模型对蟹塘水草区域的敏感度。为了消除模型在识别过程中产生的冗余区域,进一步提高分割精度,采用二值化处理对分割结果进行优化,并结合图像处理算法对水草区域进行面积筛选;经过坐标转换后得到精确水草轮廓经纬度坐标。试验结果表明:改进模型对蟹塘水草具有良好的区分度和分割效果,其参数量和计算量分别为1.49 M和8.4 GFLOPs,召回率和平均精度均值分别为91.5%和95.6%,与原YOLOv8n-seg模型相比,模型体积减小了49.7%,分割速度提升了32.3%。在坐标转换试验中,水草定位精度平均误差为0.22 m,验证了改进模型能够满足蟹塘水草区域分割与定位要求。研究结果为后续水草清理船自动作业路径规划研究提供参考。; 孙月平刘勇郭佩璇李自强孟祥汶赵德安; 关键词：蟹塘图像分割路径规划

海量地震源数据SEG D分段分类混合压缩方法: 本发明提供一种海量地震源数据SEG D分段分类混合压缩方法，包括：解编SEG D数据文件，对获取的质控相关参数做霍夫曼编码；记录辅助道特定时窗内起跳时间和幅值信息；依次求取排列上每个地震道的时差校正因子，利用时差校正因子...; 徐雷良徐维秀

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈