一个改进的深度学习网络用于图像检测和其在Dendrobii caulis片中的应用

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 药理学是指药理学,它是指药理学.

背景情况:

• 由于对优质产品的高需求,准确识别Dendrobii caulis蒸片至关重要.
• 目前的识别方法复杂,限制了普通消费者的可访问性.
• 需要自动化,消费者友好的方法来识别Dendrobium物种.

研究的目的:

• 开发一个改进的深度学习模型,从图像中准确识别Dendrobii caulis片物种.
• 增强特征提取能力,用于检测密集和小的目标在Dendrobium图像.
• 为消费者提供可靠的工具来评估产品质量.

主要方法:

• 提出了一个改进的YOLOv5深度学习网络,包含一个C2S模块,用于增强功能提取.
• 综合修复参数化通用特征金字塔网络 (RepGFPN) 和最佳运输分配 (OTA) 改进特征融合.
• 为培训和验证建立了一个新的大规模的Dendrobium图像数据集.
• 使用mAP@.05 metric.使用现有方法对模型的性能进行了评估.

主要成果:

• 改进的YOLOv5模型实现了高检测精度,平均mAP@.05为96.5%.
• 该C2S模块有效地改善了小和密集的目标的特征提取.
• RepGFPN和OTA模块增强了多维特征的整合.
• 该模型与具有类似计算复杂性的其他模型相比,显示出更高的准确性.

结论:

• 改进的YOLOv5模型提供了一个高度准确和高效的解决方案,用于识别Dendrobii caulis片物种.
• 开发的深度学习方法可以帮助消费者做出明智的购买决定.
• 这项研究通过先进的图像识别技术为Dendrobium产品的质量控制做出了贡献.