• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于YOLOv8的竹筍分割方法研究

    2025-04-29 00:00:00鄭鎮(zhèn)輝張淡然王槊韋麗嬌吳海韻肖景豐

    摘要:現(xiàn)有的竹筍精準(zhǔn)分割方法計(jì)算復(fù)雜度高,且模型龐大不利于在算力有限的邊緣設(shè)備上部署。為解決這一問題,采用一種基于深度卷積網(wǎng)絡(luò)的輕量化方法進(jìn)行竹筍分割。首先,設(shè)計(jì)野外竹筍圖像采集試驗(yàn),通過人工標(biāo)記構(gòu)建訓(xùn)練集和測試集。然后,采用YOLOv8深度卷積網(wǎng)絡(luò)模型作為竹筍分割的基礎(chǔ)模型,并進(jìn)行模型訓(xùn)練和驗(yàn)證。最后,設(shè)計(jì)兩組對比試驗(yàn),驗(yàn)證其精準(zhǔn)性和高效性。結(jié)果表明,所設(shè)計(jì)的竹筍分割方法在測試集上的檢測平均精度和分割平均精度分別為0.927、0.931,較YOLOv7模型分別提升3.6%、5.7%,較YOLOv8_x模型分別提升0.1%、0.4%。此外,所設(shè)計(jì)的分割方法速度為169幀/s,參數(shù)量為43.8 M,模型尺寸為92.3 MB,相比YOLOv7模型,分割速度提高71幀/s;相比YOLOv8_x模型,分割速度提高51幀/s,參數(shù)量減少24.6 M,模型尺寸減少51.6 MB。為進(jìn)一步驗(yàn)證該方法的實(shí)際部署可行性和高效性,將YOLOv8_l模型部署到英偉達(dá)邊緣設(shè)備上,部署后的竹筍分割算法在測試集上的檢測平均精度均值和分割平均精度均值分別為0.896、0.891,單幀圖像推理時(shí)間僅為0.091 4 s,所需顯存為12.2 GB。

    關(guān)鍵詞:竹筍;深度卷積網(wǎng)絡(luò);分割;輕量化;YOLOv8

    中圖分類號:S644.2; TP391.4" " " 文獻(xiàn)標(biāo)識碼:A" " " 文章編號:2095?5553 (2025) 04?0114?06

    Research on bamboo shoot segmentation method based on YOLOv8

    Zheng Zhenhui Zhang Danran Wang Shuo Wei Lijiao Wu Haiyun Xiao Jingfeng

    (1. Institute of Agricultural Machinery, Chinese Academy of Tropical Agricultural Sciences, Zhanjiang, 524091, China; 2. Key Laboratory of Agricultural Equipment for Tropical Crops, Ministry of Agriculture and Rural Affairs, Zhanjiang, 524091, China; 3. Guangdong Engineering Technology Research Center of

    Precision Emission Control for Agricultural Particulates, Zhanjiang, 524091, China; 4. College of Engineering,

    South China Agricultural University, Guangzhou, 510642, China)

    Abstract: The existing bamboo shoot accurate segmentation methods have high computational complexity and large model, which is not conducive to deployment on edge devices with limited computing power. To solve this problem, a lightweight method based on deep convolutional network is used to segment bamboo shoots. Firstly, a field experiment for bamboo shoot image acquisition was conducted, and a training and test dataset was constructed through manual annotation. Then, the YOLOv8 deep convolutional network model was employed as the baseline for bamboo shoot segmentation, followed by model training and validation. Finally, two comparative experiments were designed to verify the accuracy and efficiency of the proposed method. The results show that the proposed bamboo shoot segmentation method achieved a detection mAP of 0.927 and a segmentation mAP of 0.931 on the test dataset, with improvements of 3.6% and 5.7% over the YOLOv7 network, and 0.1% and 0.4% over the YOLOv8_x network, respectively. Additionally, the segmentation speed of this method reached 169 frames per second, with a parameter size of 43.8 M and a model size of 92.3 MB, representing a 71 frames per second increase over the YOLOv7 network and a 51 frames per second increase over the YOLOv8_x network, while reducing the parameter size by 24.6 M and the model size by 51.6 MB. In order to further validate the practical feasibility and efficiency of this method, the YOLOv8_l network was deployed on an NVIDIA edge device. After deployment, the bamboo shoot segmentation algorithm achieved a detection mAP of 0.896 and a segmentation mAP of 0.891 on the test dataset, with an inference time of only 0.091 4 seconds per image and a memory consumption of 12.2 GB.

    Keywords: bamboo shoots; deep convolutional network; segmentation; lightweight; YOLOv8

    0 引言

    我國是世界上竹資源最豐富的國家。為提升竹筍采摘機(jī)械化水平,開發(fā)高效的竹筍分割技術(shù)至關(guān)重要。竹筍從出筍到成竹僅需2~3個(gè)月,因此,在生長期內(nèi)對竹筍長勢進(jìn)行檢測具有重要意義。竹筍的精準(zhǔn)分割不僅能實(shí)現(xiàn)智能監(jiān)測,還能優(yōu)化竹園管理,提升農(nóng)產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益?,F(xiàn)有分割系統(tǒng)存在檢測精度低、速度慢、成本高等問題,因此,設(shè)計(jì)輕量化且精準(zhǔn)的竹筍分割系統(tǒng)是智慧竹園發(fā)展的關(guān)鍵。

    已有學(xué)者針對竹筍的精準(zhǔn)分割系統(tǒng)開展相關(guān)研究。圖像分割旨在將圖像劃分為若干互不重疊的子區(qū)域,使得同一區(qū)域內(nèi)的特征相似,而不同區(qū)域之間有明顯差異[1]。傳統(tǒng)農(nóng)業(yè)圖像分割主要方法包括閾值分割和聚類分割。Jia等[2]提出一種結(jié)合顏色和紋理特征的分割方法,利用灰度共生矩陣(GLCM)提取紋理特征,其識別準(zhǔn)確率達(dá)0.94,但在光照不均時(shí)效果不佳,尤其在暗處分割效果不清晰。賈新宇等[3]基于圖像測量,結(jié)合正弦余弦優(yōu)化的人工蜂群和模糊局部C均值聚類,提出了一種抗噪能力較強(qiáng)的算法,毛竹筍高度測量平均誤差僅為4.17%。Jia等[4]提出基于PCNN與GA—Elman融合的蘋果圖像識別方法,使用PCNN分割圖像并提取顏色和形狀特征,結(jié)合GA—Elman分類器實(shí)現(xiàn)果實(shí)識別。魏新華等[5]通過雙目相機(jī)獲取三維數(shù)據(jù),提出結(jié)合密度峰聚類和K均值聚類的方法對高度數(shù)據(jù)進(jìn)行分類,并融合彩色圖像分割結(jié)果,實(shí)現(xiàn)作物高度提取,誤差為0.043 m。劉曉洋等[6]使用簡單線性迭代聚類(SLIC)算法,將蘋果圖像分割為超像素,并用支持向量機(jī)分類,分割準(zhǔn)確率達(dá)0.921 4。上述研究結(jié)合人工特征和傳統(tǒng)機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)竹筍分割,但在光照不均和植被復(fù)雜的環(huán)境下魯棒性和時(shí)效性不足,且模型依賴人工特征,識別性能有待提升。

    近年來,深度學(xué)習(xí)技術(shù)已逐漸取代傳統(tǒng)基于人工特征的機(jī)器學(xué)習(xí)方法,在農(nóng)業(yè)領(lǐng)域應(yīng)用廣泛[7, 8]。許多學(xué)者針對農(nóng)作物的智能分割進(jìn)行深度學(xué)習(xí)研究。Palacios等[9]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的田間薇甘菊識別模型,融合了AlexNet的局部響應(yīng)歸一化函數(shù)和VGG—Net的連續(xù)卷積結(jié)構(gòu),識別準(zhǔn)確率達(dá)94.50%。王鵬飛[10]基于Mask R—CNN和二進(jìn)制哈希碼設(shè)計(jì)的雜草分割網(wǎng)絡(luò),在交并比IoU為0.5時(shí),平均精度達(dá)到0.813 3。謝培宇[11]通過在ResNet50上添加特征金字塔網(wǎng)絡(luò)(FPN)和EAC注意力機(jī)制,將分割精度提升至85.3%。Yu等[12]提出的改進(jìn)算法結(jié)合ResNet50和特征金字塔網(wǎng)絡(luò),實(shí)現(xiàn)草莓的高效分割,平均檢測準(zhǔn)確率為95.78%。然而,這些方法大多依賴高性能GPU工作站,模型復(fù)雜度較高,難以滿足實(shí)際農(nóng)業(yè)場景對低成本、易部署、高效率的需求。

    結(jié)合上述研究,深度學(xué)習(xí)方法可以有效從圖像中提取特征信息,在復(fù)雜的環(huán)境中執(zhí)行目標(biāo)檢測任務(wù)。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,深度學(xué)習(xí)方法具有更好的魯棒性和較強(qiáng)的泛化能力。然而,竹筍莖節(jié)檢測研究仍處于起步階段,大部分研究主要關(guān)注算法準(zhǔn)確性和檢測速度的提高,而不是關(guān)注模型的輕量級特性。高復(fù)雜性的模型導(dǎo)致對內(nèi)存和計(jì)算能力的要求更高,這不符合設(shè)備的小型化,將大大增加竹筍收獲機(jī)械化的成本。因此,如何在保持系統(tǒng)性能的同時(shí),減少模型的計(jì)算負(fù)擔(dān)和大小,是當(dāng)前竹筍檢測和收獲裝備實(shí)現(xiàn)智能化作業(yè)的關(guān)鍵問題。

    為優(yōu)化竹園生產(chǎn)管理并提升農(nóng)產(chǎn)品質(zhì)量,本文提出一種基于深度學(xué)習(xí)的竹筍視覺分割方法,設(shè)計(jì)野外竹筍圖像采集試驗(yàn),進(jìn)行人工標(biāo)記,構(gòu)建圖像訓(xùn)練集和測試集;基于YOLOv8模型進(jìn)行竹筍分割的深度學(xué)習(xí)模型訓(xùn)練,調(diào)整超參數(shù)以獲得最佳性能;設(shè)計(jì)并進(jìn)行野外對比試驗(yàn),評估模型性能和模型大小;將YOLOv8_l模型部署到英偉達(dá)邊緣設(shè)備,分析其分割性能及資源消耗情況。

    1 材料與方法

    1.1 圖像采集方法

    圖像采集試驗(yàn)于2023年5—6月在廣東省清遠(yuǎn)市英德連江口鎮(zhèn)的連樟竹筍基地(24°0′N,113°18′E)進(jìn)行,構(gòu)建單目標(biāo)和多目標(biāo)的竹筍圖像數(shù)據(jù)集。圖1為不同數(shù)量竹筍圖像的采集試驗(yàn)情況,以覆蓋不同情況下的竹筍生長狀態(tài)和環(huán)境條件。拍攝相機(jī)為華為Mate60pro,圖像尺寸為4 032像素×3 024像素,以彩色圖像JPG格式保存,一共拍攝1 800幅圖像,包括約4 900個(gè)竹筍。

    1.2 數(shù)據(jù)集處理和制作

    數(shù)據(jù)集的質(zhì)量決定識別模型訓(xùn)練精度的上限和后續(xù)實(shí)際作業(yè)中性能的好壞。篩選出清晰的、具有代表性的竹筍圖像1 690張,將數(shù)據(jù)集按照7∶1.5∶1.5的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測試集,其中1 438張作為訓(xùn)練集和驗(yàn)證集,剩余252張作為測試集,具體劃分結(jié)果如表1所示。采用目標(biāo)分割領(lǐng)域常用軟件Labelme作為竹筍數(shù)據(jù)集標(biāo)注工具,得到的標(biāo)簽文件中包含每個(gè)竹筍的類別信息以及其在圖像中的歸一化坐標(biāo)。

    1.3 輕量化竹筍視覺分割方法

    1.3.1 YOLOv8模型

    對自然環(huán)境中竹筍的精準(zhǔn)識別和分割是實(shí)現(xiàn)后續(xù)對其長勢的智能監(jiān)測和竹園生產(chǎn)管理優(yōu)化的關(guān)鍵步驟。目前,主要的目標(biāo)檢測框架分為兩種策略,一種是以R—CNN系列為代表的兩階段方法[13],另一種是以YOLO系列為代表的單階段方法[14]。相較兩階段策略,單階段策略模型將檢測問題轉(zhuǎn)化為回歸問題,僅需卷積神經(jīng)網(wǎng)絡(luò)即可直接獲得目標(biāo)的類概率和位置坐標(biāo),從而縮短了推理時(shí)間。這種方法實(shí)現(xiàn)了實(shí)時(shí)性和性能之間的平衡,適用于性能一般的邊緣設(shè)備,能夠勝任竹筍長勢監(jiān)測任務(wù)。因此,選擇YOLOv8作為竹筍視覺分割模型。在COCO Val 2017數(shù)據(jù)集上,YOLOv8相比YOLOv5在精度上有顯著提升,并且支持多種導(dǎo)出格式,可以在CPU和GPU上運(yùn)行。如圖2所示,YOLOv8的總體結(jié)構(gòu)包括骨干網(wǎng)絡(luò)(Backbone)、頸部網(wǎng)絡(luò)(Neck)和檢測頭(Head)3部分。骨干網(wǎng)絡(luò)負(fù)責(zé)提取圖像特征,頸部網(wǎng)絡(luò)對提取的特征圖進(jìn)行融合處理,而檢測頭則對生成的特征圖進(jìn)行預(yù)測。

    1.3.2 骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)

    YOLOv8模型的高精度得益于在骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)中使用C2F模塊對C3模塊的替換。如圖3所示,C2F模塊先經(jīng)過一個(gè)Conv,使用chunk函數(shù)將out平均拆分成兩個(gè)向量,然后保存到list中,將后半部分輸入Bottleneck Block里面,Bottleneck Block里面有n個(gè)Bottleneck,將每個(gè)Bottleneck的輸出都追加list中。

    1.3.3 預(yù)測網(wǎng)絡(luò)

    在YOLOv8模型中,預(yù)測頭Head部分相對YOLOv5模型改動較大,從基于錨框的目標(biāo)檢測算法換成基于無錨框的目標(biāo)檢測算法,具有快速收斂和提高回歸性能的優(yōu)點(diǎn)。

    如圖4所示,采用解耦頭結(jié)構(gòu)的方式,將回歸分支和預(yù)測分支分離,并針對回歸分支使用Dsitribution Focal Loss策略中提出的積分形式表示法,將坐標(biāo)作為一個(gè)確定性單值預(yù)測轉(zhuǎn)變?yōu)橐粋€(gè)分布。相對于使用耦合頭,使用解耦頭可以有效減少模型分割竹筍的計(jì)算復(fù)雜度,既有效加快處理速度,同時(shí)也增強(qiáng)對竹筍識別的泛化能力和魯棒性。

    2 試驗(yàn)與結(jié)果分析

    2.1 試驗(yàn)配置與訓(xùn)練結(jié)果

    為確保對各算法性能的公正比較,所用訓(xùn)練平臺和超參數(shù)設(shè)置上盡可能保持一致性。采用以下試驗(yàn)平臺條件:CPU為Intel Xeon Gold 6256 Processor,主頻為3.60 GHz,擁有48個(gè)物理核心和24個(gè)線程,內(nèi)存容量為1 024 GB。GPU方面,選用NVIDIA RTX A6000圖形處理單元(GPU),顯存為48 GB。操作系統(tǒng)為Ubuntu 18.04,并配置CUDA 11.8.130、CUDNN 8.6.0、NVIDIA驅(qū)動程序版本535.104、Opencv 4.8.0以及Pytorch 2.0.1等必要軟件包。

    1) 參數(shù)設(shè)置:選用官方提供的預(yù)訓(xùn)練模型YOLOv8_l和YOLOv8_x作為初始模型。輸入圖像尺寸設(shè)定為640像素×640像素,最大訓(xùn)練輪次Max_epoch為300,批量大小Batch size為16,初始學(xué)習(xí)率learning rate為0.01,動量因子momentum為0.90,權(quán)重衰減系數(shù)為0.000 5。

    2) 訓(xùn)練策略:為適應(yīng)不同目標(biāo)檢測任務(wù)的需求,在訓(xùn)練過程中采用了多種策略。啟用K—Means聚類算法以自適應(yīng)方式計(jì)算最佳的錨框長寬比。此外,采用Mosaic、Mixup、EMA、HSV和Flip等圖像增強(qiáng)方法,以豐富數(shù)據(jù)集、提升網(wǎng)絡(luò)的魯棒性和準(zhǔn)確性。

    圖5為竹筍分割網(wǎng)絡(luò)在訓(xùn)練時(shí)的模型損失和平均精度均值mAP值隨迭代次數(shù)的變化曲線。

    由圖5可知,模型的損失曲線逐漸下降并穩(wěn)定,表明網(wǎng)絡(luò)逐漸減小誤差且泛化效果良好;mAP曲線隨訓(xùn)練輪次增加逐漸提高并穩(wěn)定,盡管在初始階段可能有些波動,但隨著訓(xùn)練進(jìn)行,波動逐漸減小。進(jìn)一步分析顯示,訓(xùn)練集和驗(yàn)證集上的損失曲線趨勢一致,mAP表現(xiàn)也一致,沒有明顯的偏差,表明網(wǎng)絡(luò)沒有出現(xiàn)擬合或欠擬合情況。從參數(shù)收斂情況來看,基于損失曲線和mAP曲線的收斂趨勢以及訓(xùn)練集和驗(yàn)證集上的一致表現(xiàn),可確認(rèn)竹筍分割網(wǎng)絡(luò)已經(jīng)收斂。

    2.2 竹筍分割試驗(yàn)

    使用YOLOv8_l和YOLOv8_x網(wǎng)絡(luò)對單目標(biāo)竹筍和多目標(biāo)竹筍測試圖像進(jìn)行處理,模型分割效果如圖6所示。試驗(yàn)采用精確率P、召回率R、平均精度mAP、F1值、竹筍圖像分割速度FPS、參數(shù)量和模型大小Model_Size作為竹筍檢測和分割的評價(jià)標(biāo)準(zhǔn),計(jì)算如式(1)~式(4)所示。

    從圖6可以看出,對于單目標(biāo)竹筍情況,YOLOv8_l模型和YOLOv8_x模型均可較好識別并分割出圖像中竹筍對象;對于多目標(biāo)竹筍情況,與YOLOv8_x模型相比,YOLOv8_l模型很好地克服了竹筍漏檢的缺點(diǎn)。此外,在實(shí)際工作中,難免會存在人、風(fēng)等動態(tài)因素,導(dǎo)致圖像質(zhì)量較差,這對竹筍分割系統(tǒng)提出了更高的要求。圖7為工人采摘時(shí)動態(tài)場景下,YOLOv8_l模型的檢測結(jié)果,可以看到網(wǎng)絡(luò)仍能完整識別并分割出圖像中竹筍部分,表明YOLOv8_l模型具有良好的魯棒性和泛化能力,整體性能較優(yōu)。

    從表2可以看出,YOLOv8_l模型在測試集上的檢測和分割mAP值分別為0.927、0.931,同比YOLOv7模型分別提高3.6%、5.7%,同比YOLOv8_x模型分別提高0.1%、0.4%。此外,YOLOv8_l模型的分割速度、參數(shù)量和模型尺寸分別為169幀/s、43.8 M和92.3 MB,同比YOLOv8_x模型分別增加了51幀/s,減少24.6 M參數(shù)量和51.6 MB模型尺寸。YOLOv8_l模型具有更優(yōu)性能,可以有效滿足室外環(huán)境下對竹筍分割算法精度和實(shí)時(shí)性的要求。

    2.3 邊緣設(shè)備部署試驗(yàn)

    在YOLOv8_l模型的基礎(chǔ)上,將YOLOv8_l模型部署到英偉達(dá)邊緣設(shè)備上,并進(jìn)行竹筍分割試驗(yàn),以驗(yàn)證該方法在邊緣計(jì)算環(huán)境中的性能。采用以下試驗(yàn)平臺條件:設(shè)備型號為英偉達(dá)Jetson Orin NX,搭載32個(gè)Tensor Core的1 024核NVIDIA Ampere架構(gòu)GPU,CPU為8核Arm? Cortex?-A78AE v8.2 64位CPU 2MB L2+4MB L3,1 024 CUDA核心,顯存為16 GB 128位LPDDR5 102.4 GB/s,操作系統(tǒng)為Ubuntu 20.04 LTS,Jetpack版本為5.1.1,深度學(xué)習(xí)框架為PyTorch 2.0.0。

    部署后的竹筍分割算法在測試集上的檢測和分割mAP值分別為0.896、0.891,單幀圖像推理時(shí)間僅為0.091 4 s,所需顯存為12.2 GB。結(jié)果表明,在保證高精度的同時(shí)仍具有較高的實(shí)時(shí)性,同時(shí)所需顯存在邊緣處理器可接受的水平內(nèi)。本方法能夠在資源有限的邊緣設(shè)備上進(jìn)行部署作業(yè)。

    3 結(jié)論

    1) 構(gòu)建單目標(biāo)和多目標(biāo)竹筍圖像數(shù)據(jù)集,提出利用輕量化YOLOv8網(wǎng)絡(luò),在竹園非結(jié)構(gòu)化場景下實(shí)現(xiàn)對竹筍的精準(zhǔn)分割。此方法在竹筍測試集上的檢測mAP值和分割mAP值分別為0.927、0.931,同比YOLOv7模型分別提高3.6%、5.7%,同比YOLOv8_x模型分別提高0.1%、0.4%。此外,本方法的分割速度、參數(shù)量和模型尺寸分別為169幀/s、43.8 M和92.3 MB,同比YOLOv7模型增加71幀/s,同比YOLOv8_x模型分別提高51幀/s、24.6 M和51.6 MB。

    2) 將YOLOv8_l模型部署到英偉達(dá)邊緣設(shè)備上,部署后的竹筍分割算法在測試集上的檢測平均精度均值和分割平均精度均值分別為0.896、0.891,單幀圖像推理時(shí)間僅為0.091 4 s,所需顯存為12.2 GB。

    參 考 文 獻(xiàn)

    [ 1 ] 陳攀, 王紹東. 基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的多視覺特征圖像分割研究[J]. 現(xiàn)代電子技術(shù), 2024, 47(15): 60-64.

    Chen Pan, Wang Shaodong. Research on multi?visual feature image segmentation based on lightweight convolutional neural networks [J]. Modern Electronics Technique, 2024, 47(15): 60-64.

    [ 2 ] Jia W, Zhang Y, Lian J, et al. Apple harvesting robot under information technology: A review [J]. International Journal of Advanced Robotic Systems, 2020, 17(3): 1729881420925310.

    [ 3 ] 賈新宇, 江朝暉, 李娟, 等. 基于圖像測量的毛竹筍高生長在線監(jiān)測[J]. 林業(yè)工程學(xué)報(bào), 2021, 6(4): 134-139.

    Jia Xinyu, Jiang Chaohui, Li Juan. On?line monitoring of bamboo shoot growth height based on image measurement [J]. Journal of Forestry Engineering, 2021, 6(4): 134-139.

    [ 4 ] Jia W, Mou S, Wang J, et al. Fruit recognition based on pulse coupled neural network and genetic Elman algorithm application in apple harvesting robot [J]. International Journal of Advanced Robotic Systems, 2020, 17(1): 1729881419897473.

    [ 5 ] 魏新華, 張敏, 劉青山, 等. 基于雙目視覺的田間作物高度和收割邊界信息提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(3): 225-233.

    Wei Xinhua, Zhang Min, Liu Qingshan, et al. Extraction of crop height and cut?edge information based on binocular vision [J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(3): 225-233.

    [ 6 ] 劉曉洋, 趙德安, 賈偉寬, 等. 基于超像素特征的蘋果采摘機(jī)器人果實(shí)分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(11): 15-23.

    Liu Xiaoyang, Zhao De'an, Jia Weikuan, et al. Fruits segmentation method based on superpixel features for apple harvesting robot [J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(11): 15-23.

    [ 7 ] 張志遠(yuǎn), 羅銘毅, 郭樹欣, 等. 基于改進(jìn)YOLOv5的自然環(huán)境下櫻桃果實(shí)識別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(S1): 232-240.

    Zhang Zhiyuan, Luo Mingyi, Guo Shuxin, et al. Cherry fruit detection method in natural scene based on improved YOLOv5 [J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(S1): 232-240.

    [ 8 ] Zheng Z, Xiong J, Wang X, et al. An efficient online citrus counting system for large?scale unstructured orchards based on the unmanned aerial vehicle [J]. Journal of Field Robotics, 2023, 40(3): 552-573.

    [ 9 ] Palacios F, Bueno G, Salido J, et al. Automated grapevine flower detection and quantification method based on computer vision and deep learning from on?the?go imaging using a mobile sensing platform under field conditions [J]. Computers and Electronics in Agriculture, 2020, 178: 105796.

    [10] 王鵬飛. 基于深度學(xué)習(xí)的玉米田間雜草識別技術(shù)及應(yīng)用[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2019.

    [11] 謝培宇. 基于SOLO的玉米葉片病害實(shí)例分割方法研究[D]. 合肥: 安徽農(nóng)業(yè)大學(xué), 2022.

    Xie Peiyu. Research on example segmentation method of corn leaf disease based on SOLO [J]. Hefei: Anhui Agricultural University, 2022.

    [12] Yu Y, Zhang K, Yang L, et al. Fruit detection for strawberry harvesting robot in non?structural environment based on Mask—RCNN [J]. Computers and Electronics in Agriculture, 2019, 163: 104846.

    [13] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014: 580-587.

    [14] Redmon J, Farhadi A. YOLO9000: Better, faster, stronger [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 7263-7271.

    久久精品国产亚洲av涩爱| 18禁观看日本| 国产毛片在线视频| 9色porny在线观看| 亚洲,欧美,日韩| 久久精品久久久久久久性| 国产99久久九九免费精品| 永久免费av网站大全| 乱人伦中国视频| 人人妻人人添人人爽欧美一区卜| 国产免费福利视频在线观看| 少妇精品久久久久久久| 男人爽女人下面视频在线观看| 最新在线观看一区二区三区 | 日韩制服骚丝袜av| 在线天堂中文资源库| 精品一区二区三卡| 欧美国产精品va在线观看不卡| 久久久久精品国产欧美久久久 | 青春草亚洲视频在线观看| 这个男人来自地球电影免费观看 | 日本午夜av视频| 国产熟女欧美一区二区| 免费在线观看完整版高清| 另类精品久久| 91精品国产国语对白视频| 十八禁人妻一区二区| 亚洲在久久综合| 人妻 亚洲 视频| 黄色视频在线播放观看不卡| 欧美乱码精品一区二区三区| 99热国产这里只有精品6| 国产午夜精品一二区理论片| 在线 av 中文字幕| 校园人妻丝袜中文字幕| 一区二区av电影网| 久久国产精品大桥未久av| 午夜免费男女啪啪视频观看| 九九爱精品视频在线观看| 精品少妇内射三级| 日韩av免费高清视频| 亚洲av日韩精品久久久久久密 | 亚洲av国产av综合av卡| 国产乱人偷精品视频| 狂野欧美激情性bbbbbb| av卡一久久| 亚洲精品乱久久久久久| 哪个播放器可以免费观看大片| 日韩,欧美,国产一区二区三区| 亚洲欧美日韩另类电影网站| 成人影院久久| 51午夜福利影视在线观看| 在线观看一区二区三区激情| 久久热在线av| 狂野欧美激情性xxxx| 如日韩欧美国产精品一区二区三区| 成人亚洲欧美一区二区av| 少妇被粗大的猛进出69影院| 九色亚洲精品在线播放| 日本爱情动作片www.在线观看| 精品国产一区二区久久| 亚洲av中文av极速乱| 亚洲成色77777| 80岁老熟妇乱子伦牲交| 久久精品熟女亚洲av麻豆精品| 人人妻,人人澡人人爽秒播 | 亚洲av国产av综合av卡| 一级毛片黄色毛片免费观看视频| 欧美黄色片欧美黄色片| 丝袜喷水一区| 一区二区三区激情视频| 人人妻人人添人人爽欧美一区卜| 欧美精品av麻豆av| 亚洲国产欧美在线一区| 69精品国产乱码久久久| 街头女战士在线观看网站| 只有这里有精品99| 欧美日韩一区二区视频在线观看视频在线| kizo精华| 日韩制服丝袜自拍偷拍| 久热爱精品视频在线9| 人人澡人人妻人| 久久久久久久久免费视频了| 色婷婷av一区二区三区视频| 亚洲天堂av无毛| 亚洲七黄色美女视频| 天堂中文最新版在线下载| 欧美激情极品国产一区二区三区| 亚洲第一av免费看| 18禁动态无遮挡网站| 久久久久精品性色| 又黄又粗又硬又大视频| 大片免费播放器 马上看| av片东京热男人的天堂| 一区在线观看完整版| 亚洲一区二区三区欧美精品| 亚洲欧美精品自产自拍| 宅男免费午夜| 久久天堂一区二区三区四区| 丝袜喷水一区| 嫩草影视91久久| 一边摸一边抽搐一进一出视频| 黄色毛片三级朝国网站| 黄色毛片三级朝国网站| 伦理电影免费视频| 男女边吃奶边做爰视频| 一边亲一边摸免费视频| 一本色道久久久久久精品综合| 成人手机av| 黄频高清免费视频| 不卡视频在线观看欧美| 日韩 欧美 亚洲 中文字幕| 亚洲欧美激情在线| 国产精品99久久99久久久不卡 | 成年av动漫网址| 韩国av在线不卡| 欧美人与性动交α欧美软件| 99久久综合免费| av国产精品久久久久影院| 9色porny在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 观看av在线不卡| a级毛片在线看网站| 亚洲av国产av综合av卡| 欧美精品人与动牲交sv欧美| 亚洲激情五月婷婷啪啪| 制服丝袜香蕉在线| 欧美xxⅹ黑人| 熟女av电影| 黄色一级大片看看| 国产无遮挡羞羞视频在线观看| 女性被躁到高潮视频| 久久午夜综合久久蜜桃| 又粗又硬又长又爽又黄的视频| 日日撸夜夜添| 国产一区二区在线观看av| 精品一区二区免费观看| 99热网站在线观看| 精品久久蜜臀av无| 国产97色在线日韩免费| 又大又黄又爽视频免费| 国产97色在线日韩免费| 各种免费的搞黄视频| 高清av免费在线| 最近最新中文字幕免费大全7| 午夜av观看不卡| 国产黄色免费在线视频| 亚洲欧美精品自产自拍| 亚洲av欧美aⅴ国产| 美女脱内裤让男人舔精品视频| 伦理电影大哥的女人| 国产精品.久久久| 高清视频免费观看一区二区| 亚洲第一青青草原| a级片在线免费高清观看视频| 国产在线视频一区二区| 国产精品国产av在线观看| 午夜福利,免费看| 80岁老熟妇乱子伦牲交| 精品少妇黑人巨大在线播放| 国产精品二区激情视频| 夫妻性生交免费视频一级片| 久久久久久久久久久久大奶| 日韩伦理黄色片| 午夜激情久久久久久久| 人人澡人人妻人| av卡一久久| 黄色视频在线播放观看不卡| 777久久人妻少妇嫩草av网站| 丰满饥渴人妻一区二区三| 超碰97精品在线观看| 国产深夜福利视频在线观看| 美女午夜性视频免费| 尾随美女入室| 男女之事视频高清在线观看 | 国产黄色视频一区二区在线观看| 亚洲精品第二区| 日韩制服丝袜自拍偷拍| 亚洲av在线观看美女高潮| 欧美精品av麻豆av| 久久ye,这里只有精品| 丁香六月欧美| 综合色丁香网| 女性被躁到高潮视频| 久久久久网色| 国产黄色视频一区二区在线观看| 亚洲精品成人av观看孕妇| 五月天丁香电影| 2021少妇久久久久久久久久久| 99九九在线精品视频| 毛片一级片免费看久久久久| 天堂8中文在线网| av电影中文网址| 曰老女人黄片| 建设人人有责人人尽责人人享有的| 九九爱精品视频在线观看| 欧美精品高潮呻吟av久久| 国产av一区二区精品久久| 日本黄色日本黄色录像| 夫妻性生交免费视频一级片| 精品少妇黑人巨大在线播放| 18禁国产床啪视频网站| 国产伦理片在线播放av一区| 宅男免费午夜| 女人久久www免费人成看片| 亚洲精品aⅴ在线观看| 久久久久久久久久久久大奶| 午夜av观看不卡| e午夜精品久久久久久久| 亚洲精品国产一区二区精华液| 亚洲精品乱久久久久久| 男女边吃奶边做爰视频| 午夜免费鲁丝| 午夜福利影视在线免费观看| 久久人人爽人人片av| 亚洲伊人色综图| videos熟女内射| 99国产精品免费福利视频| 男女免费视频国产| 亚洲一区二区三区欧美精品| 黄片无遮挡物在线观看| 亚洲熟女精品中文字幕| 亚洲一级一片aⅴ在线观看| svipshipincom国产片| 咕卡用的链子| 亚洲一区中文字幕在线| 狂野欧美激情性bbbbbb| 中文字幕制服av| 国产精品麻豆人妻色哟哟久久| 亚洲成国产人片在线观看| 国产男女内射视频| 制服人妻中文乱码| 国产精品女同一区二区软件| 欧美 亚洲 国产 日韩一| 国产精品久久久久久精品电影小说| 99久国产av精品国产电影| 精品卡一卡二卡四卡免费| 美国免费a级毛片| 国产 精品1| www.自偷自拍.com| av线在线观看网站| av视频免费观看在线观看| 99国产精品免费福利视频| 久久99一区二区三区| 国产极品天堂在线| 七月丁香在线播放| 中国国产av一级| 亚洲情色 制服丝袜| 国产男女内射视频| 成人18禁高潮啪啪吃奶动态图| 毛片一级片免费看久久久久| 国产精品嫩草影院av在线观看| 黄网站色视频无遮挡免费观看| 嫩草影视91久久| 精品人妻在线不人妻| 亚洲在久久综合| 夫妻性生交免费视频一级片| 久久99一区二区三区| 亚洲精品视频女| 少妇被粗大猛烈的视频| 多毛熟女@视频| 一区二区三区四区激情视频| 亚洲国产欧美网| 18禁动态无遮挡网站| a级片在线免费高清观看视频| 国产男女超爽视频在线观看| 丝袜人妻中文字幕| av网站在线播放免费| 国产亚洲最大av| 天天躁日日躁夜夜躁夜夜| 欧美人与性动交α欧美软件| 最近的中文字幕免费完整| 国产精品一二三区在线看| 国产亚洲av高清不卡| 欧美日韩亚洲高清精品| 搡老岳熟女国产| 久久精品人人爽人人爽视色| 中文天堂在线官网| av免费观看日本| 在线观看国产h片| 婷婷色综合www| 欧美日韩av久久| 欧美 日韩 精品 国产| 免费看不卡的av| 国产在线视频一区二区| 丝袜美腿诱惑在线| 视频区图区小说| 天堂8中文在线网| 久久久精品区二区三区| 日韩 欧美 亚洲 中文字幕| 精品国产一区二区三区久久久樱花| 又大又爽又粗| 亚洲av男天堂| 卡戴珊不雅视频在线播放| 婷婷成人精品国产| 狠狠精品人妻久久久久久综合| 久久 成人 亚洲| 色综合欧美亚洲国产小说| 看免费av毛片| 亚洲国产精品成人久久小说| videos熟女内射| 51午夜福利影视在线观看| 日本vs欧美在线观看视频| 久久精品久久精品一区二区三区| 国产亚洲一区二区精品| 一区二区日韩欧美中文字幕| 国产男女超爽视频在线观看| 成人黄色视频免费在线看| 国产精品欧美亚洲77777| 99久久99久久久精品蜜桃| 久久久久久久大尺度免费视频| 熟女av电影| 欧美日韩一级在线毛片| 啦啦啦在线免费观看视频4| 狠狠精品人妻久久久久久综合| 国产在线视频一区二区| 波多野结衣一区麻豆| 天堂8中文在线网| 国产精品一二三区在线看| 高清视频免费观看一区二区| 亚洲av中文av极速乱| 国产精品三级大全| www日本在线高清视频| 国产又爽黄色视频| 国产无遮挡羞羞视频在线观看| 欧美av亚洲av综合av国产av | 国产熟女午夜一区二区三区| 超色免费av| 美女脱内裤让男人舔精品视频| 69精品国产乱码久久久| 黑人欧美特级aaaaaa片| 少妇 在线观看| 午夜福利乱码中文字幕| 亚洲av日韩精品久久久久久密 | 久久精品亚洲av国产电影网| 如日韩欧美国产精品一区二区三区| 一级片'在线观看视频| 亚洲欧美一区二区三区久久| 九九爱精品视频在线观看| 国产探花极品一区二区| 久久久亚洲精品成人影院| 国产麻豆69| 丁香六月欧美| 女人被躁到高潮嗷嗷叫费观| 国产又爽黄色视频| 欧美最新免费一区二区三区| 亚洲国产av影院在线观看| 好男人视频免费观看在线| 男人舔女人的私密视频| 亚洲国产日韩一区二区| 欧美日韩亚洲综合一区二区三区_| 精品国产乱码久久久久久小说| 看免费av毛片| 欧美亚洲日本最大视频资源| 男女床上黄色一级片免费看| 欧美激情高清一区二区三区 | 免费不卡黄色视频| 国产人伦9x9x在线观看| 久久青草综合色| 欧美人与性动交α欧美软件| 午夜影院在线不卡| 国产男女超爽视频在线观看| 欧美日韩一级在线毛片| 黄片播放在线免费| 麻豆乱淫一区二区| 少妇被粗大的猛进出69影院| 男女边摸边吃奶| 性少妇av在线| 国语对白做爰xxxⅹ性视频网站| 亚洲精品一区蜜桃| 99re6热这里在线精品视频| 十八禁人妻一区二区| 国产一区二区 视频在线| 韩国av在线不卡| 熟女av电影| 国产黄频视频在线观看| 久久午夜综合久久蜜桃| 亚洲精品第二区| 亚洲,欧美精品.| 两性夫妻黄色片| 多毛熟女@视频| 欧美日韩精品网址| 另类亚洲欧美激情| 成人黄色视频免费在线看| 校园人妻丝袜中文字幕| 狂野欧美激情性bbbbbb| 久久毛片免费看一区二区三区| 欧美亚洲 丝袜 人妻 在线| 一区二区三区四区激情视频| 18禁观看日本| 国产有黄有色有爽视频| 久久久国产一区二区| 一级a爱视频在线免费观看| 18禁国产床啪视频网站| 国产黄色免费在线视频| 青青草视频在线视频观看| 久久人人爽人人片av| 高清视频免费观看一区二区| 哪个播放器可以免费观看大片| 成人国产av品久久久| 久久女婷五月综合色啪小说| 99热国产这里只有精品6| 免费在线观看视频国产中文字幕亚洲 | 亚洲伊人色综图| 国产精品av久久久久免费| av网站在线播放免费| 侵犯人妻中文字幕一二三四区| 久久亚洲国产成人精品v| 亚洲色图 男人天堂 中文字幕| 午夜福利视频精品| 日日啪夜夜爽| 欧美在线一区亚洲| 9色porny在线观看| 精品一品国产午夜福利视频| 免费高清在线观看视频在线观看| 亚洲国产欧美网| 国产av一区二区精品久久| 制服诱惑二区| 人人澡人人妻人| 国产日韩欧美亚洲二区| 丝袜美足系列| 国产黄色视频一区二区在线观看| 久久久久精品人妻al黑| 操美女的视频在线观看| 亚洲精品在线美女| 精品免费久久久久久久清纯 | 国产精品免费视频内射| 久久亚洲国产成人精品v| 亚洲欧洲国产日韩| 一级黄片播放器| 美女脱内裤让男人舔精品视频| 国产精品免费大片| 老汉色∧v一级毛片| 国产男女超爽视频在线观看| 一级毛片 在线播放| 国产精品一区二区精品视频观看| 日本黄色日本黄色录像| 亚洲精品乱久久久久久| 国产精品久久久久久精品古装| 色网站视频免费| 国产亚洲最大av| 国产深夜福利视频在线观看| 老鸭窝网址在线观看| 青青草视频在线视频观看| 国产乱人偷精品视频| 亚洲国产精品一区二区三区在线| 亚洲国产欧美在线一区| 韩国av在线不卡| 精品酒店卫生间| 色综合欧美亚洲国产小说| 美女国产高潮福利片在线看| 赤兔流量卡办理| 国产精品一国产av| 热re99久久国产66热| 秋霞伦理黄片| 国产麻豆69| 波多野结衣一区麻豆| 男男h啪啪无遮挡| 国产淫语在线视频| 国产熟女午夜一区二区三区| 亚洲精品国产av成人精品| 久久人人爽av亚洲精品天堂| av一本久久久久| 99久久人妻综合| 国产精品 国内视频| av电影中文网址| 91精品三级在线观看| 亚洲精品国产一区二区精华液| 欧美成人精品欧美一级黄| 美女大奶头黄色视频| 在线观看免费高清a一片| 国产av一区二区精品久久| 菩萨蛮人人尽说江南好唐韦庄| 国产精品一二三区在线看| 一级毛片黄色毛片免费观看视频| 卡戴珊不雅视频在线播放| 午夜免费男女啪啪视频观看| 日日撸夜夜添| 另类精品久久| av.在线天堂| 啦啦啦中文免费视频观看日本| 秋霞伦理黄片| 七月丁香在线播放| 欧美亚洲日本最大视频资源| 亚洲一区二区三区欧美精品| 丰满少妇做爰视频| 久久久久精品人妻al黑| 2018国产大陆天天弄谢| 伊人久久国产一区二区| 亚洲美女黄色视频免费看| 老司机影院成人| 亚洲av日韩精品久久久久久密 | 九草在线视频观看| 精品一区在线观看国产| 国产野战对白在线观看| 免费观看a级毛片全部| av女优亚洲男人天堂| videosex国产| 人人澡人人妻人| 两个人免费观看高清视频| 日韩大片免费观看网站| 国产深夜福利视频在线观看| 日本av免费视频播放| 丝袜脚勾引网站| 免费高清在线观看日韩| 日日爽夜夜爽网站| 国产精品国产av在线观看| av又黄又爽大尺度在线免费看| 中文字幕制服av| 这个男人来自地球电影免费观看 | 高清视频免费观看一区二区| 国产片内射在线| 美女午夜性视频免费| 免费不卡黄色视频| 悠悠久久av| 亚洲精品自拍成人| 老司机亚洲免费影院| 叶爱在线成人免费视频播放| 一二三四中文在线观看免费高清| 国产一卡二卡三卡精品 | 中文字幕av电影在线播放| 亚洲成av片中文字幕在线观看| www.精华液| 无遮挡黄片免费观看| 国产麻豆69| 如何舔出高潮| 久久精品亚洲av国产电影网| 97精品久久久久久久久久精品| 满18在线观看网站| 国产精品久久久久成人av| 叶爱在线成人免费视频播放| 大片免费播放器 马上看| 欧美激情极品国产一区二区三区| 欧美精品av麻豆av| 久久精品熟女亚洲av麻豆精品| 亚洲av成人精品一二三区| 亚洲av综合色区一区| 视频在线观看一区二区三区| 一本大道久久a久久精品| 免费高清在线观看日韩| 男男h啪啪无遮挡| 欧美日本中文国产一区发布| 精品第一国产精品| 国产色婷婷99| 国产亚洲欧美精品永久| 一个人免费看片子| 一区二区av电影网| 国产精品久久久久久久久免| 日韩大码丰满熟妇| 亚洲欧美日韩另类电影网站| 欧美在线一区亚洲| 国产 精品1| 欧美在线一区亚洲| 亚洲国产精品成人久久小说| 一级毛片黄色毛片免费观看视频| 美女福利国产在线| 日本黄色日本黄色录像| 国产高清国产精品国产三级| 少妇被粗大的猛进出69影院| 又粗又硬又长又爽又黄的视频| 丝袜喷水一区| av又黄又爽大尺度在线免费看| 免费黄频网站在线观看国产| 精品久久久久久电影网| 蜜桃国产av成人99| 欧美精品一区二区免费开放| 黄网站色视频无遮挡免费观看| 国产精品 国内视频| 久久久久网色| 精品免费久久久久久久清纯 | 精品人妻在线不人妻| 国产精品人妻久久久影院| 一个人免费看片子| 一级毛片 在线播放| 无遮挡黄片免费观看| 亚洲成国产人片在线观看| 十八禁高潮呻吟视频| 日日撸夜夜添| 精品一区二区三卡| 日韩中文字幕视频在线看片| av在线老鸭窝| 亚洲精品国产一区二区精华液| 午夜福利一区二区在线看| 久久精品久久精品一区二区三区| 成人亚洲欧美一区二区av| 亚洲欧美中文字幕日韩二区| 街头女战士在线观看网站| 亚洲av综合色区一区| 久久性视频一级片| 黄色 视频免费看| 成人手机av| 在线 av 中文字幕| 亚洲精品自拍成人| 97人妻天天添夜夜摸| 国产女主播在线喷水免费视频网站| 久久久久精品性色| 久久久亚洲精品成人影院| 一级黄片播放器| 黄片无遮挡物在线观看| 久久久久久人人人人人| 精品国产乱码久久久久久小说| 亚洲国产精品国产精品| 可以免费在线观看a视频的电影网站 | 亚洲国产精品国产精品| 亚洲伊人久久精品综合| 亚洲av在线观看美女高潮| 日日撸夜夜添| 男人添女人高潮全过程视频| 精品一区二区三区四区五区乱码 | av在线播放精品| 伦理电影大哥的女人| 99久久99久久久精品蜜桃| 丝袜美腿诱惑在线| 国产精品久久久久久精品电影小说| av网站免费在线观看视频|