密植环境下基于域自适应学习的番茄检测方法OA北大核心CSTPCD
Tomato detection method using domain adaptive learning for dense planting environments
为解决果实检测模型在密植环境中对于不同场景适应力较差和严重的数据依赖性问题,该研究结合YOLOv5模型和域自适应学习,提出了一种番茄域自适应检测模型TDA-YOLO(tomato detection domain adaptation).该研究将密集种植环境中正常光照场景作为源域,其他光照场景作为目标域.首先,引入神经预设的颜色风格迁移来构建伪数据集,减小源域和目标域之间的差异.其次,该研究结合半监督学习方法,使模型能够更充分的提取域不变特征,并…查看全部>>
This study aimed to address the challenge of accurately and reliably detecting tomatoes in dense planting environments,a critical prerequisite for the automation implementation of robotic harvesting.However,the heavy reliance on extensive manually annotated datasets for training deep learning models still poses significant limitations to their application in real-world agricultural production environments.To overcome these limitations,we employed domain adap…查看全部>>
李洋;侯文慧;杨辉煌;饶元;王坦;金秀;朱军
安徽农业大学信息与人工智能学院,合肥 230036||农业农村部农业传感器重点实验室,合肥 230036农业农村部农业传感器重点实验室,合肥 230036||安徽农业大学工学院,合肥 230036安徽农业大学信息与人工智能学院,合肥 230036||农业农村部农业传感器重点实验室,合肥 230036安徽农业大学信息与人工智能学院,合肥 230036||农业农村部农业传感器重点实验室,合肥 230036安徽农业大学信息与人工智能学院,合肥 230036||农业农村部农业传感器重点实验室,合肥 230036安徽农业大学信息与人工智能学院,合肥 230036||农业农村部农业传感器重点实验室,合肥 230036安徽农业大学信息与人工智能学院,合肥 230036||农业农村部农业传感器重点实验室,合肥 230036
农业工程
植物模型域自适应番茄检测光照变化半监督学习密植环境
plantsmodelsdomain adaptivetomato detectionillumination variationsemi-supervised learningdense planting environments
《农业工程学报》 2024 (13)
134-145,12
The National Natural Science Foundation of China(32371993)The Natural Science Research Key Project of Anhui Provincial University(2022AH040125 & 2023AH040135)The Key Research and Development Plan of Anhui Province(202204c06020022 & 2023n06020057).
评论