《No Bugs》 - 智能产品 - 全国大学生数字媒体科技作品及创意竞赛官网
查看原图

竞赛作品 > 智能产品

《No Bugs》

  • 智能产品竞赛作品——《No Bugs》

    作品名称:《No Bugs》
    参赛院校:北方工业大学
    指导教师:蔡兴泉
    团队成员:王通、卢清涛、陈立哲
    数媒竞赛网(mit.caai.cn)2021年参赛作品
    作品描述:

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括:构建数据集,使用几何变换、随机色彩抖动和马赛克数据增强技术,对数据集进行预处理;将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型,并在改进后的PANet网络中添加CBAM注意力模型,搭建改进的轻量化YOLOv4网络模型;引入Focal Loss优化YOLOv4网络模型的损失函数;将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献;比原YOLOv4模型的检测速度更快、平均检测精度更高,并且有效地解决了漏检和误检问题;对比实验证明优于其他主流网络模型,满足害虫实时检测的精度和速度要求。


  • 智能产品竞赛作品——《No Bugs》

    作品名称:《No Bugs》
    参赛院校:北方工业大学
    指导教师:蔡兴泉
    团队成员:王通、卢清涛、陈立哲
    数媒竞赛网2021年参赛作品
    作品描述:

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括:构建数据集,使用几何变换、随机色彩抖动和马赛克数据增强技术,对数据集进行预处理;将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型,并在改进后的PANet网络中添加CBAM注意力模型,搭建改进的轻量化YOLOv4网络模型;引入Focal Loss优化YOLOv4网络模型的损失函数;将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献;比原YOLOv4模型的检测速度更快、平均检测精度更高,并且有效地解决了漏检和误检问题;对比实验证明优于其他主流网络模型,满足害虫实时检测的精度和速度要求。


  • 智能产品竞赛作品——《No Bugs》

    作品名称:《No Bugs》
    参赛院校:北方工业大学
    指导教师:蔡兴泉
    团队成员:王通、卢清涛、陈立哲
    数媒竞赛网2021年参赛作品
    作品描述:

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括:构建数据集,使用几何变换、随机色彩抖动和马赛克数据增强技术,对数据集进行预处理;将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型,并在改进后的PANet网络中添加CBAM注意力模型,搭建改进的轻量化YOLOv4网络模型;引入Focal Loss优化YOLOv4网络模型的损失函数;将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献;比原YOLOv4模型的检测速度更快、平均检测精度更高,并且有效地解决了漏检和误检问题;对比实验证明优于其他主流网络模型,满足害虫实时检测的精度和速度要求。


  • 智能产品竞赛作品——《No Bugs》

    作品名称:《No Bugs》
    参赛院校:北方工业大学
    指导教师:蔡兴泉
    团队成员:王通、卢清涛、陈立哲
    数媒竞赛网2021年参赛作品
    作品描述:

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括:构建数据集,使用几何变换、随机色彩抖动和马赛克数据增强技术,对数据集进行预处理;将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型,并在改进后的PANet网络中添加CBAM注意力模型,搭建改进的轻量化YOLOv4网络模型;引入Focal Loss优化YOLOv4网络模型的损失函数;将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献;比原YOLOv4模型的检测速度更快、平均检测精度更高,并且有效地解决了漏检和误检问题;对比实验证明优于其他主流网络模型,满足害虫实时检测的精度和速度要求。


  • 智能产品竞赛作品——《No Bugs》

    作品名称:《No Bugs》
    参赛院校:北方工业大学
    指导教师:蔡兴泉
    团队成员:王通、卢清涛、陈立哲
    数媒竞赛网2021年参赛作品
    作品描述:

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括:构建数据集,使用几何变换、随机色彩抖动和马赛克数据增强技术,对数据集进行预处理;将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型,并在改进后的PANet网络中添加CBAM注意力模型,搭建改进的轻量化YOLOv4网络模型;引入Focal Loss优化YOLOv4网络模型的损失函数;将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献;比原YOLOv4模型的检测速度更快、平均检测精度更高,并且有效地解决了漏检和误检问题;对比实验证明优于其他主流网络模型,满足害虫实时检测的精度和速度要求。


  • 智能产品竞赛作品——《No Bugs》

    作品名称:《No Bugs》
    参赛院校:北方工业大学
    指导教师:蔡兴泉
    团队成员:王通、卢清涛、陈立哲
    数媒竞赛网2021年参赛作品
    作品描述:

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,设计了一种基于注意力模型和轻量化YOLOv4的林业害虫实时检测系统。具体工作包括:构建数据集,使用几何变换、随机色彩抖动和马赛克数据增强技术,对数据集进行预处理;将YOLOv4的主干网络替换为轻量化MobileNetV3网络模型,并在改进后的PANet网络中添加CBAM注意力模型,搭建改进的轻量化YOLOv4网络模型;引入Focal Loss优化YOLOv4网络模型的损失函数;将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。 本系统所设计的网络的各项改进点对系统的性能提升都有贡献;比原YOLOv4模型的检测速度更快、平均检测精度更高,并且有效地解决了漏检和误检问题;对比实验证明优于其他主流网络模型,满足害虫实时检测的精度和速度要求。



智能产品竞赛作品—“棋天大圣”-智能博弈象棋装置 上一篇

  • 1/6

  • 2/6

  • 3/6

  • 4/6

  • 5/6

  • 6/6

智能产品竞赛作品—安全护理-智慧物联护理床系统 下一篇



Copyright © 2001 - 2023 全国大学生数字媒体科技作品及创意竞赛网版权所有

Copyright © 2001 - 2023 数媒竞赛网(http://www.shumeijingsai.com)版权所有