基于MobileNet_SSD和树莓派的栗实象目标检测系统设计

已于 2022-02-10 15:40:07 修改
阅读量3.2k 收藏 6
点赞数 2
分类专栏： 笔记 文章标签： 目标检测 人工智能 计算机视觉 深度学习 pytorch
于 2022-01-18 12:26:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45626349/article/details/122555684
版权
该项目利用MobileNet-SSD深度学习模型和树莓派，针对栗实象这一蛀果类害虫进行目标检测，旨在帮助栗农实时监测虫害程度，提高板栗产量。通过训练模型并部署到树莓派上，实现栗实象的在线检测与识别。
摘要由CSDN通过智能技术生成
脑瓜子嗡嗡的小刘炼丹实验之路（paper）： Design of the chestnut image target recognition system based on MobileNet_SSD and Raspberry Pi

    本项目以湘潭市金湖良种板栗培育场捕捉和培育的栗实象成幼虫为研究对象，探索深度学习在栗实象目标识别与检测中的应用与技术支持。
    使用关键技术： MobileNet-SSD；树莓派；深度学习；栗实象；嵌入式；
    板栗是我国种植范围最广的一种淀粉质坚果，多生于低山丘陵缓坡及河滩地带，虫害多，其中，蛀果类害虫有栗实象（又名：栗实象甲。）、桃蛀螟等。而对板栗危害最大、最易滋生的是栗实象,其危害率为25%-40%，有的地方高达87.2%以上 ,被害果实丧失食用和经济价值。
   栗实象虫体

最低0.47元/天 解锁文章
脑瓜子嗡嗡的小刘
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python-Caffe实现MobilenetSSD人脸检测器兼容树莓派
08-11
Caffe 实现Mobilenet-SSD人脸检测器（兼容树莓派）
mobilenet-ssd
csdnforyou的博客
06-06 1万+
网络结构 参照MobileNet-SSD(chuanqi305)的caffe模型（prototxt文件） | github，绘制出MobileNet-SSD的整体结构如下（忽略一些参数细节）： 图片中从上到下分别是MobileNet v1模型（统一输入大小为300x300）、chuanqi305的Mobilenet-SSD网络、VGG16-SSD网络。且默认都是用3x3大小的卷积核，除了Mo...
MobileNetV2-SSDLite: 轻量级目标检测的高效解决方案
最新发布
gitblog_00060的博客
04-18 532
MobileNetV2-SSDLite: 轻量级目标检测的高效解决方案 项目地址:https://gitcode.com/chuanqi305/MobileNetv2-SSDLite MobileNetV2-SSDLite 是一个基于深度学习的轻量级目标检测框架，它结合了MobileNetV2的高效网络结构与SSD（Single Shot Multibox Detector）的实时检测能力，专为移...
树莓派相关（2）：树莓派实现目标检测识别(树莓派4+opencv4.1.1+tensorflow1.14.0+ssd_mobilenet_v1_coco)
Hankerchen的博客
12-17 1万+
前面笔者爬了许多坑安装完了opencv4.1.1（链接https://blog.csdn.net/Hankerchen/article/details/103510024）， 本次主要想实现目标检测，并将其识别出来，接下来一步一步将讲述如何部署tensorflow1.14.0+ssd_mobilenet_v1_coco ...
使用MobileNet_SSD进行目标检测
Keep_Trying_Go的博客
07-14 3906
使用MobileNet_SSD进行目标检测
mobilenet_ssd_some_mp4.rar
05-21
这里是原网站上的一些资源，这里做了打包，主要是Caffe模型需要的内容，包括prototxt文件以及Model文件，以及一些测试视频包含人，猫，汽车
mobilenet_ssd_pedestrian_detection:基于Mobilenet SSD的行人检测
05-14
mobilenet_ssd_pedestrian_detection 基于Mobilenet SSD的行人检测。 培训信息 数据集：加州理工学院步行者数据集 Caffe Mobilenet SSD： :
ssd_mobilenet_v3_large_coco_2020_01_14
12-09
总结来说，"ssd_mobilenet_v3_large_coco_2020_01_14"是一个使用TensorFlow Object Detection API 的SSD Mobilenet V3 Large目标检测模型，已在COCO数据集上预训练。这个模型结合了SSD的高效检测和MobileNetV3的轻量...
基于SSD_MobileNet模型的ROS平台目标检测
05-06
目标检测是机器人技术领域中重要的技术环节，而作为...本文就将针对以上问题，提出一种基于SSD_MobileNet框架，结合独立制作的图像数据集训练定制的目标检测模型，并将模型集成到ROS平台实现快速准确的目标检测功能.
MobileNet-SSD-master.zip_SSD-master_mobilenet_ssd介绍_损失函数_深度 特征提取
07-14
MobileNet-SSD（Single Shot MultiBox Detector）是一种基于深度学习的实时目标检测框架，它结合了MobileNet的高效计算和SSD的多尺度检测能力。在这个项目中，我们主要探讨MobileNet-SSD的实现、损失函数以及深度...
mobilenet_ssd.zip
06-08
该模型结合了MobileNet的高效架构和SSD（Single Shot MultiBox Detector）的检测机制，使其在保持较高检测精度的同时，大大降低了计算资源的需求，适用于移动设备和嵌入式系统。 MobileNet是Google在2017年提出的，...
SSD_MobileNet
03-06
SSD_MobileNet
MobileNet ssd模型文件
02-17
MobileNet ssd模型文件,包含二进制文件，描述文件，标签文件
MobileNet SSD框架解析
10-31
该文档详细的描述了MobileNet-SSD的网络模型，可以实现目标检测功能，适用于移动设备设计的通用计算机视觉神经网络，如车辆车牌检测、行人检测等功能。它具有速度快，模型小，效率高等优点。
MobileNet-SSD-RealSense：[High Performance MAX 30 FPS] RaspberryPi3（RaspberryPiRaspbian Stretch）或Ubuntu +多神经计算棒（NCSNCS2）+ RealSense D435（或USB摄像头或PiCamera）+ MobileNet-SSD（MobileNetSSD）+后台多透明（简单的多类细分）+ FaceDetection + MultiGraph + MultiProcessing + MultiClus
02-05
MobileNet-SSD-RealSense RaspberryPi3（Raspbian Stretch）或Ubuntu16.04 / UbuntuMate +神经计算棒（NCS / NCS2）+ RealSense D435（或USB Camera或PiCamera）+ MobileNet-SSD（MobileNetSSD） 【公告】2018年12月19日，OpenVINO支持RaspberryPi + NCS2！ 【2018年12月31日】完成与NCS2的USB Camera + MultiStick + MultiProcess mode对应。 【2019年1月4日】演出四次。
MobileNet-SSD: 轻量级深度学习物体检测框架详解
gitblog_00095的博客
03-24 599
MobileNet-SSD: 轻量级深度学习物体检测框架详解 项目地址:https://gitcode.com/chuanqi305/MobileNet-SSD MobileNet-SSD（Single Shot MultiBox Detector）是由Google开源的一个轻量化、高效的深度学习物体检测模型，其代码托管在GitCode上。这篇文章将详细介绍该项目的核心技术、应用场景及主要优点，帮...
MobileNet-SSD + imagezmq部署树莓派搭建监控系统
y459541195的博客
11-25 2527
Reference: https://github.com/jeffbass/imagezmq https://www.pyimagesearch.com/2017/09/18/real-time-object-detection-with-deep-learning-and-opencv/ https://arxiv.org/abs/1704.04861 https://github.com/c...
MobileNet_ssd原理
热门推荐
jiang_ming_的博客
09-03 4万+
之前实习用过太多次mobilenet_ssd，但是一直只是用，没有去了解它的原理。今日参考了一位大神的博客，写得很详细，也很容易懂，这里做一个自己的整理，供自己理解，也欢迎大家讨论。 先整理MobileNet 这里奉上大神的博客地址：https://blog.csdn.net/u013082989/article/details/77970196 论文地址：MobileNets: Effic...
使用mobilenet_v1---使用SSD-MobileNet训练模型
andeyeluguo的博客
07-03 7180
使用mobilenet_v1训练mobilenet 主要参考了[1],还是很详细的，跟着教程来可以很容易跑起来，有几个问题需要注意 ★执行命令路径举例 cd /host/models/research/ protoc object_detection/protos/*.proto --python_out=. export PYTHONPATH="${PYTHONPATH}:/host/model...
我要使用基于MobileNet_SSD和Caffe预训练模型检测图像中的对象的代码
06-07
好的，以下是基于MobileNet_SSD和Caffe预训练模型检测图像中的对象的示例代码： ```python import cv2 import numpy as np # 加载网络模型 net = cv2.dnn.readNetFromCaffe('MobileNetSSD_deploy.prototxt', 'MobileNetSSD_deploy.caffemodel') # 定义类别标签 classNames = { 0: 'background', 1: 'aeroplane', 2: 'bicycle', 3: 'bird', 4: 'boat', 5: 'bottle', 6: 'bus', 7: 'car', 8: 'cat', 9: 'chair', 10: 'cow', 11: 'diningtable', 12: 'dog', 13: 'horse', 14: 'motorbike', 15: 'person', 16: 'pottedplant', 17: 'sheep', 18: 'sofa', 19: 'train', 20: 'tvmonitor' } # 加载图像 image = cv2.imread('image.jpg') # 对图像进行预处理 blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 0.007843, (300, 300), 127.5) # 将预处理后的图像输入到网络中，得到预测结果 net.setInput(blob) detections = net.forward() # 遍历预测结果，绘制检测框 for i in range(detections.shape[2]): confidence = detections[0, 0, i, 2] if confidence > 0.5: classId = int(detections[0, 0, i, 1]) className = classNames[classId] x1 = int(detections[0, 0, i, 3] * image.shape[1]) y1 = int(detections[0, 0, i, 4] * image.shape[0]) x2 = int(detections[0, 0, i, 5] * image.shape[1]) y2 = int(detections[0, 0, i, 6] * image.shape[0]) cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(image, className, (x1, y1), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2) # 显示检测结果 cv2.imshow('image', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 需要注意的是，代码中的`MobileNetSSD_deploy.prototxt`和`MobileNetSSD_deploy.caffemodel`是MobileNet_SSD的预训练模型文件，需要根据实际情况进行替换。同时，预训练模型中定义的类别标签也需要根据实际情况进行修改。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

脑瓜子嗡嗡的小刘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值