典型文献
基于深度学习的农业有害生物识别监测系统
文献摘要：
本系统采用YOL0v5实现有害生物检测算法,手机端采用NCNN部署模型,离线数据库采用SQLite,同时实现WEB端平台,完成系统管理与可视化统计分析.通过真实环境下的测试得出,mAP值约为93％,测试精度约为71％.在安卓设备上进行识别约耗时100ms,较好地实现了功能.
文献关键词：
YOLOv5;NCNN;SQLite;原生安卓
中图分类号：
作者姓名：
周为鹏;方定磊;顾仕杰;颜新云
作者机构：
金陵科技学院网络与通信工程学院,江苏南京,211100;南京农业大学人工智能学院,江苏南京,210018;杭州电子科技大学计算机学院,浙江杭州,310018
文献出处：
引用格式：
[1]周为鹏;方定磊;顾仕杰;颜新云-.基于深度学习的农业有害生物识别监测系统)[J].电子测试,2022(15):56-59
A类：
YOL0v5,NCNN,原生安卓
B类：
有害生物,生物识别,本系,生物检测,检测算法,手机端,离线数据,SQLite,WEB,端平,系统管理,可视化统计,真实环境,试得,mAP,测试精度,100ms,YOLOv5
AB值：
0.472186
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
