-
题名基于深度学习的刺萼龙葵实时识别与计数方法
被引量：1
- 1
-
-
作者
杜世峰
杨亚帅
程曼
袁洪波
-
机构
河北农业大学机电工程学院
-
出处
《农业机械学报》
CSCD
北大核心
2024年第S1期295-305,共11页
-
基金
河北省高层次人才项目(C20231104)
-
文摘
刺萼龙葵(Solanum rostratum Dunal,SrD)作为一种全球性有害入侵杂草,已在多个国家广泛分布,对当地的农业和生态系统安全造成了严重威胁。设计了一种深度学习网络模型(TrackSolanum)进行刺萼龙葵的现场实时检测、定位和计数。TrackSolanum网络模型由检测模块、跟踪模块和定位计数模块3部分构成,检测模块采用YOLO_EMA检测刺萼龙葵,跟踪模块利用DeepSort对连续视频帧中刺萼龙葵进行多目标追踪,定位计数模块通过质心定位和目标ID过线失效实现刺萼龙葵的定位和计数。YOLO_EMA模型在测试集上的精确率(Precision,P)、召回率(Recall,R)、平均精度(Average precision,AP)和帧率(Frame per second,FPS)分别达到93.7%、93.6%、97.8%和91 f/s,证明了其在刺萼龙葵现场实时检测任务中的有效性。为进一步验证YOLO_EMA网络的检测性能,对原始YOLO v8、YOLO_EMA以及本团队前期设计的YOLO_CBAM进行了消融试验。此外,讨论了刺萼龙葵不同生长阶段对检测效果的影响,在刺萼龙葵幼苗期,TrackSolanum模型的精确率、召回率、平均精度和帧率分别为95.9%,96.4%,98.6%和74 f/s。在刺萼龙葵生长期,TrackSolanum模型的精确率、召回率、平均精度和帧率分别为96.3%,95.4%,97.0%和71 f/s,均表现出良好的检测结果。现场试验结果表明,针对无人机飞行在2 m高度获取的视频,TrackSolanum模型的精确率和召回率分别达到94.2%和96.5%,多目标跟踪准确率(Multiple object tracking accuracy,MOTA)和IDF1分别达到80.6%和95.4%,计数失误率仅为3.215%。TrackSolanum模型可以用于刺萼龙葵的现场实时检测,并能够为刺萼龙葵入侵的危害评估和精准治理提供技术支持。
-
关键词
入侵植物
刺萼龙葵
深度学习
TrackSolanum模型
实时检测
定位和计数
-
Keywords
invasive alien plants
Solanum rostratum Dunal
deep learning
TrackSolanum model
real-time detection
localization and counting
-
分类号
S451
[农业科学—植物保护]
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
