-
题名基于改进YOLO v5的农田苗草检测方法
被引量：3
- 1
-
-
作者
吴坚
秦玉广
-
机构
浙江科技学院
浙江省食品物流装备技术研究重点实验室
-
出处
《江苏农业科学》
北大核心
2024年第13期197-204,共8页
-
基金
国家重点研发计划(编号:2017YFD0401304)。
-
文摘
针对除草机器人等智能农业机械在复杂的农田环境下工作时易受到杂草种类、光照多变以及叶片遮挡等因素影响,难以高效精准地检测作物和杂草位置的问题,提出一种基于改进YOLO v5s算法的农田苗草目标检测方法,能够对不同天气、位置和密度环境下的农作物及其伴生杂草进行检测。首先使用公开数据集并通过数据增强方法扩充数据构建了新的苗草数据集,分析了苗草数据集的图像特点后针对原YOLO v5算法模型的不足提出改进,结合协同注意力CA与感受野块RFB模块改进主干网络,在只添加少量参数的情况下提高模型检测性能;然后选择CARAFE的上采样方式加强网络提取特征能力;最后采取WIoU v3替换CIoU损失函数,平衡锚框质量并实现高精度定位。将改进后的YOLO v5网络模型与各种常见的主流网络在苗草数据集上依据目标检测算法评价指标进行了试验比较,结果显示,改进后算法平均精度均值达到86.7%,比原始的YOLO v5s提高了2.9百分点,FPS达到60.4帧/s,在满足算法实时性要求的同时明显提升了检测算法精度,验证了改进算法的有效性,适用于除草机器人的杂草识别系统。
-
关键词
苗草检测
YOLO
v5
协同注意力
空洞卷积
损失函数
-
分类号
S126
[农业科学—农业基础科学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于Yolov4模型的玉米幼苗与杂草识别检测
被引量：4
- 2
-
-
作者
李雪峰
施晨辉
宋名果
甘仲辉
乔芷柔
孟庆宽
-
机构
天津职业技术师范大学自动化与电气工程学院
天津博益气动股份有限公司
-
出处
《热带农业工程》
2023年第1期1-6,共6页
-
基金
国家级大学生创新创业训练计划项目(No.202110066016)。
-
文摘
作物生长过程中杂草与作物争夺水分、养分和光照,阻碍作物正常生长。除草是农业生产中的一个重要环节,对提高作物产量和质量起着决定性作用。本文以玉米幼苗及其常见的6种伴生杂草为研究对象,将Yolov4模型引入到作物与杂草识别检测中。检测模型先采用CSPDarknet53前置基础网络进行图像特征提取,然后在颈部网络中利用空间金字塔模块和FPN+PAN结构实现多尺度层级特征融合,最后通过检测头网络输出预测目标类别和位置信息。结果表明,本文模型对作物与杂草平均识别精度达到94.59%,检测一幅图像的平均时间为30.42 ms,相比于Faster-RCNN和SSD模型,具有识别速度快与检测精度高等优点,可以为自动化除草所涉及的苗草识别问题提供有效技术参考。
-
关键词
深度学习
自动除草
苗草检测
Yolov4模型
-
Keywords
deep learning
automatic weeding
seedling and grass detection
Yolov4 model
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
