摘要
为在自然环境下的玉米田间实现玉米幼苗与杂草的实时检测,提出一种基于轻量级网络的玉米田间杂草识别方法,该方法是在YOLO v5s网络的基础上引入适用于移动设备和边缘设备的轻量级卷积神经网络MobileNet v3,建立的YOLO v5s-MobileNet v3玉米杂草识别模型。对拍摄的包含玉米幼苗和杂草的图像进行数据增强预处理,以增强模型泛化能力,利用Bneck深度卷积神经网络架构提取特征,并使用随机梯度下降法优化训练模型。在对比试验中,分别将YOLO v5s的主干网络替换为EfficientNet v2和ShuffleNet v2,并选取传统的SSD、Faster R-CNN、YOLO v4等标准目标检测网络作为参照,进行全面的性能评估。结果表明,YOLO v5s-MobileNet v3识别模型大小为7.48 MB,在CPU上单张图像的推理时间为6.8 ms,识别精确率为88.0%,查全率为89.9%,均值平均精度为93.0%,F_(1)分数为88.9%。模型能够快速识别与玉米贴近、交叉的杂草,可为田间拖拉机挂载式喷药和精准农业等领域,提供一种快速且准确的农作物与杂草检测与分类方法,以支持作物生长管理、田间变量施肥以及靶向喷药的技术需求。
出处
《江苏农业科学》
北大核心
2025年第20期194-202,共9页
Jiangsu Agricultural Sciences
基金
国家重点研发计划(编号:2023YFD2301605)
黑龙江省重点研发计划指导类项目(编号:GZ20220020)
黑龙江省自然科学基金(编号:LH2023F043)
黑龙江省高等教育教学改革研究项目(编号:SJGY20210622)。
