针对玉米杂草识别过程中因光照变化导致识别精确度低及漏检问题,该研究以幼苗期玉米及其伴生杂草为研究对象,设计一种基于WEED-YOLOv10的玉米杂草检测方法。首先,通过无人机快速采集田间高分辨率图像构建了玉米杂草数据集;其次,以YOLOv...针对玉米杂草识别过程中因光照变化导致识别精确度低及漏检问题,该研究以幼苗期玉米及其伴生杂草为研究对象,设计一种基于WEED-YOLOv10的玉米杂草检测方法。首先,通过无人机快速采集田间高分辨率图像构建了玉米杂草数据集;其次,以YOLOv10n为基线网络,将骨干网络替换为ConvNeXtV2以增强特征提取能力;继而,为避免因模块拼接可能带来的信息冗余或丢失问题提升对光照干扰的鲁棒性,嵌入CBAM注意力机制;然后,引入SlimNeck结构优化网络计算效率,有效平衡了模型计算资源消耗与特征表征能力;最后,使用Focaler-EIoU损失函数进一步提高模型定位精度。试验结果表明,WEED-YOLOv10在精确率、召回率、mAP@50、mAP@50:95和F1分数上分别达到85.4%、88.1%、90.9%、48.5%和86.7%,较基准模型分别提升了2.4、2.9、3.5、7.0、2.6个百分点,各项精度指标均优于其他对比模型,部署在NVIDIA Jetson orin NX上的图片推理速度达到28.7帧/s,实现了检测速度与精度的平衡。进一步地,基于WEED-YOLOv10开发对靶喷药系统,该系统实时捕捉并解析来自模型的识别信号,实现对除草喷施装置的精准调控。田间试验结果显示,对靶喷药系统施药准确率为93.7%,喷洒覆盖率为90.5%,对靶偏差为1.45cm,杂草实时检测速度为20.1帧/s,实现了自动化的玉米田间除草作业。该研究为复杂光照场景下农田杂草治理提供了可靠的技术方案,对推动农业智能化作业具有重要意义。展开更多
针对玉米田间环境下幼苗与杂草检测实时性不足、识别模型结构复杂、识别精度欠佳及移动端部署困难等问题,提出一种基于改进YOLOv5s的玉米田间杂草检测方法。通过嵌入轻量化的GhostNetV3模块减少模型的计算量和参数量,提升运行速率以适...针对玉米田间环境下幼苗与杂草检测实时性不足、识别模型结构复杂、识别精度欠佳及移动端部署困难等问题,提出一种基于改进YOLOv5s的玉米田间杂草检测方法。通过嵌入轻量化的GhostNetV3模块减少模型的计算量和参数量,提升运行速率以适配移动端部署要求;在主干特征提取网络中引入CA(Coordinate attention)注意力机制,通过空间维度特征强化提升有效特征表达能力,在强化特征提取能力的同时,抑制无关信息干扰,进而提升模型的检测精度;引入高效交并比损失函数EIoU(Efficient intersection over union)替代模型传统的GIoU(Generalized intersection over union),通过改进边界框回归策略提升目标定位精度、收敛效率和回归精度;采用数据增强技术拓展训练样本的多样性,有效解决样本数据不足和复杂背景干扰问题,进一步提升模型的鲁棒性。试验结果表明,该方法在玉米田杂草检测任务中性能显著提升,相比基准模型,精确率、召回率和平均精度分别提高3.7%、7.7%和3.4%,达到95.9%、85.8%、88.6%,浮点运算量、参数量和模型大小分别减少了54.3%、53.9%、50%,在保证检测精度的前提下实现了模型的轻量化与高效性。展开更多
文摘针对玉米杂草识别过程中因光照变化导致识别精确度低及漏检问题,该研究以幼苗期玉米及其伴生杂草为研究对象,设计一种基于WEED-YOLOv10的玉米杂草检测方法。首先,通过无人机快速采集田间高分辨率图像构建了玉米杂草数据集;其次,以YOLOv10n为基线网络,将骨干网络替换为ConvNeXtV2以增强特征提取能力;继而,为避免因模块拼接可能带来的信息冗余或丢失问题提升对光照干扰的鲁棒性,嵌入CBAM注意力机制;然后,引入SlimNeck结构优化网络计算效率,有效平衡了模型计算资源消耗与特征表征能力;最后,使用Focaler-EIoU损失函数进一步提高模型定位精度。试验结果表明,WEED-YOLOv10在精确率、召回率、mAP@50、mAP@50:95和F1分数上分别达到85.4%、88.1%、90.9%、48.5%和86.7%,较基准模型分别提升了2.4、2.9、3.5、7.0、2.6个百分点,各项精度指标均优于其他对比模型,部署在NVIDIA Jetson orin NX上的图片推理速度达到28.7帧/s,实现了检测速度与精度的平衡。进一步地,基于WEED-YOLOv10开发对靶喷药系统,该系统实时捕捉并解析来自模型的识别信号,实现对除草喷施装置的精准调控。田间试验结果显示,对靶喷药系统施药准确率为93.7%,喷洒覆盖率为90.5%,对靶偏差为1.45cm,杂草实时检测速度为20.1帧/s,实现了自动化的玉米田间除草作业。该研究为复杂光照场景下农田杂草治理提供了可靠的技术方案,对推动农业智能化作业具有重要意义。
文摘针对玉米田间环境下幼苗与杂草检测实时性不足、识别模型结构复杂、识别精度欠佳及移动端部署困难等问题,提出一种基于改进YOLOv5s的玉米田间杂草检测方法。通过嵌入轻量化的GhostNetV3模块减少模型的计算量和参数量,提升运行速率以适配移动端部署要求;在主干特征提取网络中引入CA(Coordinate attention)注意力机制,通过空间维度特征强化提升有效特征表达能力,在强化特征提取能力的同时,抑制无关信息干扰,进而提升模型的检测精度;引入高效交并比损失函数EIoU(Efficient intersection over union)替代模型传统的GIoU(Generalized intersection over union),通过改进边界框回归策略提升目标定位精度、收敛效率和回归精度;采用数据增强技术拓展训练样本的多样性,有效解决样本数据不足和复杂背景干扰问题,进一步提升模型的鲁棒性。试验结果表明,该方法在玉米田杂草检测任务中性能显著提升,相比基准模型,精确率、召回率和平均精度分别提高3.7%、7.7%和3.4%,达到95.9%、85.8%、88.6%,浮点运算量、参数量和模型大小分别减少了54.3%、53.9%、50%,在保证检测精度的前提下实现了模型的轻量化与高效性。
