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
为提高水域鱼类资源监测的自动化程度和实时分析能力,结合YOLOv8X(You only look once version 8-extra large)目标检测模型、ByteTrack(ByteTrack:a strong baseline for multi-object tracking)算法与双频识别声呐(Dual-frequency ide...为提高水域鱼类资源监测的自动化程度和实时分析能力,结合YOLOv8X(You only look once version 8-extra large)目标检测模型、ByteTrack(ByteTrack:a strong baseline for multi-object tracking)算法与双频识别声呐(Dual-frequency identification sonar,DIDSON)数据,开发了1种快速、准确的鱼类目标识别与计数方法。实验结果表明,YOLOv8X与ByteTrack联合方法与传统的Echoview软件识别精度接近(偏差率仅为1.36%),但处理时间显著减少(单条测线从约30 min减少至约3 min),表现出较强的实时处理能力和泛化性能。同时,通过重复实验验证了该方法的稳定性,确认其在不同场景中的可靠性。本研究方法与成果为水域鱼类资源的自动化监测提供了可靠的技术支持,可广泛地应用于大范围高频次的渔业资源监测与管理工作中。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。
文摘为提高水域鱼类资源监测的自动化程度和实时分析能力,结合YOLOv8X(You only look once version 8-extra large)目标检测模型、ByteTrack(ByteTrack:a strong baseline for multi-object tracking)算法与双频识别声呐(Dual-frequency identification sonar,DIDSON)数据,开发了1种快速、准确的鱼类目标识别与计数方法。实验结果表明,YOLOv8X与ByteTrack联合方法与传统的Echoview软件识别精度接近(偏差率仅为1.36%),但处理时间显著减少(单条测线从约30 min减少至约3 min),表现出较强的实时处理能力和泛化性能。同时,通过重复实验验证了该方法的稳定性,确认其在不同场景中的可靠性。本研究方法与成果为水域鱼类资源的自动化监测提供了可靠的技术支持,可广泛地应用于大范围高频次的渔业资源监测与管理工作中。
