基于轻量化YOLOv5的粮食作物和杂草识别研究

杂草作为粮食作物生长过程中出现的危害之一,会干扰粮食的生长并吸收农作物的养分。为实现智慧农业发展,解决粮食作物生长过程中的杂草问题对提高农作物收成起着关键性作用。本文以常见的农作物及其伴生杂草作为研究对象,将YOLOv5模型引入到粮食作物和杂草的识别中。检测模型使用轻量级网络GhostNet替换掉特征提取网络CSPDarknet,增强模型自适应特征提取能力并减少模型参数计算量;引入CA注意力机制模块,进一步加强对检测目标的位置信息的提取能力;在Neck层的特征信息融合部分引入GSconv,平衡语义信息的同时进一步提升检测精度。实验结果表明,改进后的模型相比于YOLOv5,模型参数量减少33%,浮点运算量下降36%,平均精度均值提高1%,速度提高了46FPS。在确保准确率和检测速度的情况下,进一步提升了检测效果,为在边缘设备的部署上提供了实施方案。