摘要
【目的】解决自动化杂草管理中的一个核心挑战——杂草的识别,提高杂草识别的效率和准确性。【方法】采用了深度学习的方法进行目标识别,并结合经过优化的YOLOv5网络,开发出了一种轻量级的杂草识别网络,然后进行模型训练和测试。【结果】剪枝后得到的YOLO-WeedV3,其mAP值为0.886,超越了YOLOv5(0.853)和YOLOX(0.877),同时在参数量和计算量方面均是三者中最低的。【结论】相较于原始的YOLOv5模型,该网络在保证精度的前提下,降低了对存储空间和计算量的要求,使其更适合移动或嵌入式设备上的应用。这一成果不仅证明了该技术在处理杂草识别问题上的有效性,也展示了其在计算能力受限的边缘计算环境中的应用潜力。