基于轻量二阶段检测模型的自然环境多类蔬菜幼苗识别

为实现自然环境下蔬菜幼苗精准快速识别,本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象,提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网络对输入图像进行运算,以提高图像特征提取速度与效率;在此基础上,引入特征金字塔网络(Feature pyramid networks,FPN)单元融合特征提取网络不同层级特征信息,用于增强深度学习检测模型对多尺度目标的检测精度;然后,通过压缩检测头网络通道维数和全连接层数量,降低模型参数规模与计算复杂度;最后,将距离交并比(DistanceIoU,DIoU)损失作为目标边框回归损失函数,使预测框位置回归更加准确。试验结果表明,本文提出的深度学习推理模型对多类蔬菜幼苗的平均精度均值为97.47%,识别速度为19.07 f/s,模型占用存储空间为60 MB,对小目标作物以及叶片遮挡作物的平均精度均值达到88.55%,相比于Faster RCNN、RFCN模型具有良好的泛化性能和鲁棒性,可以为蔬菜田间农业智能装备精准作业所涉及的蔬菜幼苗检测识别问题提供新方案。

基于Faster-RCNN网络的蔬菜幼苗识别检测

田间杂草容易对蔬菜生长产生不利影响,快速准确的检测蔬菜幼苗并去除杂草对提高蔬菜产量和质量有较大影响。针对复杂农业环境下常规蔬菜幼苗识别方法存在的识别精度低、检测速度慢等问题,本文将Faster-RCNN模型引入到蔬菜幼苗识别检测中,先采用Resnet50残差网络作为前置基础网络提取作物特征,然后将特征送入候选区域建议网络进行先验框调整,最后通过感兴趣区域池化网络和全连接层完成目标分类定位。将检测完成的蔬菜幼苗检测模型部署在NVIDIA Jetson TX2嵌入式平台进行测试,蔬菜幼苗平均识别率达到93.92%,平均检测时间为34.4 ms,具有识别速度快和准确率高等优点。本方法可以为后续农业智能装备精准作业所涉及的蔬菜幼苗检测问题提供新方案。

基于Yolov4模型的玉米幼苗与杂草识别检测

作物生长过程中杂草与作物争夺水分、养分和光照,阻碍作物正常生长。除草是农业生产中的一个重要环节,对提高作物产量和质量起着决定性作用。本文以玉米幼苗及其常见的6种伴生杂草为研究对象,将Yolov4模型引入到作物与杂草识别检测中。检测模型先采用CSPDarknet53前置基础网络进行图像特征提取,然后在颈部网络中利用空间金字塔模块和FPN+PAN结构实现多尺度层级特征融合,最后通过检测头网络输出预测目标类别和位置信息。结果表明,本文模型对作物与杂草平均识别精度达到94.59%,检测一幅图像的平均时间为30.42 ms,相比于Faster-RCNN和SSD模型,具有识别速度快与检测精度高等优点,可以为自动化除草所涉及的苗草识别问题提供有效技术参考。