基于Faster R-CNN的蔗田杂草检测算法研究

为提高自然环境下蔗田杂草检测准确率,提出一种基于改进的Faster R-CNN的蔗田杂草检测算法。在特征提取阶段使用BFP模块均衡各级语义特征来加强对杂草图像深层特征的提取;采用DLA策略动态调整网络的标签预测阈值,解决训练前期正样本稀缺问题;使用Soft-NMS对模型进行优化,通过改进原模型的NMS减少单类目标漏检并提高目标定位精度。试验结果表明,优化后算法的mAP值达81.3%,与原Faster R-CNN算法相比,精度提升6.2%,平均每幅图像测试耗时0.132 s,且在AP 50、AP s、AP l指标上分别有6.5%、4.7%、5.1%的提高。改进后的算法具有较高的检测精度和稳定性,可以满足复杂自然环境下的蔗田杂草检测需求。

基于改进YOLOv7的复杂背景农间杂草检测

大田作物智慧种植作为智慧农业的重要发展目标,也是未来农业发展方向。农作物生长周期往往伴随着杂草的不断生长,杂草生命力旺盛,与农作物争夺水分、阳光、生长空间,严重影响农作物的正常生长。目前农间除草方式包括人工除草、机械除草、除草剂除草等,不仅耗时耗力且效率低,残留药物甚至造成土壤肥力下降和环境污染。提出一种改进YOLOv7算法实现复杂背景下的农间杂草检测,具备高效性和精准性,以解决现有目标检测模型对识别杂草准确率低和小目标检测率不高的问题。该方法通过引入轻量级的FasterNet结构,使网络模型拥有较高精确度和速度的同时降低参数量;添加CA注意力机制,在不同坐标轴进行注意力池化,使模型学到更准确的特征;将原始YOLOv7的CIoU损失函数更替为Focal-EIoU损失函数,降低样本不平衡性。实验结果表明,基于改进YOLOv7的复杂背景农间杂草检测,平均精度均值mAP为93.7%,较原YOLOv7模型提高4.2%。

基于动态剪枝神经网络的杂草检测算法研究

针对卷积神经网络模型巨大的参数量和计算量导致其实际应用时难度较大的问题,提出了一种基于注意力机制与动态稀疏约束的模型压缩方法。该算法首先借助SENet(Squeeze and excitation networks,SENet)模块(可称为SE模块)评估出网络中各个通道的重要性,并施加稀疏正则化;然后提出一种网络稀疏度的自适应惩罚权重设计方法,根据模型学习效果,动态调整权重,将其添加到最终的训练目标上,实现模型动态压缩。最后,通过实验验证所提出的模型压缩方法,在经典的多分类数据集CIFAR 10上进行实验,证明了本文所提出的基于注意力机制与动态稀疏约束的模型压缩方法可降低网络的冗余度,使网络模型参数量减少43.97%,计算量减少82.94%,而分类准确率只比原始VGG16模型下降0.04个百分点。随后又将提出的模型压缩方法应用到杂草检测任务中,在甜菜与杂草数据集上进行实验,实验结果表明,剪枝模型相较于未剪枝模型的模型参数量减少41.26%,计算量减少45.77%,而平均检测精度均值只减少0.91个百分点,证明了该方法在杂草检测方面效果较好。

基于YOLO v5-Jetson TX2的秸秆覆盖农田杂草检测方法

玉米苗期杂草的实时检测和精准识别是实现精准除草和智能农业的基础和前提。针对保护性耕作模式地表环境复杂、杂草易受地表秸秆残茬覆盖影响、现有算法检测速度不理想等问题,提出一种适用于Jetson TX2移动端部署的秸秆覆盖农田杂草检测方法。运用深度学习技术对玉米苗期杂草图像的高层语义信息进行提取与分析,构建玉米苗期杂草检测模型。在YOLO v5s模型的基础上,缩小网络模型宽度对其进行轻量化改进。为平衡模型检测速度和检测精度,采用TensorRT推理加速框架解析网络模型,融合推理网络中的维度张量,实现网络结构的重构与优化,减少模型运行时的算力需求。将模型迁移部署至Jetson TX2移动端平台,并对各模型进行训练测试。检测结果表明,轻量化改进YOLO v5ss、YOLO v5sm、YOLO v5sl模型的精确率分别为85.7%、94%、95.3%,检测速度分别为80、79.36、81.97 f/s,YOLO v5sl模型综合表现最佳。在Jetson TX2嵌入式端推理加速后,YOLO v5sl模型的检测精确率为93.6%,检测速度为28.33 f/s,比模型加速前提速77.8%,能够在保证检测精度的同时实现玉米苗期杂草目标的实时检测,为硬件资源有限的田间精准除草作业提供技术支撑。

基于改进YOLOv5算法的农田杂草检测

随着智慧农业技术和大田种植技术的不断发展,自动除草具有广阔的市场前景。关于除草剂自动喷洒的有效性,农田杂草的精准、快速地识别和定位是关键技术之一。基于此提出一种改进的YOLOv5算法实现农田杂草检测,该方法通过改进数据增强方式,提高模型泛化性;通过添加注意力机制,增强主干网络的特征提取能力;通过改进框回归损失函数,提升预测框的准确率。试验表明,在芝麻作物和多种杂草的复杂环境下,本文方法的检测平均精度均值mAP为90.6%,杂草的检测平均精度AP为90.2%,比YOLOv5s模型分别提高4.7%和2%。在本文试验环境下,单张图像检测时间为2.8 ms,可实现实时检测。该研究内容可以为农田智能除草设备提供参考。

基于改进YOLOv5的智能除草机器人蔬菜苗田杂草检测研究

杂草精准检测是自动化除草装备的关键技术。针对田间杂草分布复杂和种类繁多导致的检测复杂度高和鲁棒性差等问题,基于自研移动机器人平台,提出一种改进YOLOv5算法和图像处理的蔬菜苗田杂草检测方法。通过识别蔬菜间接检测杂草的方式降低杂草检测复杂度,进而提高检测精度和鲁棒性。在YOLOv5目标检测算法主干特征提取网络中引入卷积块注意力模块(CBAM)提高网络对蔬菜目标的关注度,加入Transformer模块增强模型对全局信息的捕捉能力。结果表明,改进YOLOv5算法对蔬菜目标的平均检测准确率可达95.7%,与Faster R-CNN,SSD,EfficientDet,RetinaNet,YOLOv3,YOLOv4和YOLOv5算法相比,分别提高了5.8%,6.9%,10.3%,13.1%,9.0%,5.2%和3.2%。算法单幅图像平均检测时间11 ms,具有较好的实时性。采用改进YOLOv5算法检测蔬菜,将蔬菜边框之外绿色植物定义为杂草,超绿特征(ExG)结合OTSU阈值分割法将杂草与土壤背景分割,最后标记杂草连通域输出杂草质心和检测框。本研究方法可为农业自动化精准除草提供借鉴。

基于改进YOLOv3的杂草检测研究

在自然环境下的甜菜杂草数据集中,小尺寸杂草数量多且背景复杂,从而造成杂草检测精度较低。本文在YOLOv3算法的基础上提出改进的杂草检测方法。首先,在特征融合网络中,提出一种特征融合模块(Feature Fusion Module,FFM),分别对小目标检测层和中等目标检测层进行特征融合,融合浅层特征图丰富的位置信息和深层特征图丰富的语义信息,从而提高小尺寸杂草的检测精度。其次,为了进一步解决原特征融合网络中特征图上采样方式的问题,将改进后的上采样方式替换原网络中的上采样方式。最后,往主干网络的残差单元中嵌入注意力机制以提高模型对细节信息的感知能力。根据实验结果,本文提出的基于改进的YOLOv3杂草检测算法,FPS达到58,速度较原YOLOv3算法慢,但依旧满足实时性要求;平均检测精度可达86.75%,比原YOLOv3算法提高了2.6%。

基于改进YOLOv5s的玉米田间杂草检测方法

针对玉米田间环境中,对幼苗与杂草的检测存在实时性差以及精度不足的问题,将玉米幼苗及常见的四种伴生杂草作为研究对象,提出一种基于改进YOLOv5s的玉米田间杂草检测方法。以YOLOv5s为基础模型,提出一种DCA注意力模块并嵌入特征提取网络的C3结构中,来强化模型的特征表达能力。在损失函数的计算部分引入EIOU损失函数来衡量模型训练过程中的定位损失,优化模型的收敛速度和定位精度。实验表明,改进的YOLOv5s模型在玉米与伴生杂草数据集上mAP@0.5达到95.7%,mAP@0.5:0.95为81.9%,每秒检测帧数为61帧,满足检测精度以及实时性的要求。

基于多尺度注意力和深度可分离卷积的农田杂草检测

农田杂草根除是促进农业稳定生产的前提。由于杂草种类多,且相同物种因大小、颜色和位置的变化多样,导致传统农田杂草检测算法性能不高。提出一种基于多尺度注意力和深度可分离卷积的农田杂草检测算法。首先,利用深度可分离卷积改进主干网络VGG-16,降低模型参数量,加快模型的训练;然后,采用多尺度注意力模块提取杂草的多尺度特征,增强模型对形态图像特征的捕获能力。通过在不同时间段测试多个农田杂草样本,结果表明:本文算法的精准率为94.69%、召回率为94.88%和F1值为93.82%。与当前主流杂草检测模型相比,在保持较高检测性能的基础上,具有更低的时间开销,可应用于农田杂草的自动检测。

基于多尺度融合模块和特征增强的杂草检测方法

针对单步多框检测器(Single shot multibox detector,SSD)网络模型参数多、小目标检测效果差、作物与杂草检测精度低等问题,提出一种基于多尺度融合模块和特征增强的杂草检测方法。首先将轻量网络MobileNet作为SSD模型的特征提取网络,并设计了一种多尺度融合模块,将浅层特征图先通过通道注意力机制增强图像中的关键信息,再将特征图经过不同膨胀系数的扩张卷积扩大感受野,最后将两条分支进行特征融合,对于检测小目标的浅层特征图,在包含较多小目标细节信息的同时,还包含丰富的语义信息。在此基础上对输出的6个特征图经过通道注意力机制进行特征增强。实验结果表明,本文提出的基于多尺度融合模块和特征增强的杂草检测模型,在自然环境下甜菜与杂草图像数据集中,平均检测精度可达88.84%,较标准SSD模型提高了3.23个百分点,参数量减少57.09%,检测速度提高88.44%,同时模型对小目标作物与杂草以及叶片交叠情况的检测能力均有提高。

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。

基于深度学习的新型语义分割模型与玉米间杂草识别研究

玉米是我国重要的粮食和经济作物,但由于玉米易受杂草侵害,而人力除草费用很高,所以有必要开发出一种用于杂草分割检测的模型指导机器人除草。课题组提出了一种新型的基于神经网络的深度卷积模型,以实现在自然光照拍摄条件下对杂草和玉米苗的语义分割检测。课题组使用私有玉米-杂草数据集,使用数据增强和数据归一化等方法进行预处理,建立神经网络模型,在RTX3050上训练100个Epoch后得到收敛的模型,并使用mIOU等多个指标对模型进行评价。仿真结果表明,该深度神经网络模型能够有效地实现对玉米、杂草的分割检测,各种指标均满足预期,为农业方面的杂草检测工作提供了有效参考。

一种改进的小波模极大值杂草图像边缘检测算法

提出了一种改进的、基于小波多尺度和多分辨率特征的数字图像边缘检测算法,分别利用不同尺度的、小波变换后的、水平方向和垂直方向的高频信息,根据李氏指数与小波变换关系,采用小波模极大值在不同尺度下传播的特性,检测出图像在两个方向的极大值,然后利用模糊算法构造相应的隶属函数,提取弱边缘信息,最后得到不同尺度下的边缘图像。通过该算法对杂草图像仿真实验和经典的两种算子对比,证明该算法可以兼顾良好的边界定位、噪声抑制和弱边界检测等性能指标,能有效地解决传统边缘检测方法中存在的精确及强去噪能力之间的矛盾。

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。

软计算技术在农业生产中的应用研究进展

软计算(Soft computing,SC)技术是通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性,运用模糊逻辑结合智能化技术解决复杂系统中带有不确定因素的问题,使之更接近客观事物的真实反映。随着我国农业发展进入智慧化阶段,软计算技术在农业生产中得到了越来越广泛的应用。在农作物产量预测、杂草检测以及土地利用和土地覆盖监测3个方面对软计算技术应用研究进展进行阐述,并对软计算技术在农业中的发展前景进行了展望,以期为保证我国粮食安全,建设世界一流水平农业提供理论支持。

基于云服务对田间杂草智能检测系统的研究

为了解决田间复杂的环境使传统图像处理对杂草识别精度差的问题,该研究对8种常见的杂草进行采集,数据集由17509张带有标签的图像组成,采用迁移学习的方式对田间杂草进行识别,并对训练出的模型进行微调,使其进一步提高识别的准确率。对VGG 19、Inception V4、ResNesXt 101和NASNet-mobile 4种模型进行比对,选用模型参数小且准确率高的NASNet-mobile模型,并将其部署到云服务中。云服务端使用Gin搭建模型交互,用于识别杂草并返回识别信息;使用CSS和Java script语言及Element封装的组件开发前端服务,用于实现数据的采集、上传与信息反馈。NASNet-mobile模型在部署的服务器中的性能达到了每幅图像的平均时间为285 ms,对8种杂草准确率达到91.43%,对于扁轴木与飞机草识别率达到98%,可为田间杂草信息检测和调查提供技术支持。