自动除草机目标识别方法研究——基于神经网络聚类算法

在除草机器人的设计时,为了实现机器人的自动作业,需要考虑机器人可以自主地识别杂草和植物,因此必须设计机器人自动目标识别系统。为此,将神经网络聚类算法引入到了机器人机器视觉系统的设计上,通过对杂草目标的识别实现机器人作业对象的自动捕获。以杂草和农作物的环境为测试对象,对自动除草机的性能进行了测试,结果表明:基于神经网络聚类算法的自动除草机可以准确识别目标,满足了自动除草作业的设计需求。

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。