智能除草装备苗草模式识别方法研究

精准苗草识别是靶向施药除草装备作业基础。为提高识别算法精度及效率,解决光照变化对识别图像分割精度影响,文章优化研究分割算法,引入加权系数,提高算法光照适应性;根据作物线性分布生长特点,采用烟花智能群体算法,对垄间杂草与作物识别与定位;田间图像采集与试验结果表明,加权分割方法可有效解决光照变化对分割效果影响,实际作物与垄间杂草识别率为98.7%和89.5%,满足苗草识别与导航要求,对导航技术与智能除草装备发展具有重要意义。

智能田间除草机器人发展现状研究

智能田间除草机器人是当代农业发展现代化、精细化、智能化的重要体现,对国家社会发展、环境保护等方面有着重要意义。为明确智能除草机器人关键技术与装备当前研究现状,从除草方式、苗草识别定位和智能导航方式等方面,总结梳理典型除草机器人的研究现状及作业方式;综述智能导航、苗草识别、除草执行系统关键技术的重要意义及研究进展;结合除草机器人具有作业环境复杂多变性、作业对象娇嫩性、使用对象特殊性、作业季节性的研究特点,指出当前关键技术的现存问题并阐释组合导航技术、复杂田间环境图像处理技术及杂草分类、株间除草末端执行机构研发及机械结构优化是未来发展趋势。

基于改进YOLOv5的轻量级大豆田间杂草识别方法研究

为对自然环境下大豆田间的大豆幼苗与杂草实现实时检测,提出一种基于改进YOLOv5的轻量级大豆田间杂草识别方法。该方法在YOLOv5s网络的基础上引入适用于边缘设备的轻量级卷积神经网络MobileNetV3,建立了YOLOv5s-MobileNetV3的大豆杂草识别模型。对含有大豆幼苗和杂草的图像进行数据增强预处理,以增强模型泛化能力,利用Bneck深度卷积神经网络架构提取特征,并通过随机梯度下降法作为优化训练模型。在对比试验中,分别将YOLOv5s的主干网络替换为EfficientNetV2和ShuffleNetV2,并选取传统的SSD、Faster R-CNN、YOLOv4等标准目标检测网络作为参照,进行性能评估。试验结果表明:YOLOv5s-MobileNetV3识别模型大小为7.8 MB,在CPU上单张图像的推理时间为6.9 ms,识别精确率为0.846,查全率为0.84,均值平均精度为0.875,F1分数为0.843。模型可快速识别大豆伴生杂草,为挂载式喷药、精准农业等领域,提供农作物与杂草快速准确的检测分类方法,以满足作物生长管理、变量施肥及靶向喷药的技术需求。