基于深度学习的玉米田间杂草识别模型研究

【目的】针对现有田间杂草识别模型复杂、准确率不高等问题,研究玉米田间杂草识别算法,通过准确识别杂草图像,为提高田间杂草防控效果提供理论与技术支持。【方法】基于深度学习目标检测的方法,选取玉米田间4类常见杂草(早熟禾、藜、刺儿菜、莎草)作为试验数据集,建立了YOLOv3、YOLOv5、SSD目标检测模型,并进行了模型训练。【结果】YOLOv3模型的平均精准率为0.734,平均召回率为0.814,平均F1得分为0.789,mAP值为0.792;YOLOv5模型的平均精准率为0.914、平均召回率为0.967、平均F1得分为0.942、mAP值为0.961;SSD模型的mAP值为0.907。【结论】YOLOv5模型的mAP值为0.961,且其各项指标均优于YOLOv3和SSD目标检测模型。YOLOv5模型更适合用于作物田间精确除草的自动化作业。

棉花捡拾收获机的研究与试验

研究小组研制了一款可以有效捡拾遗落在地表和棉株上棉花的棉花捡拾收获机。首先,详细分析了该棉花捡拾收获机的总体结构及工作原理;其次,介绍了该棉花捡拾收获机的主要工作部件等;最后,研究小组对该棉花捡拾收获机进行了仿真试验。试验结果表明:该棉花捡拾收获机工作性能可靠,各项指标达到设计要求;既能对棉株残留棉花进行收获,还能对遗落地表的棉花进行捡拾,捡拾效率高,降低了棉农劳动强度。