WeedNet-R:一种基于增强的RetinaNet和上下文语义融合的糖田杂草检测算法
Zhiqiang Guo1, Hui Hwang Goh1, Xiuhua Li1,2
1School of Electrical Engineering, Guangxi University, Nanning, China.
Frontiers in plant science
|August 10, 2023
概括
一个新的深度学习模型WeedNet-R显著提高了在甜菜田中发现杂草的准确性. 这一进步对于自主除草机器人至关重要,提高了农业效率.
科学领域:
- 农业机器人农业机器人
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 自主除草机器人需要准确的杂草检测才能有效运行.
- 农田环境面临的挑战是由于作物杂草的相似性和复杂的场景.
- 现有的深度学习方法在有限的数据,位置信息和准确性方面扎.
研究的目的:
- 提出WeedNet-R,一个基于愿景的网络,用于在甜菜田中加强杂草识别和本地化.
- 提高农业机器人杂草检测的准确性和可靠性.
主要方法:
- 通过将上下文模块集成到RetinaNet架构中来开发WeedNet-R,以增强特征地图信息和受感字段.
- 实施了学习速度调整策略,在培训过程中结合了指数式升温和共弦化.
- 使用了OD-SugarBeets数据集,并增加了来自SugarBeet2016数据集的边界框标签.
主要成果:
- 在杂草检测方面,WeedNet-R实现了92.30%的平均平均精度 (mAP),比原来的RetinaNet增加了4.65%.
- 检测杂草 (85.70%) 和糖 (98.89%) 的平均精度很高.
- 在准确性方面超越了其他先进的对象检测算法,同时保持了竞争力的检测速度.
结论:
- 在具有挑战性的农业环境中,WeedNet-R为杂草检测提供了更准确,更有效的解决方案.
- 拟议的模型增强了自主除草系统的功能,而不会显著增加计算成本.
- 这项研究通过改进的杂草管理技术,有助于推进精准农业.
