基于轻量级细分模型DCSAnet的大豆田中杂草识别的研究
Helong Yu1, Minghang Che1, Han Yu1
1College of Information Technology, Jilin Agricultural University, Changchun, China.
Frontiers in plant science
|December 20, 2023
概括
一个新的轻量级深度学习模型DCSAnet显著改善了农业机器人的杂草检测. 这一进步提高了移动除草设备的准确性,通过更好地识别和细分杂草,提高了作物产量.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 杂草与作物竞争以获取基本资源,影响农业生产率.
- 现代农业越来越多地利用机器人和无人机等自主系统来有效地除草和除草剂.
- 这些移动除草系统的有效性严重依赖于准确的除草检测能力.
研究的目的:
- 引入DCSAnet,这是一款新型轻量级杂草细分网络,旨在提高农业移动除草设备的性能.
- 为了提高自主除草系统的杂草检测准确度.
主要方法:
- 开发了DCSAnet,这是一种轻量级的网络模型,具有编码器-解码器结构和用于特征提取的新型DCA模块.
- 该DCA模块集成了不对称的和深度可分离的卷积与道混合,基于MobileNetV3的反向剩余结构.
- 在解码阶段采用特征融合策略,以使用高维特征地图指导低维特征聚合,最大限度地减少特征损失.
主要成果:
- 在一个定制的大豆田间杂草数据集上,DCSAnet实现了85.95%的欧盟平均交叉点 (MIoU).
- 该模型的小参数数量为0.57万,因此适用于资源有限的移动设备.
- 与其他评估的轻量级网络相比,DCSAnet表现出卓越的细分精度.
结论:
- 拟议的DCSAnet模型为农业应用中杂草细分提供了高效和高效的解决方案.
- 它的轻量级设计和高精度使其非常适合集成到移动除草设备中,从而改善杂草管理策略.
