使用无人机基于RGB成像和YOLOv5的玉米植物检测
Chenghao Lu1, Emmanuel Nnadozie1,2, Moritz Paul Camenzind1
1Precision Agriculture Lab, School of Life Sciences, Technical University of Munich, Freising, Germany.
Frontiers in plant science
|January 19, 2024
概括
这项研究使用了You Only Look Once版本5 (YOLOv5) 和无人机 (UAV) 图像来准确检测和计数玉米植物. 开发的方法在现实的现场条件下显示出高性能,即使有杂草或遮.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 计算机视觉 (CV) 和机器学习 (ML) 为对象检测提供先进的图像分析.
- 无人机 (UAV) 的高分辨率图像使CV和ML在植物科学中的应用成为可能.
- 自动植物检测对于作物监测和管理至关重要.
研究的目的:
- 使用YOLOv5和无人机图像开发一个实用的工作流程来检测和计数玉米植物.
- 评估YOLOv5在不同玉米发育阶段的表现.
- 为了减少使用分段任何模型 (SAM) 的手动标签工作.
主要方法:
- 使用了你只看一次版本5 (YOLOv5) 进行对象检测.
- 使用无人机 (UAV) 基于高分辨率的图像.
- 集成了一种半自动标签方法与细分任何模型 (SAM).
- 应用图像旋转增强和低噪音重量调整.
主要成果:
- 实现了高平均精度 (mAP@0.5):0.828 (3叶阶段) 和0.863 (7叶阶段).
- 在具有挑战性的现场条件下 (杂草,遮蔽,模糊) YOLOv5 显示出强大的性能.
- 图像旋转和低噪音重量增强分别提高了0.024和0.016 mAP@0.5的精度.
结论:
- YOLOv5工作流提供了一种实用且准确的解决方案,用于使用无人机图像进行自动化玉米植物检测.
- 该研究强调了YOLOv5在现实世界农业场景中的有效性.
- 这项研究为在植物生长表征中应用深度学习提供了有价值的参考.
