评估两种基于深度学习的方法,用于检测白菜中生长的杂草
Hu Sun1, Teng Liu2, Jinxu Wang2
1Shandong Provincial University Laboratory for Protected Horticulture, Weifang University of Science and Technology, Weifang, China.
Pest management science
|February 7, 2024
概括
使用机器视觉间接检测杂草比用于精准农业的直接检测更有效. 这种方法通过识别作物界限盒外的杂草来减少除草剂的使用和成本,简化了数据集的创建.
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:
- 使用机器视觉的精确杂草管理可以显著降低除草剂的使用和控制费用.
- 评估了两种深度学习方法来检测白菜中的杂草:直接检测杂草和通过作物界限盒间接检测杂草.
研究的目的:
- 为了比较两种深度学习方法在白菜田中检测杂草的性能.
- 评估直接与间接杂草检测策略的有效性.
主要方法:
- 在对象检测任务中使用了You Only Look Once (YOLO) v5和YOLOv8.
- 实施了一种间接检测方法,通过将预测作物界限框外的绿色像素识别为杂草.
- 采用了细分程序,以改善杂草的提取.
主要成果:
- 由于杂草的多样性,直接杂草检测模型 (YOLOv5,YOLOv8) 的性能有限 (指标<0.891).
- 通过作物界限盒和细分实现间接检测,实现了更高的效率.
- 对YOLOv5和YOLOv8的作物检测指标很高 (精度,回忆,F1得分,mAP).
结论:
- 与直接检测相比,间接杂草检测需要更少的手工工作和更小的训练数据集.
- 在边界框内检测与作物密切相关的杂草仍然存在挑战.
- 开发的模型适合集成到智能喷雾器和机械除草机中.
