基于YOLOv5的改进算法用于在无人机图像中检测Ambrosia trifida
Chen Xiaoming1, Chen Tianzeng1, Meng Haomin1
1College of Engineering and Technology, Jilin Agricultural University, Changchun, China.
Frontiers in plant science
|May 27, 2024
概括
一个新的YOLOv5-KE算法增强了无人机 (UAV) 对Ambrosia trifida的图像检测. 这种改进的方法获得了93.9%的准确性,在复杂杂草检测方面明显超过了原来的YOLOv5.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 在无人机图像中检测像Ambrosia trifida这样的杂草是具有挑战性的,因为其尺寸小,密度高,叶子重叠.
- 现有的物体检测算法经常与这些复杂的场条件作斗争,导致精度低.
研究的目的:
- 开发一个改进的无人飞行器 (UAV) 图像检测算法,以准确识别Ambrosia trifida.
- 为了提高小,密集和重叠的叶状杂草目标的检测准确度.
主要方法:
- 提出了YOLOv5-KE算法,这是YOLOv5.5的增强.
- 整合了一个微尺度检测层,并通过使用k-Means为Anchor Box调整了层次检测设置.
- 改进了CIoU损失函数,并优化了检测盒融合算法.
主要成果:
- 在无人机图像中,Ambrosia trifida的最佳检测准确率为93.9%.
- 与原来的YOLOv5算法相比,显示了15.2%的改进.
- 性能优于其他最先进的算法,包括YOLOv7,YOLOv8,YOLO-NAS,RT-DETR,更快的RCNN,SSD和视网膜网.
结论:
- YOLOv5-KE是一种实用且有效的算法,用于在复杂的现场条件下检测Ambrosia trifida.
- 该算法显示了使用无人机图像检测类似的小型,密集和重叠的叶状杂草的巨大潜力.
- 为精准农业中的杂草检测应用提供了宝贵的技术参考.
