在复杂的小麦田中检测和识别杂草,基于改进的YOLOv7
Kaixin Wang1, Xihong Hu1, Huiwen Zheng1
1College of Electronic Engineering, South China Agricultural University, Guangzhou, China.
Frontiers in plant science
|July 9, 2024
概括
一个新的CSCW-YOLOv7模型准确地检测五种类型的杂草在小麦田里,即使它们是封闭或小. 这种改进的深度学习方法提高了农业中的杂草管理精度和效率.
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:
- 精确的杂草检测对于有效的农业杂草管理至关重要.
- 类似的视觉特征 (颜色,形态) 和作物和杂草之间的遮构成了重大检测挑战.
- 现有的方法在复杂的现场环境中难以准确识别.
研究的目的:
- 提出一个改进的YOLOv7架构,CSCW-YOLOv7,用于在小麦田中准确识别和分类五种常见杂草类型.
- 为了提高在复杂的农业环境中检测小和封闭的杂草.
主要方法:
- 创建了五种常见杂草物种的数据集.
- CSCW-YOLOv7模型结合了CARAFE,用于改进小目标识别,Squeeze-and-Excitation (SE) 网络用于功能增强,情境变压器 (CoT) 模块用于全球信息捕获,以及智能交叉对联 (WIoU) 损失函数,用于更好地预测封闭杂草的界限框.
- 进行了除实验和与基线YOLOv7和其他深度学习模型的比较.
主要成果:
- CSCW-YOLOv7实现了高性能指标:97.7%的准确率,98%的回忆率和94.4%的平均平均精度 (mAP).
- 与基线YOLOv7相比,CSCW-YOLOv7在精度 (+1.8%),召回 (+1%) 和mAP (+2.1%) 上有所改善,参数减少了10.7%,FLOP减少了10%.
- 视觉化证实了该模型能够学习代表性特征来检测各种规模的杂草,在区分重叠和小规模杂草方面表现优于其他模型.
结论:
- 拟议的CSCW-YOLOv7模型显著提高了在复杂的小麦田中发现杂草的准确性和效率.
- 该模型能够处理小型和封闭的杂草,这使得它成为实际农业应用的有希望的工具.
- CSCW-YOLOv7提供了一个计算效率高的解决方案,有可能在精密农业中实现现实世界部署.
