基于深度学习的杂草检测,用于在草中精确地应用除草剂
Xiaojun Jin1,2, Hua Zhao1, Xiaotong Kong2
1College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing, China.
Pest management science
|March 1, 2025
概括
这项研究表明,深层卷积神经网络 (DCNNs) 可以为有针对性的除草剂应用创建准确的杂草地图. 将这些地图与智能喷雾器上的路径规划算法集成,可以显著减少除草剂的使用.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器人技术 机器人技术 机器人技术
背景情况:
- 精确地绘制杂草地图对于在草管理中有效地使用除草剂至关重要.
- 智能喷雾器需要准确的杂草识别和易感性数据来进行有针对性的喷雾.
- 深度卷积神经网络 (DCNNs) 提供了先进杂草映射的潜力.
研究的目的:
- 用DCNNs评估基于除草剂敏感性的杂草测绘的可行性.
- 通过先进的测绘来促进有针对性和高效的除草剂应用.
- 使用路径规划算法优化除草剂应用路径.
主要方法:
- 实施了DCNN (DenseNet,GoogLeNet,ResNet) 以基于除草剂易感性的杂草绘制地图.
- 在准确性和效率方面比较了各种DCNN模型的性能.
- 应用路径规划算法 (克里斯托菲德斯,贪,2-opt) 来优化喷雾喷嘴的轨迹.
主要成果:
- ResNet模型显示了高精度 (0.9980) 和杂草检测效率.
- 在所有除草剂类别中,DenseNet获得了优异的F1评分 (0.992-0.999).
- 贪的算法是最有效的优化喷嘴路径规划.
结论:
- 基于除草剂易感性的杂草映射可以通过准易感杂草来准确地应用除草剂.
- 在智能喷雾器上将杂草映射与优化路径规划集成在一起,可以显著减少整体除草剂投入.
- 这种方法提高了草杂草管理的效率和环境可持续性.


