基于改进的 EfficientNetB0 模型和 RGB 图像的沙夫兰田的智能杂草识别
Hassan Makarian1, Seyed Iman Saedi2, Hossein Sahabi3,4
1Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran. h.makarian@shahroodut.ac.ir.
Scientific reports
|May 2, 2025
概括
这项研究开发了一种深度学习系统,用于控制沙夫兰杂草,使用图像分析准确地区分沙夫兰和常见杂草. EfficientNetB0模型实现了94.06%的准确性,从而实现了精确的杂草管理和减少除草剂的使用.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物科学 植物科学
背景情况:
- 精确的杂草管理对于现代农业至关重要.
- 有效的杂草作物区分对于特定地点的杂草控制至关重要.
研究的目的:
- 开发一个强大的深度学习系统,以区分沙夫兰和四种常见杂草 (草,草,小鼠大麦,野).
- 使用彩色图像,使沙夫兰田的特定场地杂草控制成为可能.
主要方法:
- 使用了504张在自然场景中捕获的图像的数据集.
- 评价了八个最先进的深度学习网络 (VGG19,ResNet152,Xception,InceptionResNetV2,EfficientNetB0,EfficientNetB1,EfficientNetV2B0,EfficientNetV2B1).这些网络中的一个是深度学习网络.
- 员工通过ImageNet预培训转移学习,然后进行微调和额外的层面优化.
主要成果:
- 改进的EfficientNetB0模型以94.06%的准确度和0.513.0的损失值表现出卓越的性能.
- 该模型在不同的植物类别中获得了高f1分 (82-100%).
- 分析了15种杂草存在的场景,以提出管理策略.
结论:
- 开发的深度学习模型为精确的沙夫兰杂草管理提供了基础.
- 这种方法可以显著减少除草剂的使用和环境影响.
- 实施可以带来增加番茄的产量和提高作物质量.
