PHRF-RTDETR:基于RT-DETR的高地大米的轻量级杂草检测方法
Xianjin Jin1, Jinheng Zhang2, Fei Wang3
1College of Big Data, Yunnan Agricultural University, Kunming, China.
Frontiers in plant science
|July 9, 2025
概括
这项研究介绍了PHRF-RTDETR,这是一种轻量级的模型,用于检测高地大米中的杂草. 它显著降低了计算负载,同时保持了高精度,为实用的智能除草机器人铺平了道路.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 高地大米田的杂草显著降低了产量和质量.
- 目前的杂草检测方法在准确性和轻量设计之间缺乏平衡,这阻碍了实际应用.
- 智能除草技术需要高地大米的高效准确的除草检测系统.
研究的目的:
- 为高地大米开发一种轻量级且准确的杂草检测模型.
- 加强RT-DETR模型,以提高农业场景中的性能.
- 解决高地大米种植现有杂草检测技术的局限性.
主要方法:
- 提出了一个新的轻量级骨干网络 (PGRNet),以取代RT-DETR的原始特征提取.
- 将HiLo机制集成到AIFI模块中,以进行增强的多频特征捕获.
- 将RepC3块优化为RetC3以实现平衡的功能融合和计算效率,并将GIoU损失替换为Focaler-WIoUv3损失.
主要成果:
- PHRF-RTDETR实现了高性能指标 (92%的精度,85.6%的回忆,88.2%的mAP50) 与基线的偏差最小.
- 计算资源显著减少:FLOP减少59.3%,参数减少53.7%,模型尺寸缩小53.9%.
- 在平衡轻量设计和高地大米杂草检测的准确性方面表现优于传统模型 (更快的R-CNN,SSD,YOLO,RT-DETR).
结论:
- PHRF-RTDETR模型为高地大米的智能除草机器人提供了可行的解决方案,用于在智能除草机器人中检测杂草.
- 通过提高劳动效率来降低农业生产成本的潜力.
- 通过优化大米种植,有助于改善干旱地区的粮食安全.
