使用机器学习算法检测商业作物杂草.
Parameswaran Ramesh1,2, G Prabakaran3, Vidhya Nagavel4
1Department of Electronics Engineering, Madras Institute of Technology, Anna University, Chennai, India. parameswaran0789@gmail.com.
Scientific reports
|November 5, 2025
概括
这项研究增强了YOLOv5用于作物分类,改善了番茄,和棉花的杂草检测. 修改后的算法提高了农业应用中的准确性和效率.
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:
- 准确的作物分类和杂草检测对于优化农业实践和产量至关重要.
- 传统的方法经常与现场条件的复杂性和可变性作斗争.
- 对象检测算法为自动化农业监控提供了一个有希望的途径.
研究的目的:
- 调查YOLOv5在分类商业作物 (番茄,,棉花) 和检测杂草方面的性能.
- 使用自适应空间特征融合 (ASFF) 模块评估和增强 YOLOv5 算法的精度,检测时间和平均精度 (mAP).
- 评估增强算法的对计算效率和模型紧性的影响.
主要方法:
- 利用YOLOv5对象检测算法对数据集,包括图像的西红,,棉花和杂草从泰米尔纳德农场.
- 计算性能指标包括F1得分,检测时间和基线YOLOv5模型的mAP.
- 集成的自适应空间特征融合 (ASFF) 块进入YOLOv5架构中,以创建一个用于进一步评估的增强模型.
主要成果:
- 基线YOLOv5获得F1分数为98% (西红),91% (棉花) 和78% (),具有高的mAP值.
- 带有ASFF模块的增强YOLOv5提高了F1得分,达到99.7% (西红),93.53% (棉花) 和79.4% ().
- 改进后的模型显示mAP增加了~0.5%,计算的增加是可以忽略不计的,结果是一个更紧的模型.
结论:
- 改进的YOLOv5算法显著提高了在农业环境中杂草检测和作物分类准确度.
- 适应空间特征融合 (ASFF) 模块可以有效地提高YOLOv5的性能,而无需大量的计算开销.
- 这项研究表明了先进的深度学习模型在精准农业和自动化农场管理方面的潜力.
