HDMS-YOLO:用于复杂农田环境的多尺度杂草检测模型

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 准确的杂草识别对于精准农业至关重要,但由于杂草的多样性和与作物的视觉相似性,具有挑战性.
• 现有的方法在各种农业环境中难以应对杂草识别的复杂性.

研究的目的:

• 为精准农业开发一个强大的杂草识别模型.
• 提高杂草检测系统的准确性和概括能力.

主要方法:

• 提出了HDMS-YOLO模型,结合浅度和深度感应场蒸 (SRFD和DRFD) 模块进行全面的特征提取.
• 用基于部分卷积的多尺度特征聚合 (PC-MSFA) 模块替换了C3K2结构,以改善特征表示.
• 引入了IntegraDet动态任务调整检测头,以提高定位和分类准确度.

主要成果:

• 在CropAndWeed数据集上,HDMS-YOLO实现了74.2%的准确性,66.3%的回忆率和71.2%的mAP.
• 在准确性,回忆和mAP方面,与YOLO11相比,显示出显著的改进 (2.6%,2.1%,2.6%).
• 在整体杂草检测性能方面表现优于其他主流算法.

结论:

• HDMS-YOLO模型有效地提取和表示杂草特征,提高识别准确性和概括性.
• 该模型显示了精确农场管理和开发智能除草机器人的巨大潜力.
• 突出了无人农业系统自动除草方面的进展.