一种基于关键点的方法,用于检测玉米田环境中的杂草生长点
Mochen Liu1,2, Xiaoli Xu1, Tingdong Tian1
1College of Mechanical and Electronic Engineering, Shandong Agricultural University, Tai'an, Shandong, 271018, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
这项研究介绍了SRD-YOLO,这是一种用于玉米田的精确杂草检测系统. 它准确地定位了杂草生长点,改善了杂草控制和玉米产量,即使在具有挑战性的条件下.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 杂草的生长大大降低了玉米的产量,需要先进的杂草管理策略.
- 精确除草需要精确检测和定位杂草生长点,特别是在早期生长阶段.
- 诸如封闭,密集生长和可变的照明等现场条件对当前的杂草检测系统构成重大挑战.
研究的目的:
- 为玉米田开发精确的杂草生长点检测方法.
- 在复杂的农业环境中提高杂草检测的准确性和稳定性.
- 为实时杂草控制应用程序创建一个轻量级和高效的模型.
主要方法:
- 提出了一个关键点姿势估计模型,用于检测各种杂草物种及其生长点.
- 设计了一个扩张智能残留模块 (DWRM) 来处理封闭和密集生长.
- 整合了一个分离和增强注意力模块 (SEAM),以改进姿势估计.
- 利用RepViT块 (RVB) 进行模型轻量化,以适应现场计算约束.
主要成果:
- SRD-YOLO模型实现了96.5%的关键点平均精度 (mAP_kpt) 和94%的F1得分.
- 该系统表现出高处理速度,每秒169 (FPS).
- 模型参数减少了870万个,表明了显著的轻量化.
结论:
- 在具有挑战性的玉米田条件下,SRD-YOLO有效地满足了生长点本地化需求.
- 开发的方法为农业中实时和精确的杂草控制提供了强大的技术支持.
- 这一进步通过改善杂草管理,有助于提高玉米生产效率和可持续性.
