在大豆田中的杂草细分和可变率除草剂处方地图生成基于无人机图像和改进的YOLOv11秒模型
1College of Engineering, Heilongjiang Bayi Agricultural University, Daqing, China.
Frontiers in plant science
|February 26, 2026
概括
这项研究引入了一种改进的YOLOv11秒框架,用于使用无人机图像在大豆田中精确地细分杂草. 该模型在识别杂草方面实现了高精度,支持精准农业中的智能杂草控制.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 豆田的杂草侵蚀对作物产量产生重大影响,需要精确的空间识别才能有效管理.
- 早期种植阶段至关重要,需要精确地检测杂草,以防止竞争并优化除草剂的应用.
研究的目的:
- 开发一个改进的基于无人机 (UAV) 的YOLOv11秒框架,用于大豆田中的高精度杂草细分.
- 提高对小杂草目标的感知,改善复杂农业环境中的特征表示.
主要方法:
- 一个实地杂草数据集被策划用于培训和验证在不同的农业条件下.
- 通过用RCSOSA取代骨干/部模块,集成空间增强注意力模块 (SEAM),并整合iRMB和ADown模块来增强YOLOv11秒模型.
- 该框架与ArcGIS Pro集成,以创建一个自动化管道,用于生成可变速率应用程序处方图.
主要成果:
- 拟议的模型实现了0.89的边界框检测和0.84的分段的平均平均精度 (mAP).
- 它在精度方面超过了主流模型,如YOLOv8s-seg和YOLOv12s-seg.
- 该模型以25.3 GFLOPs和830万个参数展示了高效的计算性能.
结论:
- 开发的基于无人机的YOLOv11-seg框架为大豆田的杂草细分提供了实用和准确的解决方案.
- 从图像识别到处方地图生成的端到端工作流提供了强大的技术支持,用于精准农业中的智能杂草控制.
- 这种方法促进了自动化,数据驱动的决策,以实现高效的作物管理.
