摘要
智慧农业的发展方兴未艾，农业绿色发展势在必行，需要充分利用现代化科学技术，实现农业生产节本增效。我国作为农业大国，粮食产量世界排名第一，耕地面积世界排名第三，但我国20亿亩的耕地质量相对偏低，优等地不到百分之三，农业可持续发展尤为重要。由于杂草对农业生产的威胁也与日俱增，为应对杂草对农作物的危害，每年使用化学除草剂超过百万吨，大量长期的使用带来了环境污染和粮食安全问题。本文利用深度学习算法，对田间杂草目标检测技术进行研究，主要完成的工作如下: 本文以小麦地、花生地和玉米地里的马齿苋、铁苋菜、牛筋草、藜、凹头苋、苘麻、早熟禾、打碗花八类伴生杂草作为研究对象，通过图像增强手段扩充和构建了杂草数据集。利用迁移学习的方法减少模型的训练时间，并提升模型的精准率。 基于FasterR-CNN、MaskR-CNN、YOLOv3和YOLOv4四种方法构建了四个杂草识别模型，分别选择ResNet50、ResNet101、DarkNet53、CSPDarkNet53作为模型的特征提取网络主干，并对八类杂草进行了试验测试，四种模型在自制的杂草数数据集上的mAP分别为0.90、0.81、0.93和0.97，筛选出最优的杂草检测模型，并作轻量化处理，构建YOLOv4-tiny模型，并以YOLOv4模型为整体框架，分别替换MobileNetV1、MobileNetV2和MobileNetV3为主干特征提取网络，使用深度卷积可分离模块替换原有模型中的3×3卷积模块，构建MobileNet-YOLOv4模型实现轻量化设计。通过对四种模型的精准率、召回率、F1得分、AP值、mAP值的对比分析，以MobileNetV3为主干特征提取网络轻量化的YOLOv4模型平均精准率为0.97、平均召回率为0.85、平均F1得分为0.9、mAP为0.95，模型大小为44.4mb，实时检测速度平均为29.1fps，单张图片检测时间平均为26.4ms，在除草设备上具有一定的可推广性和实用性。
NETL