首页|基于改进YOLO v5的农田苗草检测方法

基于改进YOLO v5的农田苗草检测方法

扫码查看
原文链接
  • 万方数据
  • 维普
针对除草机器人等智能农业机械在复杂的农田环境下工作时易受到杂草种类、光照多变以及叶片遮挡等因素影响,难以高效精准地检测作物和杂草位置的问题,提出一种基于改进YOLO v5s算法的农田苗草目标检测方法,能够对不同天气、位置和密度环境下的农作物及其伴生杂草进行检测.首先使用公开数据集并通过数据增强方法扩充数据构建了新的苗草数据集,分析了苗草数据集的图像特点后针对原YOLO v5算法模型的不足提出改进,结合协同注意力CA与感受野块RFB模块改进主干网络,在只添加少量参数的情况下提高模型检测性能;然后选择CARAFE的上采样方式加强网络提取特征能力;最后采取WIoU v3替换CIoU损失函数,平衡锚框质量并实现高精度定位.将改进后的YOLO v5网络模型与各种常见的主流网络在苗草数据集上依据目标检测算法评价指标进行了试验比较,结果显示,改进后算法平均精度均值达到86.7％,比原始的YOLO v5s提高了 2.9百分点,FPS达到60.4帧/s,在满足算法实时性要求的同时明显提升了检测算法精度,验证了改进算法的有效性,适用于除草机器人的杂草识别系统.

吴坚、秦玉广

展开 >

浙江科技学院,浙江杭州 310023

浙江省食品物流装备技术研究重点实验室,浙江杭州 310023

苗草检测 YOLOv5 协同注意力 空洞卷积 损失函数

国家重点研发计划

2017YFD0401304

2024

10.15889/j.issn.1002-1302.2024.13.026

江苏农业科学
江苏省农业科学院

江苏农业科学

CSTPCD北大核心
影响因子：0.732
ISSN：1002-1302
年,卷(期)：2024.52(13)
  • 4