基于YOLOv5模型的飞蓬属入侵植物目标检测

摘要：

为应用深度学习模型实现机器快速准确识别农田恶性杂草,以田间常见的2种飞蓬属入侵植物为对象,采集样本图像并标注杂草目标,基于网络结构深度、宽度可调的一阶段目标检测模型YOLOv5搭建训练平台和嵌入式测试平台,训练14组具有不同网络层和卷积核的模型权重,验证模型精度及检测帧率.结果表明:不同网络结构深度、宽度设置的YOLOv5模型识别飞蓬属入侵植物的平均精度为91.8％～95.1％,有8组权重的平均精度优于YOLOv3的,合理增加网络层和卷积核能提高模型精度;YOLOv5在训练平台的帧率为28～109 fps之间,在测试平台的帧率为12～58 fps之间,有12组权重的帧率比YOLOv3的有显著提高,帧率受平台算力限制并随网络层和卷积核增加而下降,在算力较低的嵌入式系统中实现实时检测需平衡模型网络结构的设置.该研究结果可为搭建农田杂草智能感知系统提供参考.

关键词：深度学习、目标检测、卷积神经网络、入侵植物、杂草、智慧农业

所属期刊栏目：44

分类号：S24(农业电气化与自动化)

资助基金：四川省科技计划项目;国家重点研发计划

在线出版日期：2023-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：200-206