基于轻量级网络和数据扩增的作物与杂草识别

作者：高嘉南; 侯凌燕^*; 杨大利; 梁旭; 佟强

来源：北京信息科技大学学报(自然科学版), 2022, 37(01): 82-95.

DOI：10.16508/j.cnki.11-5866/n.2022.01.014

• 数据扩增
• 网络优化
• 机器视觉
• 除草机器人

为解决传统的深度学习网络在进行农作物与杂草识别时存在的问题，如训练时间长、识别精度低、检测速度慢、采集数据需求量大等，基于YOLOv4算法设计一种改进检测模型。利用轻量级特征提取网络替代原YOLOv4特征提取网络，在增强特征提取网络引入深度可分离卷积，降低网络参数规模。通过数据扩增方法对原始实验数据进行扩充，增加实验数据量和数据多样性，提高模型识别准确率。实验结果表明，改进模型检测速度约为54帧/s,是原YOLOv4模型的330%,训练时间为原来的21.8%,对自然环境下玉米及其伴生杂草的识别准确率更高。此方法亦适用于其他作物与杂草识别。

• 单位
  北京信息科技大学