- · 《玉米科学》栏目设置[09/01]
- · 《玉米科学》数据库收录[09/01]
- · 《玉米科学》收稿方向[09/01]
- · 《玉米科学》投稿方式[09/01]
- · 《玉米科学》征稿要求[09/01]
- · 《玉米科学》刊物宗旨[09/01]
植物保护论文_融合MSRCR算法和YOLOv4-tiny的田
作者:网站采编关键词:
摘要:文章摘要:为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出了一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4-tiny模型
文章摘要:为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出了一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4-tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;再对YOLOv4-tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理,改进和简化后的模型总参数量降低了45.3个百分点,模型占用空间减少了45.8个百分点,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4个百分点。本文提出的Prune-YOLOv4-tiny模型与Faster RCNN、YOLOv3-tiny、YOLOv4 3种常用的目标检测模型进行比较,结果表明:Prune-YOLOv4-tiny的mAP值为96.6%,分别比Faster RCNN和YOLOv3-tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用空间为12.2 Mb,是Faster RCNN的3.4%,YOLOv3-tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3-tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用空间、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。
文章关键词:
项目基金:《玉米科学》 网址: http://www.ymkxzz.cn/qikandaodu/2022/0119/1823.html