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
• 来源期刊: 北京信息科技大学学报（自然科学版）
• 学科: 工学
• 关键词: 数据扩增 网络优化 机器视觉 除草机器人
• 年，卷（期）: 2022,（1）
• 页码范围: 82-89,95
• 页数: 9页
• 分类号: TP391
• 语种: 中文
• DOI: 10.16508/j.cnki.11-5866/n.2022.01.014

摘要

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.