基于农业大数据和深度学习的稻田杂草识别

作     者：高发瑞 古华宁 张巧玲 王秋云 黄信诚 李烜堃 管宪鲁 高国良 

作者机构：济宁市农业科学研究院 华南农业大学工程学院 青岛农业大学 

出 版 物：《江苏农业科学》 (Jiangsu Agricultural Sciences)

年 卷 期：2024年第18期

页      面：215-221页

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 09[农学] 0904[农学-植物保护] 0901[农学-作物学] 

基　　金：山东省水稻产业技术体系济宁综合试验站建设项目(编号:SDAIT-17-11) 山东省科技特派员创新创业及科技服务乡村振兴典型案例项目(编号:2022DXAL0117) 国家重点研发计划(编号:2022YFD2001501) 

主　　题：稻田 杂草识别 农业大数据 深度学习 YOLO v8模型 鲁棒性 泛化能力 

摘      要：为在稻田中准确高效识别杂草，从而支持选择性喷药或机器人除草，基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型，即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的提取能力，同时使用EIOU(expected intersection over union)+DFL(distribution focal loss)提高YOLO v8检测框的回归效率，并通过模型对比试验验证了改进YOLO v8模型的有效性。结果表明，改进YOLO v8模型在测试集上的均值平均精度(mean average precision,mAP)达到98.2%,相比YOLO v8提高了4.4百分点，且在参数量和计算量方面仅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7,其mAP分别提高24.8、21.9、14.8、21.3、8百分点。在模拟不同光照条件的测试中，改进YOLO v8模型表现出较强的泛化能力，精度(precision,P)、召回率(recall,R)和mAP保持在88.1%以上。此外，在测试环境复杂的条件下，改进YOLO v8模型对6种杂草的识别显示出卓越的鲁棒性和泛化能力，P达到94.2%以上，R达到95.7%以上，AP均达到95.2%以上。综上，本研究提出的改进YOLO v8具有更少的参数和计算量，同时克服了现有稻田中杂草识别方法的局限性，可为稻田中的杂草控制工作提供技术支持。