杂草检测
文章平均质量分 90
杂草检测,全网最全,会一直更新,最少两年
优惠券已抵扣
余额抵扣
还需支付
¥89.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
毕竟是shy哥
我会将YOLOv8改进到底!!!
山海的浩瀚,宇宙的浪漫,都在我内心翻腾。
展开
-
农业4.0中麦田的精确杂草检测:实现技术、方法和研究挑战的综述
杂草严重威胁着小麦的安全生产。它们是导致小麦产量和品质下降的重要因素。目前的麦田杂草防治方法主要依赖于化学防治。由于无法准确确定杂草的位置,导致农药使用过量,利用率低,造成严重污染。随着农艺操作向农业4.0的发展,麦田杂草控制技术也越来越精确和智能化。麦田杂草检测技术和方法为提高麦田除草的准确性和效率提供了基础。本研究首先综述了麦田中常见的杂草种类和分布规律,并对当前杂草检测技术和发展进行了深入分析。重点介绍了在麦田杂草检测中的光谱、图像、成像光谱、深度信息和多模态信息融合等方面的研究现状。原创 2023-11-09 22:23:48 · 351 阅读 · 0 评论 -
利用无人机图像进行大豆田杂草检测的实例分割方法
作物杂草检测是精确农业的一个新领域,它可以区分理想和不理想的作物。准确、高效的杂草检测与识别是精确杂草治理的基础。本研究提出一种结合可见颜色指数与基于编码器和解码器架构的实例分割方法的新方法。该方法解决了杂草和大豆作物密集分布中杂草的准确检测和分割的难题。色彩指数的设计是为了突出植物和土壤之间的对比,以减轻光照和背景的影响,而将ResNet101_v和DSASPP集成到编解码框架中,可以增强多尺度语义信息的提取能力,提高杂草patch边界分割的准确性。原创 2023-11-09 12:20:44 · 497 阅读 · 0 评论 -
精确杂草控制植物检测模型的改进推广
植物检测模型缺乏普遍性是阻碍实现自主杂草控制系统的主要挑战之一。本文研究了训练和测试数据集分布对植物检测模型泛化误差的影响,并使用增量训练来减小泛化误差。在本文中,我们使用YOLOv3目标探测器作为植物检测模型。为了训练模型并测试其泛化特性,我们使用了一个广泛的数据集,包括25个子数据集,采样自多个不同的地理区域、土壤类型、耕作条件,包含杂草、背景植被、相机质量和光照变化。原创 2023-11-09 11:05:17 · 558 阅读 · 0 评论 -
YOLOWeeds: 用于棉花生产系统中多类杂草检测的 YOLO 目标检测器的新基准
过度依赖除草剂控制杂草,加速了杂草的抗除草剂进化,引起了对环境、食品安全和人类健康的日益关注。自动化/机器人除草的机器视觉系统在实现综合的、可持续的除草管理方面得到了越来越多的关注。然而,在非结构化的田间环境和杂草生物多样性显著的情况下,开发可靠的杂草识别和检测系统仍然是一个严峻的挑战。解决这一挑战的一个很有前途的解决方案是,开发适合于种植系统的大规模、带有注释的杂草图像数据集,以及用于杂草检测的数据驱动AI(人工智能)模型。原创 2023-11-08 23:28:41 · 321 阅读 · 0 评论 -
基于高效多分支卷积神经网络的生长点精确检测与生态友好型除草
在本研究中,我们提出了一种基于编码器-解码器的双解码器分支卷积神经网络来检测杂草生长点。该解码器融合了空间注意力和通道注意力,并采用了一种新的激活门机制来控制注意力。我们还提出了一种简单而有效的策略来组合解码器分支的输出。在包含不同杂草生长阶段的野外数据集上对该方法进行了测试,并与基于点度量的最新方法进行了比较。结果表明,该方法优于现有方法,检测率为0.8505,精度为0.8641,漏检率为0.1391,RMSE为22.68,MAE为17.95。原创 2023-11-08 22:52:38 · 346 阅读 · 2 评论 -
利用改进的YOLOv5模型对玉米和杂草进行精准检测和精准喷洒
本文提出了一种基于改进yolov5s的轻量化模型,并构建了一种精密喷涂机器人。首先,采用基于品类平衡和农艺特征的数据增广方法解决了数据不平衡问题;然后,与yolov5s、yolov5l、yolov5m、yolov5x相比,我们发现yolov5s具有实时性和准确性,并且更容易将模型部署到边缘设备上。通过特征地图可视化实验,我们发现特征提取网络不能密切关注目标的重要特征,抑制噪声特征。因此,我们添加了注意机制。为了提高模型的实时性,我们设计了c3ghost -瓶颈模块。原创 2023-11-08 21:56:19 · 241 阅读 · 0 评论 -
基于显著性的无人机多光谱图像语义杂草检测与分类
杂草泛滥对农作物造成损害,限制了农业生产。传统的杂草控制方法依赖于农药,这需要劳动密集的做法。提出了利用多光谱图像进行杂草检测的各种方法。基于机器视觉的杂草检测方法需要提取大量的多光谱纹理特征,增加了计算量。度神经网络用于基于像素的杂草分类,但这些基于深度神经网络的杂草检测方法的缺点是需要大量的图像数据集进行网络训练,尤其对于多光谱图像,需要耗费大量的时间和资源。这些方法还需要一个基于图形处理器(GPU)的系统,因为计算成本很高。原创 2023-11-08 21:04:42 · 993 阅读 · 0 评论 -
基于高草压数据集和改进PSP网络的杂草密度检测方法
准确检测杂草密度对提高农药利用率、减少环境污染具有重要意义。本文的目的是将传统的图像处理技术与深度学习技术相结合,研究高胁迫杂草环境下杂草数据集的半监督标注和杂草密度检测方法。首先,本文利用作物数据集训练U-Net实现作物分割,并利用颜色指数和Otsu阈值分割算法实现植被分割。然后,通过从植被分割结果中去除作物区域来实现杂草分割,并将分割结果制成杂草数据集。使用该数据集训练改进的 PSP 网络并执行杂草分割。对获得的按区域分割的图像计算杂草像素数与该区域总像素数的比值来测量杂草密度。原创 2023-11-08 13:57:02 · 110 阅读 · 0 评论