Had-yolo: un modelo preciso y efectivo de detección de malezas basado en la red yolv5 mejorada
Autores: Deng, Long; Miao, Zhonghua; Zhao, Xueguan; Yang, Shuo; Gao, Yuanyuan; Zhai, Changyuan; Zhao, Chunjiang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Had-yolo: un modelo preciso y efectivo de detección de malezas basado en la red yolv5 mejorada
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Maleza
Métodos de detección
Modelo
Características
Objetivos
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Las malas hierbas impactan significativamente en los rendimientos y la calidad de los cultivos, lo que hace necesario un control estricto. La identificación efectiva de las malas hierbas es esencial para la deshierba de precisión en el campo. Los métodos de detección existentes luchan con las escalas de tamaño inconsistentes de los objetivos de las malas hierbas y el problema de los objetivos pequeños, lo que dificulta lograr una detección eficiente, y no pueden satisfacer al mismo tiempo los requisitos de velocidad y precisión para la detección. Por lo tanto, este estudio, centrado en tres tipos comunes de malas hierbas en el campo, propone el modelo HAD-YOLO. Con el propósito de mejorar la capacidad del modelo para extraer características y hacerlo más ligero, este algoritmo emplea el HGNetV2 como su red principal. El Módulo de Fusión de Características de Secuencia de Escala (SSFF) y el Módulo de Codificación de Características Triple (TFE) del ASF-YOLO se introducen para mejorar la capacidad del modelo para extraer características en diversas escalas, y sobre esta base, para mejorar la capacidad del modelo para detectar objetivos pequeños, se incluye una capa de características P2. Finalmente, se utiliza un cabezal de detección de objetivos con un mecanismo de atención, Dynamic head (Dyhead), para mejorar la capacidad del cabezal de detección para la representación. Los resultados experimentales muestran que en el conjunto de datos recopilado en el invernadero, la precisión para la detección de malas hierbas es del 94,2%; utilizando esto como peso pre-entrenado, en el conjunto de datos recopilado en el entorno del campo, la precisión para la detección de malas hierbas es del 96,2%, y los FPS de detección son de 30,6. En general, el modelo HAD-YOLO ha abordado efectivamente los requisitos para la identificación precisa de malas hierbas, ofreciendo respaldo tanto teórico como técnico para el control automático de malas hierbas. Los esfuerzos futuros implicarán la recopilación de más datos de malas hierbas de varios escenarios agrícolas para validar y mejorar las capacidades de generalización del modelo HAD-YOLO.
Descripción
Las malas hierbas impactan significativamente en los rendimientos y la calidad de los cultivos, lo que hace necesario un control estricto. La identificación efectiva de las malas hierbas es esencial para la deshierba de precisión en el campo. Los métodos de detección existentes luchan con las escalas de tamaño inconsistentes de los objetivos de las malas hierbas y el problema de los objetivos pequeños, lo que dificulta lograr una detección eficiente, y no pueden satisfacer al mismo tiempo los requisitos de velocidad y precisión para la detección. Por lo tanto, este estudio, centrado en tres tipos comunes de malas hierbas en el campo, propone el modelo HAD-YOLO. Con el propósito de mejorar la capacidad del modelo para extraer características y hacerlo más ligero, este algoritmo emplea el HGNetV2 como su red principal. El Módulo de Fusión de Características de Secuencia de Escala (SSFF) y el Módulo de Codificación de Características Triple (TFE) del ASF-YOLO se introducen para mejorar la capacidad del modelo para extraer características en diversas escalas, y sobre esta base, para mejorar la capacidad del modelo para detectar objetivos pequeños, se incluye una capa de características P2. Finalmente, se utiliza un cabezal de detección de objetivos con un mecanismo de atención, Dynamic head (Dyhead), para mejorar la capacidad del cabezal de detección para la representación. Los resultados experimentales muestran que en el conjunto de datos recopilado en el invernadero, la precisión para la detección de malas hierbas es del 94,2%; utilizando esto como peso pre-entrenado, en el conjunto de datos recopilado en el entorno del campo, la precisión para la detección de malas hierbas es del 96,2%, y los FPS de detección son de 30,6. En general, el modelo HAD-YOLO ha abordado efectivamente los requisitos para la identificación precisa de malas hierbas, ofreciendo respaldo tanto teórico como técnico para el control automático de malas hierbas. Los esfuerzos futuros implicarán la recopilación de más datos de malas hierbas de varios escenarios agrícolas para validar y mejorar las capacidades de generalización del modelo HAD-YOLO.