DOI：10.3969/j.issn.1672-3872.2024.16.009
作 者：秦立浩 ，王 丁 ，王迎超 ，单永富 （新疆科技学院，新疆 巴州 841000）
摘 要：【目的】解决自动化杂草管理中的一个核心挑战——杂草的识别，提高杂草识别的效率和准确性。【方法】采用了深度学习的方法进行目标识别，并结合经过优化的YOLOv5网络，开发出了一种轻量级的杂草识别网络，然后进行模型训练和测试。【结果】剪枝后得到的YOLO-WeedV3，其mAP值为0.886，超越了YOLOv5（0.853）和YOLOX（0.877），同时在参数量和计算量方面均是三者中最低的。【结论】相较于原始的YOLOv5模型，该网络在保证精度的前提下，降低了对存储空间和计算量的要求，使其更适合移动或嵌入式设备上的应用。这一成果不仅证明了该技术在处理杂草识别问题上的有效性，也展示了其在计算能力受限的边缘计算环境中的应用潜力。
关键词：精准农业；目标检测；农作物分类；机器学习；模型压缩
引文信息：[1]秦立浩，王丁，王迎超，等.基于改进YOLOv5的菜田杂草检测轻量化方法[J].南方农机，2024，55(16)：35-40.
查看全文请下载PDF文件↓
