基于改進YOLOv8模型的百合地雜草檢測方法

打開文本圖片集

關鍵詞：百合；雜草檢測；YOLOv8模型；卷積神經(jīng)網(wǎng)絡

中圖分類號：TP391 文獻標志碼：A

0引言（Introduction）

目前，在農(nóng)作物田間雜草檢測領域，基于計算機視覺和深度學習的非接觸性目標檢測技術取得了顯著成效。張兆國等通過改進YoloV4檢測網(wǎng)絡并結合MobilenetV3，實現(xiàn)了全類平均準確率為91.4%的優(yōu)異表現(xiàn)；劉莫塵等提出了一種改進的YOLOv4-tiny模型，結合MSRCR（Multi-Scale Retinex with Color Restoration）增強算法和K-means++聚類以及通道剪枝技術，用于田間環(huán)境下玉米苗和雜草的實時高精度檢測，改進后的YOLOv4-tiny模型的平均準確率提升至96.6%；姜紅花等胡提出了一種基于MasKR-CNN（Mask Region-Based Convolutional Neural Network）的雜草檢測方法，實現(xiàn)了在復雜田間環(huán)境下對雜革的快速、準確檢測和輪廓分割；王秀紅等提出一種適用于Jetson TX2（NVIDIA Jetson TX2嵌入式人工智能計算平臺）的秸稈覆蓋農(nóng)田雜草檢測方法，使YOLOv5sl模型在TensorRT的加速下檢測精度達到93.6%，實現(xiàn)了對玉米苗期雜草的實時精準檢測。（剩余5849字）