基于改進(jìn)YOLOv8模型的百合地雜草檢測方法

打開文本圖片集

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

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A

0引言（Introduction）

目前，在農(nóng)作物田間雜草檢測領(lǐng)域，基于計(jì)算機(jī)視覺和深度學(xué)習(xí)的非接觸性目標(biāo)檢測技術(shù)取得了顯著成效。張兆國等通過改進(jìn)YoloV4檢測網(wǎng)絡(luò)并結(jié)合MobilenetV3，實(shí)現(xiàn)了全類平均準(zhǔn)確率為91.4%的優(yōu)異表現(xiàn)；劉莫塵等提出了一種改進(jìn)的YOLOv4-tiny模型，結(jié)合MSRCR（Multi-Scale Retinex with Color Restoration）增強(qiáng)算法和K-means++聚類以及通道剪枝技術(shù)，用于田間環(huán)境下玉米苗和雜草的實(shí)時高精度檢測，改進(jìn)后的YOLOv4-tiny模型的平均準(zhǔn)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(shí)現(xiàn)了在復(fù)雜田間環(huán)境下對雜革的快速、準(zhǔn)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(jì)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(dá)到93.6%，實(shí)現(xiàn)了對玉米苗期雜草的實(shí)時精準(zhǔn)檢測。（剩余5849字）