基于视觉自注意力模型的苗期玉米与杂草检测方法

S24%S513; [目的]识别作物和杂草是农业智能化中自动除草的关键步骤.本文旨在解决作物与杂草识别精度低、检测模型实时性和鲁棒性差等问题.[方法]以叶龄处于3～8叶期的玉米及其伴生杂草为研究对象,提出一种高效准确的玉米苗与杂草的检测方法.该方法以实时端到端目标检测视觉自注意力模型为基础框架,用小尺度卷积等效替代大尺度深度卷积的思想,以较小的精度损失降低推理耗时.引入一种包含上下文信息的自顶向下注意力机制,强化模型对小目标的检测效果.应用组合图像增强策略,提升模型精度与泛化能力.[结果]改进后模型的平均检测精度为 90.11%,推理阶段单张图片耗时 33.67 ms,模型参数量44.86 M...

Full description

Saved in:
Bibliographic Details
Published in南京农业大学学报 Vol. 47; no. 4; pp. 772 - 781
Main Authors 唐伯青, 赵大勇, 熊锋, 李德强
Format Journal Article
LanguageChinese
Published 中国科学院机器人与智能制造创新研究院,辽宁 沈阳 110169 2024
中国科学院沈阳自动化研究所,辽宁 沈阳 110016
中国科学院大学计算机科学与技术学院,北京 100049%中国科学院沈阳自动化研究所,辽宁 沈阳 110016
Subjects
detection
玉米
检测
等效卷积
corn
图像增强
实时视觉自注意力模型
convolutional equivalence
image augmentation
杂草
weed
end-to-end object detection with transformers
Online AccessGet full text
ISSN1000-2030
DOI10.7685/jnau.202312020

Cover

More Information
Summary:S24%S513; [目的]识别作物和杂草是农业智能化中自动除草的关键步骤.本文旨在解决作物与杂草识别精度低、检测模型实时性和鲁棒性差等问题.[方法]以叶龄处于3～8叶期的玉米及其伴生杂草为研究对象,提出一种高效准确的玉米苗与杂草的检测方法.该方法以实时端到端目标检测视觉自注意力模型为基础框架,用小尺度卷积等效替代大尺度深度卷积的思想,以较小的精度损失降低推理耗时.引入一种包含上下文信息的自顶向下注意力机制,强化模型对小目标的检测效果.应用组合图像增强策略,提升模型精度与泛化能力.[结果]改进后模型的平均检测精度为 90.11%,推理阶段单张图片耗时 33.67 ms,模型参数量44.86 MB.改进后的模型比主流目标检测模型总体精度更高,且推理速度快.[结论]所提方法对于玉米苗与伴生杂草的整体检测性能优秀,能够提高杂草识别的准确性和效率.
ISSN:1000-2030
DOI:10.7685/jnau.202312020