来源：期刊VIP网 时间：
作者：刘冰杰;周雅楠;周小辉;丁力;李赫;王万章;
单位：河南农业大学信息与管理科学学院;河南豪久科技有限公司;河南农业大学机电工程学院;
摘要：【目的】针对现有田间杂草识别模型复杂、准确率不高等问题,研究玉米田间杂草识别算法,通过准确识别杂草图像,为提高田间杂草防控效果提供理论与技术支持。【方法】基于深度学习目标检测的方法,选取玉米田间4类常见杂草(早熟禾、藜、刺儿菜、莎草)作为试验数据集,建立了YOLOv3、YOLOv5、SSD目标检测模型,并进行了模型训练。【结果】YOLOv3模型的平均精准率为0.734,平均召回率为0.814,平均F1得分为0.789,mAP值为0.792;YOLOv5模型的平均精准率为0.914、平均召回率为0.967、平均F1得分为0.942、mAP值为0.961;SSD模型的mAP值为0.907。【结论】YOLOv5模型的mAP值为0.961,且其各项指标均优于YOLOv3和SSD目标检测模型。YOLOv5模型更适合用于作物田间精确除草的自动化作业。
关键词：深度学习;;玉米;;杂草识别;;目标检测模型
基金资助：国家现代农业产业技术体系建设专项项目(CARS-04-PS28);; 河南省科技攻关项目(232102211087,222102110032);; 河南省科技研发计划联合基金项目(232103810019)
