基于轻量级网络和数据扩增的作物与杂草识别

摘要

为解决传统的深度学习网络在进行农作物与杂草识别时存在的问题,如训练时间长、识别精度低、检测速度慢、采集数据需求量大等,基于YOLOv4算法设计一种改进检测模型。利用轻量级特征提取网络替代原YOLOv4特征提取网络,在增强特征提取网络引入深度可分离卷积,降低网络参数规模。通过数据扩增方法对原始实验数据进行扩充,增加实验数据量和数据多样性,提高模型识别准确率。实验结果表明,改进模型检测速度约为54帧/s,是原YOLOv4模型的330%,训练时间为原来的21.8%,对自然环境下玉米及其伴生杂草的识别准确率更高。此方法亦适用于其他作物与杂草识别。