文献类型：期刊文章

作　　者：冀汶莉[1] 刘洲[1] 邢海花[2]

JI Wenli;LIU Zhou;XING Haihua(College of Communications and Information Engineering,Xi'an University of Science and Technology,Xi’an 710600,China;School of Information Science and Technology,Hainan Normal University,Haikou 571158,China)

机构地区：[1]西安科技大学通信与信息工程学院,西安710600 [2]海南师范大学信息科学技术学院,海口571158

出　　处：《农业机械学报》

基　　金：国家自然科学基金项目(62066013);海南省自然科学基金项目(622RC674);西安市科技局农业科技创新工程项目(20193054YF042NS042)。

年　　份：2024

卷　　号：55

期　　号：1

起止页码：212-222

语　　种：中文

收录情况：BDHX、BDHX2023、CAB、CAS、CSCD、CSCD2023_2024、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

关 键 词：杂草识别 目标检测 YOLO v5s  轻量化特征提取网络  Ghost卷积模块  注意力机制  

分 类 号：TP391.4]