袁 涛, 胡 冬, 马 超, 李琳一, 郑秀国, 钱戴玲
针对当前精准农业中智能除草设备工作时需要精确快速识别稻田杂草的问题,提出了一种基于YOLOv4算法的稻田杂草检测方法。该方法参照PASCAL VOC数据集格式,构建了稻田杂草目标检测数据集,用深度可分离卷积代替原有的标准卷积,并将逆残差组件(Inverted Residual Unit,IRU)代替CSP-Darknet中的残差组件(Residual Unit,RU),使模型减少参数数量,提高了检测速度。此外,采用K-means算法聚类得到的边界框尺寸应用到各尺度网络层,在路径聚合网络(Path Aggregation Network,PANet)的自适应特征池输出后添加生成对抗网络(Generative Adversarial Network,GAN)噪声层,提高了模型检测精度。将改进后的模型在GPU服务器上进行算法训练,并与原始YOLOv4算法进行模型性能的试验对比。结果表明:改进的算法在测试集上的平均精度均值(mean Average Precision,mAP)高出4%,达到97%;检测速度提高了12.1帧/s,达到60.3帧/s,改进效果明显;具有实时性好、精度高、鲁棒性强的优点,可以更好地实现智能除草设备对稻田杂草的检测,极大节约人力、物力的投入。