基于改進(jìn)YOLOv8模型的百合地雜草檢測(cè)方法
打開(kāi)文本圖片集
關(guān)鍵詞：百合；雜草檢測(cè)；YOLOv8模型；卷積神經(jīng)網(wǎng)絡(luò)
中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A
0引言（Introduction）
目前，在農(nóng)作物田間雜草檢測(cè)領(lǐng)域，基于計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)的非接觸性目標(biāo)檢測(cè)技術(shù)取得了顯著成效。張兆國(guó)等通過(guò)改進(jìn)YoloV4檢測(cè)網(wǎng)絡(luò)并結(jié)合MobilenetV3，實(shí)現(xiàn)了全類平均準(zhǔn)確率為91.4%的優(yōu)異表現(xiàn)；劉莫塵等提出了一種改進(jìn)的YOLOv4-tiny模型，結(jié)合MSRCR（Multi-Scale Retinex with Color Restoration）增強(qiáng)算法和K-means++聚類以及通道剪枝技術(shù)，用于田間環(huán)境下玉米苗和雜草的實(shí)時(shí)高精度檢測(cè)，改進(jìn)后的YOLOv4-tiny模型的平均準(zhǔn)確率提升至96.6%；姜紅花等胡提出了一種基于MasKR-CNN（Mask Region-Based Convolutional Neural Network）的雜草檢測(cè)方法，實(shí)現(xiàn)了在復(fù)雜田間環(huán)境下對(duì)雜革的快速、準(zhǔn)確檢測(cè)和輪廓分割；王秀紅等提出一種適用于Jetson TX2（NVIDIA Jetson TX2嵌入式人工智能計(jì)算平臺(tái)）的秸稈覆蓋農(nóng)田雜草檢測(cè)方法，使YOLOv5sl模型在TensorRT的加速下檢測(cè)精度達(dá)到93.6%，實(shí)現(xiàn)了對(duì)玉米苗期雜草的實(shí)時(shí)精準(zhǔn)檢測(cè)。（剩余5849字）