基于农业大数据和深度学习的稻田杂草识别

来源：江苏农业科学杂志2024年第第18期北京时间：

作者：高发瑞;古华宁;张巧玲;王秋云;黄信诚;李烜堃;管宪鲁;高国良

单位：1.济宁市农业科学研究院，山东济宁 272031； 2.华南农业大学工程学院，广东广州 510642； 3.青岛农业大学，山东青岛 266109

摘要：为在稻田中准确高效识别杂草，从而支持选择性喷药或机器人除草，基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型，即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的提取能力，同时使用EIOU(expected intersection over union)+DFL(distribution focal loss)提高YOLO v8检测框的回归效率，并通过模型对比试验验证了改进YOLO v8模型的有效性。结果表明，改进YOLO v8模型在测试集上的均值平均精度(mean average precision，mAP)达到98.2%，相比 YOLO v8 提高了4.4百分点，且在参数量和计算量方面仅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7，其mAP分别提高24.8、21.9、14.8、21.3、8百分点。在模拟不同光照条件的测试中，改进YOLO v8模型表现出较强的泛化能力，精度(precision，P)、召回率(recall，R)和mAP保持在88.1%以上。此外，在测试环境复杂的条件下，改进YOLO v8模型对6种杂草的识别显示出卓越的鲁棒性和泛化能力，P达到94.2%以上，R达到95.7%以上，AP均达到95.2%以上。综上，本研究提出的改进YOLO v8具有更少的参数和计算量，同时克服了现有稻田中杂草识别方法的局限性，可为稻田中的杂草控制工作提供技术支持。

关键词：稻田;杂草识别;农业大数据;深度学习;YOLO v8模型;鲁棒性;泛化能力