基于改进YOLOv4和图像处理的蔬菜田杂草检测

摘要：

以蔬菜苗田内幼苗期7种常见蔬菜和田间杂草为研究对象,针对田间杂草种类多和分布复杂导致检测方法效率低、精度差和鲁棒性不足等问题,逆向将杂草检测转换为作物检测,提出一种基于优化YOLOv4和图像处理的蔬菜苗田杂草检测算法.在YOLOv4目标检测算法基础上,主干特征提取网络嵌入SA模块增强特征提取能力,引入Transformer模块构建特征图长距离全局语义信息,改进检测头和损失函数提高检测定位精度.改进模型单幅图像平均识别时间为0.261 s,平均识别精确率为97.49％.在相同训练样本以及系统环境设置条件下,将改进方法与主流目标检测算法Faster RCNN,SSD和YOLOv4算法对比,结果表明改进YOLOv4模型在蔬菜苗期的多种蔬菜检测具有明显优势.采用改进YOLOv4目标检测算法检测作物,作物区域外的植被为杂草,超绿特征结合OTSU阈值分割算法获取杂草前景,最后标记杂草前景连通域输出杂草质心坐标和检测框位置,可以较好解决蔬菜苗田杂草检测问题.

关键词：杂草、蔬菜、YOLOv4、图像处理、目标检测、分割

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;福建省自然科学基金项目

在线出版日期：2022-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：559-569