利用YOLOv12在无人机图像中进行边缘可检测的杂草识别,并结合基于尺度和运动的数据增强技术
《IEEE Transactions on AgriFood Electronics》:Edge Deployable Weed Detection in UAV Imagery Using YOLOv12 With Scale and Motion Aware Data Augmentation
【字体:
大
中
小
】
时间:2026年05月28日
来源:IEEE Transactions on AgriFood Electronics
编辑推荐:
摘要:精确且可扩展的杂草检测对于减少除草剂的使用和提高大豆生产的可持续性至关重要,因为除草剂的成本受到杂草存在的显著影响。尽管配备红、绿、蓝(RGB)相机的无人驾驶飞行器(UAV)为大面积监测提供了一种实用且低成本的解决方案,但RGB图像的光谱丰富度有限,使得可靠地区分杂草和作
摘要:
精确且可扩展的杂草检测对于减少除草剂的使用和提高大豆生产的可持续性至关重要,因为除草剂的成本受到杂草存在的显著影响。尽管配备红、绿、蓝(RGB)相机的无人驾驶飞行器(UAV)为大面积监测提供了一种实用且低成本的解决方案,但RGB图像的光谱丰富度有限,使得可靠地区分杂草和作物变得具有挑战性。本研究提出了一种基于UAV的大豆田杂草检测的集成农业食品电子系统,该系统结合了改进的“你看一次就懂”(YOLOv12)检测框架以及一种新的预处理和增强流程,通过图像分割和上采样引入了方向性运动模糊和高度模拟。这些策略增强了模型对尺度变化、运动伪影和UAV飞行高度变化的鲁棒性,从而能够在真实的田间条件下实现准确的杂草物种识别。改进后的YOLOv12模型达到了96.8%的精确度、89.0%的召回率和94.8%的mAP@50值,同时保持了在资源受限硬件上的可部署推理能力。训练好的模型通过基于Streamlit的定制图形用户界面部署在Raspberry Pi 4B边缘平台上,该界面完全在设备上进行推理,无需依赖云服务,通用输入/输出(GPIO)驱动的发光二极管(LED)和蜂鸣器提供实时的硬件级反馈。设备上的基准测试显示,通过开放神经网络交换(ONNX)运行时,延迟减少了45.7%(3282–1783毫秒),并且操作温度稳定。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号