面向嵌入式除草机器人的玉米田间杂草识别方法.pdfVIP

3042024，60（2）ComputerEngineeringandApplications计算机工程与应用

面向嵌入式除草机器人的玉米田间杂草识别方法

1，21，21，21，21，21，2

何全令，杨静文，梁晋欣，傅雷扬，滕杰，李绍稳

1.安徽农业大学信息与计算机学院，合肥230036

2.智慧农业技术与装备安徽省重点实验室，合肥230036

摘要：为了实现嵌入式除草机器人在玉米田间准确、快速的进行除草工作，提出了一种实时目标检测算法GBC-

YOLOv5s。使用1×1卷积和深度可分离卷积的组合替代普通卷积，在不改变输出特征图大小的情况下减少主干网

络产生的杂草冗余特征。设计了一种双向特征融合网络（S-BiFPN）增强特征提取能力，充分利用不同尺度的特征提

高杂草检测速度，并将多通道结构与自注意力机制结合，通过对输入特征进行压缩与再加权，以加强对小目标的关

注度。针对不同的环境构建MWeed数据集进行测试，结果表明，与现有Yolov5s、FasterRCNN等模型方法相比，

GBC-YOLOv5s模型轻量化后的大小仅为3.3MB，输入图像的检测耗时（GPU）达到15.6ms，平均精度（mAP）达到

96.3%，能够有效地提升目标检测速度和识别精度，为农业智能除草领域提供理论依据。

关键词：YOLOv5s；目标识别；模型压缩；特征融合

文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2211-0282

WeedIdentificationMethodinCornFieldsAppliedtoEmbeddedWeedingRobots

HEQuanling1，2,YANGJingwen1，2,LIANGJinxin1，2,FULeiyang1，2,TENGJie1，2,LIShaowen1，2

1.CollegeofInformationandComputerScience,AnhuiAgriculturalUniversity,Hefei230036,China

2.AnhuiKeyLaboratoryofIntelligentAgriculturalTechnologyandEquipment,Hefei230036,China

Abstract：Inordertoensuretheaccuracyandrapidityoftheembeddedweedingrobotinthecornfield,areal-timetarget

detectionalgorithmbasedonGBC-Yolov5sisproposed.First,thecombinationofthe1×1convolutionanddepth-separable

convolutionisusedtoreplacethetraditionalconvolution,whichreducestheredundantfeaturesgeneratedbytheback-

bonenetworkwithoutchangingthesizeoftheoutputfeaturemap.Secondly,abidirectionalfeaturefusionnetwork

(S-BiFPN)networkisdesignedtoenhancetheabilityoffeatureextraction,whichcanmakefulluseofdifferentscalefea-

turestoimprovethespeedofweeddetectionandcombinethemulti-channelstructurewiththeself-attentionmechanism

toenhancetheattentionofsmalltargetsbycompressingandrew