基于YOLOv5改进除草机器人系统的研究与应用.pdfVIP

摘要

摘要

当前农业生产中，化学除草仍占据主导地位，但传统喷洒施药作业精度不足，

不仅造成除草剂浪费，还存在生态环境污染风险。更为严峻的是，长期依赖化学

药剂的大剂量施用易诱发杂草抗药性，导致防治效果递减，因此研发具备精准作

业能力的智能除草装备成为行业迫切需求。

相比之下，深度学习驱动的智能识别系统展现出独特优势。通过构建多层卷

积神经网络模型，该技术能够有效提取杂草的层级特征信息，在复杂田间环境下

仍保持较高识别准确率。这种基于生物启发式计算的范式革新，不仅显著提升了

杂草识别的鲁棒性，更为低功耗、轻量化除草机器人的研发奠定了坚实基础，对

于推动精准农业技术发展具有重要工程价值。

本研究主要包含以下几个方面：

1YOLOv5

（）基于改进型算法构建了检测模型。为解决边缘设备算力瓶颈，

采用GhostNet作为特征提取主干网络，通过其深度可分离卷积与通道剪枝技术

实现轻量化改进，有效降低了模型参数量级；同时引入注意力机制（CA-Net），

通过空间注意力模块捕捉多尺度特征关联，结合其机制强化特征表达能力，显著

提升了复杂场景下的目标定位精度。实验数据显示：优化后模型参数量减少24%，

浮点运算量降低32%，内存占用缩减3.2MB，而mAP指标上升了0.8个百分点，

-

验证了算法在精度效率间的有效平衡。

（2）对部分图片进行图像预处理，旨在降低改进YOLOv5算法模型在训练

学习过程中的计算量，同时保证模型在一定程度上避免出现过拟合的现象。

3

（）从机械臂、主控单元、移动单元三个方面完成除草机器人系统的设计

与实现。采用内置改进YOLOv5算法模型的树莓派4B和ROS系统实现对除草

移动机器人的控制，驱动机械臂与摄像头实现移动机器人检测杂草，抓取并拔除

杂草的功能。最后完成对该系统在实验环境下的性能测试。

关键词：卷积神经网络；YOLOv5；杂草检测；注意力机制

I

Abstract

Abstract

Incurrentagriculturalproduction,chemicalweedcontrolstilldominates.However,

traditionalsprayingoperationslackprecision,leadingnotonlytoherbicidewastebutalso

posingrisksofecologicalandenvironmentalpollution.Morecritically,thelong-term

relianceonhighdosesofchemicalagentscaneasilyinduceweedresistance,resultingin

diminishingcontrolefficacy.Therefore,thedevelopmentofintelligentweedingequipment

withpreciseoperationcapabilitieshasbecomeanurgentindustrydemand.

Incontrast,deeplearning-drivenintelligentrecognitionsystemsdemonstrateunique

advantages.Byconstructingmulti-layerconvolutionalneuralnetworkmodels,this

technologycaneffectivelyextracthierarchicalfeatureinformationofweeds