基于改进YOLOv8模型的百合地杂草检测方法

打开文本图片集

关键词：百合；杂草检测；YOLOv8模型；卷积神经网络

中图分类号：TP391 文献标志码：A

0引言（Introduction）

目前，在农作物田间杂草检测领域，基于计算机视觉和深度学习的非接触性目标检测技术取得了显著成效。张兆国等通过改进YoloV4检测网络并结合MobilenetV3，实现了全类平均准确率为91.4%的优异表现；刘莫尘等提出了一种改进的YOLOv4-tiny模型，结合MSRCR（Multi-Scale Retinex with Color Restoration）增强算法和K-means++聚类以及通道剪枝技术，用于田间环境下玉米苗和杂草的实时高精度检测，改进后的YOLOv4-tiny模型的平均准确率提升至96.6%；姜红花等胡提出了一种基于MasKR-CNN（Mask Region-Based Convolutional Neural Network）的杂草检测方法，实现了在复杂田间环境下对杂革的快速、准确检测和轮廓分割；王秀红等提出一种适用于Jetson TX2（NVIDIA Jetson TX2嵌入式人工智能计算平台）的秸秆覆盖农田杂草检测方法，使YOLOv5sl模型在TensorRT的加速下检测精度达到93.6%，实现了对玉米苗期杂草的实时精准检测。（剩余5849字）