文章摘要:【目的】青菜种植通常无明显行距与株距，随机分布于田间。相对于条播作物，青菜幼苗与杂草识别的复杂性和挑战性更高。本研究以青菜幼苗及其伴生杂草为试验对象，提出了一种基于人工智能的青菜幼苗与杂草识别方法，以期解决杂草识别这一制约精确除草的瓶颈问题。【方法】通过神经网络模型识别青菜幼苗。青菜幼苗目标之外的绿色像素则认为是杂草，并利用颜色特征对杂草进行分割。为探究主流卷积神经网络（Convolutional Neural Networks,CNN）模型以及新兴Transformer神经网络模型在青菜识别中的效果，分别选取YOLOX模型和Deformable DETR模型，以识别率和识别性能作为评价指标进行对比分析。【结果】试验结果表明，基于CNN的YOLOX模型和基于Transformer的Deformable DETR模型都能有效识别青菜幼苗。其中YOLOX模型为最优模型，平均精度和识别速度分别为98.1%和44.8 fps。【结论】将青菜幼苗之外的绿色目标视为杂草的思路不仅简化了杂草识别的复杂性，同时提高了杂草识别的泛化能力。本研究提出的青菜幼苗与杂草识别方法可用于青菜幼苗生长管理的精准作业。

文章关键词:

项目基金:《智能城市》 网址: http://www.zncszz.cn/qikandaodu/2022/0111/2144.html