没有合适的资源?快使用搜索试试~ 我知道了~
农业中的人工智能6(2022)292YOLOv5算法检测玉米田三个不同生育期棉花自生植株的性能评估Pappu Kumar Yadava,J.放大图片作者:Stephen W.作者声明:Robert G.放大图片创作者:J.放大图片作者:Daniel E.作者:Martine,Roberto Rodriguezf,Karem Mezag,Juan Encisoa,JorgeSolórzanoDiazh,TianyiWangia美利坚合众国得克萨斯州学院站得克萨斯农工大学生物农业工程系b美利坚合众国密西西比州密西西比州立大学农业生物工程系c美利坚合众国得克萨斯州学院站得克萨斯农工大学电子计算机工程系d美利坚合众国得克萨斯州学院站得克萨斯农工大学生态保护生物学系美国航空应用技术研究所美利坚合众国德克萨斯州大学城农业研究处f美国农业部- APHIS PPQ S T,Mission Lab,美国得克萨斯州埃克斯堡g美利坚合众国犹他州洛根犹他州立大学土木环境工程系h美利坚合众国得克萨斯州韦斯拉科得克萨斯农业生命研究推广中心i中国农业大学工程学院,中国北京a r t i c l e i nf o文章历史记录:收到2022年8月2日收到修订版,2022年11月25日接受,2022年2022年12月1日上线保留字:棉铃象甲志愿者棉花厂计算机视觉YOLOv5无人驾驶飞机系统(UAS)遥感a b s t r a c t野生或自生棉花(VC)在针蕾期(5害虫得克萨斯州棉铃象鼻虫根除计划(TBWEP)雇用人员来定位和消除生长在路边或轮作作物的田间的VC植物,但生长在田间中间的在本文中,我们展示了应用计算机视觉(CV)算法的基础上,你只看一次版本5(YOLOv5)检测VC植物生长在玉米田中间的三个不同的生长阶段(V3,V6和VT)使用无人驾驶飞机系统(UAS)遥感图像。使用YOLOv5的所有四种变体(s、m、l和x),并基于分类准确度、平均平均精度(mAP)和F1评分来比较它们的性能。结果表明,在416 × 416像素的图像上,YOLOv 5s在玉米V6期的VC植物检测中,最高分类准确率为98%,mAP为96.3%,而YOLOv 5s和YOLOv 5 m在VT期的分类准确率最低,为85%,YOLOv 5 m和YOLOv 5l在VT期的mAP最低,为86.5%CV算法可以有效地检测和定位生长在玉米田中间的VC植物,并加快TBWEP的管理方面。版权所有© 2022作者。出版社:Elsevier B.V.我代表科爱通信公司,公司这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍棉铃象Anthonomus grandisL.是一种严重的害虫,主要以棉花植物为食,自19世纪90年代首次从墨西哥进入美国以来,美国棉花产业已造成超过230亿美元的经济损失(Harden,2018)。国家棉铃象鼻虫根除计划(NBWEP)已成功地根除了美国主要地区的棉铃象鼻虫 然而德克萨斯州南部地区(下里奥格兰德河谷)由于其亚热带气候条件和靠近墨西哥边界,每年仍然容易再次侵染(Roming等人,2021年)。亚热带气候条件允许棉花植物全年生长,因此,*通讯作者。电子邮件地址:pappuyadav@tamu.edu(P.K.Yadav)。在前一季收获期间的棉花种子可以生长在田地的边缘或轮作作物如玉米(Zea maysL. )和 高粱(Sorghum bicolorL. )(Wang等人 ,2022;Yadav等人, 2019; Yadav等人,2022 a,2022 b)。 这些野生或自生棉花(VC)植物在达到针头现蕾期(5-6片叶)时可充当棉铃象鼻虫害虫的宿主(Yadav等人,2022 c)。根据德克萨斯州棉铃象鼻虫根除基金会(TBWEF)的管理实践,对轮作作物田的边缘进行检查,以确定是否存在VC植物,如果发现,则将其清除,以避免未来害虫再次侵染然而,生长在田地中间的VC植物仍然未被检测到,因为实际上不可能在数千英亩的田地中检测和定位它们因此,如果发现任何棉铃象鼻虫被困在这样的田地的信息素陷阱中,则用化学品如马拉硫磷ULV(FYFANON® ULV AG)喷洒整个田地以杀死害虫(美国国家棉花委员会,2012)。通常https://doi.org/10.1016/j.aiia.2022.11.0052589-7217/© 2022作者。出版社:Elsevier B.V.我代表科爱通信公司,公司这是一篇CC BY-NC-ND许可证下的开放获取文章(http:creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页:http://www.keaipublishing.com/en/journals/农业人工智能/P.K. Yadav,J.A.S.W. Searcy等人农业人工2931−xe具有喷洒能力的无人驾驶飞机系统(UAS)用于该目的,典型的喷洒率范围为0.56 - 1.12 kg/ha(FMCCorporation,2001)。马拉硫磷被归类为毒性III类农药,因此在不明智地使用时可能对人类造成危险(美国环境保护署,2016年)。此外,过量喷洒该化学品可能会杀死轮作作物田间的有益昆虫和害虫因此,对生长在轮作作物中间的VC植物进行检测和定位已成为一种必要在这样做时,具有点喷能力的UAS可以仅在VC植物的位置精确地喷洒除草剂(在针头形成阶段之前)和杀虫剂(在针头形成阶段之后)因此,检测VC植物对于TBWEF的管理方面至关重要,因为它可以加快管理实践,并有助于最大限度地减少与除草剂和杀虫剂相关的化学品检测生长在玉米或高粱田中间的VC植物是一个两步过程,即, 分类之后是定位,这必然意味着目标检测任务(Howard等人, 2019;Mustafa等人,2020; Silwal等人,2021; Zhao等人,2019年)。在我们过去的研究中,像素分类方法与经典机器学习算法一起使用,以检测玉米田中VC植物的区域(Yadav等人,2019年)。这种方法的分类准确率 约 为 70% , 远 低 于 我 们 的 预 期 , 因 此 无 法 用 于 实 际 应 用 。 在Westbrook等人(2016)的另一种方法中,传统的图像处理方法-线性光谱解混用于在早期生长阶段检测单个棉花植物,具有相当好的准确性。最近,许多基于深度学习的算法已经被开发出来,并成功地用于目标检测任务。 其中许多算法使用卷积神经网络(CNN),其中一些是YOLOv 3 ( Redmon 和 Farhadi , 2018 ) , YOLOv 5 ( Jocher ,2020),Mask R-CNN(He等人, 2017)等。 CNN从图像中自动提取复杂特征的能力使其在分类和检测任务中非常受欢迎。 这就是为什么它们也被广泛用于农业应用中的各种检测任务,如在草坪草中的杂草检测的情况下(Yu等人,2019)、蔬菜作物中的杂草检测(Jin等人,2021)、植物幼苗检测(Jiang等人, 2019)和白葡萄中的串检测(Sozzi等人, 2022年)。在本文中,我们展示了YOLOv 5在使用无人驾驶飞机系统(UAS)收集的遥感多光谱图像检测玉米田中生长的VC植物中的应用。YOLOv5是一种单阶段目标检测算法,最初基于网络深度和参数数量发布了四种不同的 变 体 ( YOLOv 5s , YOLOv 5 m , YOLOv 5l 和 YOLOv 5x )(Jocher,2020; Jocher等人,2021年)。字母s、m、l和x分别表示小、中、大和超大,具体取决于所使用的网络深度和参数大小。比较分析了YOLOv5的4个变异体在玉米3个不同生育期(V3、V6和VT)检测田间VC植株该研究是我们先前研究的延伸,其中YOLOv3和YOLOv5都成功地用于在玉米植物的单个生长阶段检测VC植物(Yadav等人,2022 a,2022 b)。2. 材料和方法2.1. 试验点实验地点位于两个不同的玉米地:一个位于德克萨斯州韦斯拉科附近的伊达尔戈县(97°56′21.538″W,26°9′49.049″N),而另一个位于德克萨斯州科莱森站附近的伯莱森县(96°25′45.9″W,30°32′07.4″N)(图2)。①的人。两种类型的将 品种 Phytogen 350 W3FE ( CORTEVA agriscience , Wilmington ,Delaware)种植在Weslaco的玉米地中。其中一些种植在玉米植物线,而其余的种植在毛皮行中间。类似地,将总共180粒棉花种子-90粒品种Phytogen 340 W3 FE ( CORTEVA agriscience , Wilmington ,Delaware)和另外90粒品种Deltapine 1646 B2 XF(Bayer AG,Leverku sen , North Rhine-Westphalia , Germany ) 种 植 在Burleson County的试验田2.2. 图像数据采集在位于德克萨斯州Weslaco的实验地点,使用三波段(RGB:红、绿、蓝)FC 6310相机(深圳大疆科技有限公司,中国广东深圳)集成在大疆Phantom上4 Pro四轴飞行器(深圳大疆科技有限公司,中国广东省深圳市)用于从地面以上18.3米(60英尺)的高度(AGL)收集航空图像FC 6310摄像机采集的图像分辨率为5472 × 3648像素,空间分辨率为0.5cm/像素(0.20 in./像素)。数据于2020年4月7日上午10点至下午4点收集和下午2中央标准时间(CST),80%侧重叠和75%重叠。获得数据时,玉米植株处于V3期在 位 于 伯 莱 森 县 的 第 二 个 站 点 , RedEdge-MX ( AgEagleAerialSystems Inc.,威奇托,堪萨斯州)相机安装在一个定制的无人机(图。2)航空数据采集。第一组数据于2021年5月5日,在中部夏令时间(CDT)上午11:00至下午2:00之间,在玉米植物处于V6生长阶段时,在离地平面(AGL)近4. 6米(15英尺)的高度收集第二组数据是在2022年5月14日上午11点到下午2点之间从4.6米(15英尺)AGL的高度收集的,当时玉米植株已经达到VT阶段。在这两天获得的图像具有大约0.34 cm/像素的空间分辨率2.3. YOLOv5YOLOv5是YOLO系列目标检测算法的第五版,于2020年6月发布(Jocher,2020)。 就像它的前辈一样,它是一个单级检测器网络,这使得它比其他对象检测算法更快(Yan等人, 2021; Zhou等人,2021年)。YOLOv5的简单架构可以在图中看到。 3,由神经网络可视化软件工具Netron版本4.8.1(Lutz,2017)生成。整个体系结构由25个节点组成,从模型0到模型24命名。节点0到9(即,Model/0到Model/9)形成骨干网络而节点10到23(即,Model/10到Model/23)表示颈部网络和最后一个节点即,Model/24构成了检测网络。最后一个节点包括三个层,以在三个不同的尺度上进行检测,并在检测到的对象周围使用边界框和置信度分数骨干网络由焦点、卷积、交叉阶段部分(CrossStage Partial)和空间金字塔池(SPP)模块组成。聚焦模块接受形状为3 × 640 × 640的输入图像,其中3表示三个通道(通常为红色、绿色和蓝色),而640 × 640表示图像的宽度和高度(以像素为单位)。对焦模块可以处理640 ×640像素以外的图像,也可以针对不同的通道数进行定制。聚焦模块的主要目的是提高训练速度,因为它使用了该激活函数是swish激活函数的修改版本,用分段线性“硬”等效物(等式1)替换sigmoid函数 1和2)(Howard等人, 2019年)。土壤(Harlingen粘土和Raymondville粘壤土)主要存在于德克萨斯州Weslaco的实验地块中,而Weswood粉质粘壤土、Yahola细砂壤土和Belk粘土则存在于实验地块中。swishbagxxσxXReLU600 x300ð1ÞBurleson县的遗址(美国农业部自然资源保护局,2020年)。为了模拟VC植物的存在h−swishxx6ð2ÞP.K. Yadav,J.A.S.W. Searcy等人农业人工294图1.一、 位于Burleson和Hidalgo县的两个玉米田试验点。其中σ是S形函数,ReLU 6是修正线性单元(ReLU)激活函数的修改版本,其中最大值被限制为6。所述RecheckCSP模块通过利用残差网络来增强特征提取过程,即, 将较深的特征与较浅的特征连接起来。 SPP模块用于确保通过使用三个并行最大池化层从任何不同大小的特征图生成固定大小的特征向量。颈 部 网 络 用 于 确 保 物 体 的 检 测 准 确 性 它 利 用 路 径 聚 合 网 络(PANet)来增强特征传播与规模无关(Liu等人, 2018年)。模块17、20和23是PANet的一部分,属于Neck网络(也称为P3、P4和P5),分别输出属于小、中和大尺度的对象的三个特征图P3输出80 × 80像素的特征图,而P4和P5输出40 × 40像素的特征图和20 × 20。检测网络由三个检测层组成,以在对应于P3、P4和P5输出的特征的三个尺度上进行检测该网络在三个特征图上的每个比例下应用三个锚框,以输出包含信息图二、定制的无人机系统(UAS),配备机载计算平台和MicaSense RedEdge-MX多光谱相机。P.K. Yadav,J.A.S.W. Searcy等人农业人工2951/2AP¼ ð Þ¼¼ ×¼ ð Þ图3. Netron可视化软件工具生成的YOLOv5架构的简化版本。关于类概率、对象性得分和预测边界框(BB)坐标。YOLOv 5的原始架构是定制的,以检测一个罪-地图1千分之一牛顿Kk¼1GLE类的VC植物,并接受形状为3 × 416 × 416的输入图像进行研究。YOLOv5最初有四个不同的版本:YOLOv5s,YOLOv5m,YOLOv5l和YOLOv5x,基于网络深度和使用的参数数量这里,s、m、l和x分别表示小、中等、大和特大所有这四种变体都用于本研究。2.4. YOLOv5的性能指标每个训练的YOLOv5模型的性能通过使用如等式2中计算的指标准确度、精确度(P)、召回率(R)、平均平均精确度(mAP)和F1得分来评估3、4、5、6和7。精度TP3000TPTN FP FNTPP4公司简介其中TP是真阳性的数量,TN是真阴性的数量,FP是假阳性的数量,FN是假阴性的数量,APk是类别k的平均精度(AP)(在我们的情况下N = 1,即,VC类),并且n是阈值的数量(在我们的情况下n= 1,即,0.50或50%)。 这基本上意味着,mAP和AP对于本研究中的单类情况是相同的。在50%阈值处计算mAP值以用于交集超过并集(IoU)均值,考虑导致重叠区域与具有地面真实边界的并集区域的比率大于50%的所有预测边界框,并且丢弃剩余的边界框(Gan等人,2021; Padilla等人, 2021; Sharma,2020; Wu等人, 2021年)。mAP是基于精确-召回曲线(PRC)下的面积的度量,其被预处理以消除锯齿行为(Padilla等人, 2021年)。因此,在类别不平衡的情况下,其中一个类别的实例多于另一个类别的实例,mAP是分析分类器的性能的 更 可 靠 和 更 强 大 的 度 量 ( Padilla 等 人 ,2021; Saito 和Jummsmeier,2015)。RTPTPFNF1-得分2P ×RP Rð5Þð6Þ2.5. YOLOv5培训数据集准备在位于德克萨斯州Weslaco的实验地块收集的RGB图像被分割成416× 416像素,之后使用增强技术对至少包含VC植物的图像进行P.K. Yadav,J.A.S.W. Searcy等人农业人工296Augmentor Python库(Bloice,2017),共生成409张图像。为了实现这一点,如Bloice等人(2017)所解释的那样,使用了rotate、zoom_random和zoom_top_bottom操作,概率值分别为0.80、0.40、0.60和0.80。使用基于网络的平台Robo Brackow来注释VC植物的真实边界框(Robo Brackow,2022),首先将图像以16:3:1的比例划分用于训练、验证和测试数据集,然后将其以YOLOv5 PyTorch格式导出。在训练、验证和测试数据集中获得了总共超过1750个VC类的实例(图4A)。此外,还发现大多数VC植物的高度为4 - 6 cm,宽度为5 cm(图1)。 4 A)。对在位于德克萨斯州伯莱森县的实验地点收集的五波段多光谱图像进行辐射校正,然后使用来自GitHub(GitHub,Inc.,美国加利福尼亚 州 旧 金 山 ) MicaSense 的 存 储 库 ( MicaSense Incorporated ,2022)。 这生成了大小为1207 × 923像素的RGB图像。 在生成的RGB图像中,仅选择具有VC植物的图像,然后将其分割为416 × 416像素。这再次导致许多图像没有再次被丢弃的VC植物。然后增强具有至少一个VC植物的所得图像,以在V6阶段生成总共387个图像,在VT阶段生成280个图像。然后,机器人被用来注释地面实况图四、 用于YOLOv5模型在玉米植株V3(A)、V6(B)和VT(C)生长阶段的训练、验证和测试数据集的VC类实例。P.K. Yadav,J.A.S.W. Searcy等人农业人工297VC工厂的边界框 其中,训练、验证和测试图像以16:3:1的比例划分。总共有800多个实例(图)。在V6期的数据集中获得了VC类的400个(图4 B),在VT期的数据集中获得了400个(图4 B)。4 C)。玉米V6期VC株高、宽多为6 ~ 8 cm,VT期VC株高、宽多为8 cm,宽多为8 ~ 10 cm。 4 B和C)。在玉米的V3和VT阶段,VC植物几乎均匀地分布在图像的所有区域,而在玉米的V6生长阶段,它们大多位于图像的四个角(图1B)。 4 A、B和C)。2.6. YOLOv5培训YOLOv5 的 源 代 码 从 Ultralytics Inc. 的 GitHub 存 储 库 获 得(Jocher,2020)。YOLOv 5的所有四种变体都在Tesla P100-PCIE-16 GB(NVIDIA,Santa Clara,CA,U.S.A.)GPU使用GoogleColaboratory(Google LLC,Melno Park,CA,U.S.A.)AI平台。每个人都以0.01的初始学习率,0.1的最终学习率,0.937的动量,0.0005的权重衰减进行训练,总共200个。 五、3. 结果3.1. V3生长期玉米田间VC检测在使用训练和验证数据集的训练过程中获得的不同性能指标的结果如图所示。第六章在V3阶段数据集上,通过使用迁移学习方法进行训练,在200次训练迭代内实现了收敛过程即,从YOLOv5的预训练权重(COCO数据集权重)开始训练。 实验结果表明,该方法的准确率、召回率、mAP和F1得分的最大值分别达到87%、91%、89%和83%。同样,94%的VC植物被正确分类,而6%被误认为背景类,即,要么是玉米要么是杂草然而,没有一个来自背景类的实例被误认为是VC植物(图7-左)。几乎每个图像都有更多的背景类实例(即, 玉米和杂草)比VC类,这意味着类实例不平衡。 从过去的研究中发现,分类器的性能可能偏向于大多数类,因此建议基于PRC分析性能,如图所示。 6(Saito and Jummsmeier,2015). 部分VC植物的检测结果如图所示。 其中检测到的VC植物被包围在具有相应置信度分数的红色边界框内。3.2. V6生长期玉米田间VC检测图从图9中可以看出,不同性能指标的图是通过使用属于V6生长阶段的玉米植物的数据集训练YOLOv5s后获得的。由于100次迭代的性能没有改善,在第130次迭代左右提前停止了训练。这意味着在第130次迭代之前就已经实现了收敛准确率、召回率、mAP和F1得分的最大值分别为97%、97%、96%和93%。 在分类准确性方面,98%的VC植物被正确分类,而只有2%的VC植物被错误分类为玉米或杂草,并且没有背景类(即, 玉米和杂草)被误归类为VC植物(图。10-左)。图五、 工作流程图显示了从数据采集到YOLOv5培训的整个过程。P.K. Yadav,J.A.S.W. Searcy等人农业人工298图第六章 示例图显示了使用属于玉米植物的V3生长阶段的数据集训练YOLOv5s后获得的性能指标以及PR曲线(PRC)。图第七章在属于玉米植物的V3生长阶段的数据集上训练YOLOv5s之后,在VC植物的置信度分数范围内计算的混淆矩阵(左)和F1分数(右)中示出的分类结果。图八、 V3生长期玉米田间VC植株的YOLOv5s检测结果。P.K. Yadav,J.A.S.W. Searcy等人农业人工299图第九章 示例图显示了使用属于玉米植物的V6生长阶段的数据集训练YOLOv5s后获得的性能指标以及PR曲线(PRC)。图10. 在属于玉米植物的V6生长阶段的数据集上训练YOLOv5s后,在VC植物的置信度分数范围内计算的混淆矩阵(左)和F1分数(右)中示出的分类结果。图十一岁 V6生长期玉米田间VC植株的YOLOv5s检测结果。P.K. Yadav,J.A.S.W. Searcy等人农业人工300图12个。 示例图显示了在使用属于玉米植物的VT生长阶段的数据集训练YOLOv5s之后获得的性能度量以及PR曲线(PRC)。部分VC植物的检测结果如图所示。其中检测到的VC植物被包围在具有其对应的置信度分数的红色边界框内。3.3. VT生长期玉米田间VC检测图图12示出了通过使用属于处于VT生长阶段的玉米植物的数据集训练YOLOv5之后获得的不同性能度量的图。与V6情况一样,VT情况下的训练过程在第165次迭代左右也提前停止,因为没有改善。在过去的100次迭代中观察到的。这意味着在第165次迭代之前就已经实现了收敛。准确率、召回率、mAP和F1得分的最大值分别为99%、86%、89%和87%。在分类准确性方面,85%的VC植物被正确分类,而15%的VC植物被错误分类为玉米或杂草,并且没有背景类别(即,玉米和杂草)被误归类为VC植物(图。 13-左)。部分VC植物的检测结果如图所示。其中,检测到的VC植物被包围在具有其对应的置信度分数的红色边界框内。图13岁在属于玉米植物的VT生长阶段的数据集上训练YOLOv5s后,在VC植物的置信度分数范围内计算的混淆矩阵(左)和F1分数(右)中示出的分类结果。P.K. Yadav,J.A.S.W. Searcy等人农业人工301图14个。一片玉米地VC植株VT生长期YOLOv5s检测结果。表1比较YOLOv5的四种变体在检测田间生长的VC植物与三个不同生长阶段的玉米植物中4. 讨论在玉米植物的V3生长阶段获得的图像由高分辨率相机捕获,但同时它们是从比在V6和V8生长阶段捕获的图像高四倍的高度捕获的。这导致空间分辨率(0.5 cm/像素)低于在V3(早期)V6(中期)94 92 90 9398 95 92 9587.9 86.5 86.5 87.496.3 93.5 91.683 82 83 8393 92 91 91其他两个生长阶段(0.34 cm/像素)。在这个阶段,没有太多的杂草在图像的背景,这就是为什么平均-VT(雄穗)85 85 91 8687.6 90.3 89.0 87.687 88 85 8892%的年龄分类准确率是有希望的(图)。 15 A)。甚至虽然这比我们以前的增长了31%以上,方法(Yadav等人,2019年),V6阶段的平均分类准确率甚至更高,达到95%(增量为3.4. Yolov 5的所有四种变体在玉米的三个不同生长阶段的检测结果的比较表1显示了YOLOv5的所有四种变体在检测田间生长的VC植物与处于三个不同生长阶段的玉米植物的比较结果,在V3、V6和VT。显然,通过使用YOLOv5的所有四种变体,VC植物从V6生长阶段玉米分类比从V3和VT生长阶段分类更准确。 在50%IoU下基于mAP的检测准确度方面,观察到类似的结果(表1)。在V3和VT生长阶段之间,VC植物在V3阶段比VT阶段更准确地分类和检测发现通过使用YOLOv5的所有四个变体在具有V3、V6和VT生长阶段的玉米植物的田地中检测VC植物的平均mAP为87%、93%和89%,标准偏差为0.69,分别为2.13和1.3同样地,在具有处于V3、V6和VT生长阶段的玉米植株的田地中,发现VC植株的平均分类准确度分别为92%、95%和87%,标准偏差分别为1.7、2.4和2.9近36%)。预计与V3阶段相比,V6阶段的准确度可能较低然而,通过在较低海拔(4.6 m /15 ft)处捕获图像,图像中的较高空间分辨率导致更好的分类准确度(表1,图15A)。V6阶段准确度较高的另一个原因可能是图像经过了预处理通过使用模糊变换、反锐化掩模和伽马校正(MicaSenseIncorporated,2022)。然而,这些效应不足以提高VT生长阶段的分类准确度(图15A)。我们假设这是因为在这个阶段,背景中的杂草是突出的,并且比在V6阶段引起更多的误分类。在本研究中,在玉米的所有三个生长阶段,将VC植物的实例与背景类的实例进行比较(i.e.、有杂草的玉米)总是较少,这意味着在阳性(VC植物)和阴性(背景)类别之间在这种情况下,任何分类器的性能都被发现偏向于大多数类,因此不能图15个。(A)在玉米植物的所有三个生长阶段,YOLOv5的所有四种变体的分类准确度分布。(B)在玉米植物的所有三个生长阶段,YOLOv5的所有四种变体的mAP分布玉米分类_访问mAP@50F1-最大生长期YOLOv5SML xYOLOv5S ML xYOLOv5SML xP.K. Yadav,J.A.S.W. Searcy等人农业人工302准确地对性能进行推断(Saito和Rummsmeier,2015; Sofaer等人,2019年)。在该等情况下,PRC及AP/mAP下的面积被认为是更有效衡量分类器表现的指标(苗及朱,2021年)。因此,为了进行公平的比较而不受类实例不平衡的影响,使用mAP值,从中发现在V6生长阶段的最高检测(图15B)。这一结果是预期的,因为V6和VT阶段的图像具有更高的空间分辨率,并且经历了V3阶段图像中不存在的预处理技术。与V6阶段相比,在VT阶段杂草中存在显著性导致较低的检测精度。本文中报道的发现有可能通过在具有点喷雾能力的UAS上部署经训练的YOLOv5模型来用于V6生长阶段的玉米田中的近实时VC检测(以获得最大准确度)(Yadav等人, 2022c)具有计算机视觉能力。5. 结论和今后的建议在检测精度和所测量的区域的量之间存在折衷,因为为了测量更大的区域,需要从更高的高度捕获图像,如在V3阶段的情况下,这最终降低了空间分辨率并损害了检测精度。然而,如果87%的mAP不是太低,那么我们建议在V3生长阶段进行调查,以检测VC植物,因为这会导致在更大的区域内检测到它们。我们还预计,当图像可以使用MicaSense的GitHub存储库(MicaSenseIncorporated,2022)中描述的技术进行预处理时,检测精度将提高甚至超过V6和VT阶段这样,该系统将更实际可行,并适用于参与棉铃象鼻虫根除计划的人员CRediT作者贡献声明Pappu Kumar Yadav:概念化,数据管理,形式分析,调查,方法论,验证,可视化,写作J. Alex J.S.:概念化,数据管理,调查,方法论,形式分析,项目管理,资源,监督,写作 Stephen W. 形式分析,写作&-评论编辑. Robert G. 项目管理,形式分析,资源,监督,写作&-评论编辑. Ulisses Braga-Neto:调查,方法,形式分析,写作 索林角波佩斯库:形式分析,写作&-评论编辑。Daniel E.马丁:写作-评论编辑&。Roberto Rodriguez:数据管理,形式分析,写作Karem Meza:资源,写作Juan Enciso:资源,写作Jorge Solórzano Diaz:资源,写作– 王天一写作竞争利益声明作者声明,本研究是在不存在任何可能被视为潜在利益冲突的商业或财务关系的情况下进行的致谢该材料部分通过美国农业部动植物卫生检验局(APHIS)的合作协议AP20PPQS T00C046得以实现它可能不一定表达APHIS我们衷心感谢所有评审员和参与现场工作的人员,包括Stephen P. Labar、RoyGraves、Madison Hodges、Thiago Marconi博士和Uriel Cholula。引用Bloice , 医 学 博 士 , 2017. Augmentor : Python 中 用 于 机 器 学 习 的 图 像 增 强 库 。https://doi.org/10.5281/ZENODO.1041946网站。布洛伊斯,M.,Stocker,C.,Holzinger,A.,2017年。Augmentor:一个用于机器学习的图像增强ArXiv预印本ArXiv:1708.04680。https://doi.org/10.21105/joss.00432.FMC公司,2001年。FYFANONULVAG.在FYFANONULVAG.https://doi.org/10.1016/b978-081551381-0.50007-5.Gan,T.,扎,Z.,Hu,C.,Jin,Z.,2021. 使用YOLOv5网络在结肠镜检查过程中检测息肉。哈 登 , G.H. , 2018. 得 克 萨 斯 州 棉 铃 象 鼻 虫 根 除 基 金 会 合 作 协 议 。https://www.usda.gov/sites/default/文件/33099 - 0001 - 23.pdf。他,K.,Gkioxari,G.,Dollar,P.,吉希克河,2017年。 屏蔽R-CNN。 IEEE国际计算机视觉会议(ICCV)。pp. 2961-2969年。霍华德,A.,Sandler,M.,陈伯,王伟,Chen,L.C.,Tan,M.,朱,G.,Vasudevan,V.,Zhu,Y.,中国科学院,庞河,Le,Q.,亚当,H.,2019.正在搜索MobileNetV3。IEEE/CVF 计 算 机 视 觉 国 际 会 议 论 文 集 。 1314-1324.网 址 : //doi.org/10.1109/ICCV.2019.00140。江,Y.,Li,C.,帕特森,A.H.,罗伯逊,J.S.,2019年。DeepSeedling:深度卷积网络和卡尔曼 滤 波 器 , 用 于 田 间 植 物 幼 苗 检 测 和 计 数 。 PlantMethods 15 ( 1 ) , 1-19.https://doi.org/10.1186/s13007-019-0528-3网站。Jin,X.,切,J.,陈玉,2021年蔬菜种植中使用深度学习和图像处理的杂草识别。IEEEAccess 9,10940-10950。https://doi.org/10.1109/AC-CESS.2021.3050296.Jocher,Glenn,2020. YOLOv5。 https://github.com/ultralytics/yolov5网站。Jocher,G.,Kwon,Y.,guigarfr,perry0418,Veitch-Michaelis,J.,Ttayu,Suess,D.,Baltachte,F.,Bianconi,G.,IlyaOvodov,Marc,Lee,C.,肯德尔,D.,Falak,Reveriano,F.,FuLin,GoogleWiki,Nataprawira,J.,...谢德,T.M.,2021.ultralytics/yolov 3 : v9.5.0 - 针 对 YOLOv 3 的 YOLOv 5 v5.0 版 本 兼 容 性 更 新 。https://doi.org/10.5281/ZENODO.4681234。Liu,S.,齐,L.,秦,H.,施,J.,贾,J.,2018年实例分段的路径聚合网络。Comp. Soc.Conf.Comp.VisionPattern8759-8768.https://doi.org/10的网站。1109/CVPR.2018.00913。卢茨河2017年。奈创https://github.com/lutzroeder/netron网站。苗,J.,朱伟,2021年 评价英特尔网址:http://doi.org/10.1007/s12065-021-00565-2MicaSense Incorporated,2022年。MicaSense RedEdge和Altum图像处理教程。https://github.com/micasense/imageprocessing网站。Mustafa,T.,Dhavale,S.,Kuber,M.M.,2020年。 基于inception-v2和Yolov 3的视频 中 人 类 活 动 识 别 的 性 能 分 析 。 SNComp.Sci.1 ( 3 ) , 1-7.https://doi.org/10.1007/s42979-020-00143-w。美国国家棉花委员会,2012年。在得克萨斯州和墨西哥塔毛利帕斯州的下里奥格兰德河谷消灭棉铃象鼻虫议定书。在cotton.org。https://www.cotton.org/tech/pest/bollweevil/upload/ITAC-Protocol-d8-Eng-Dec-2012-LS-ed.pdf。帕迪拉河,Passos,W.L.,迪亚斯TLBNetto,S.L.,达席尔瓦,E.A.B.,2021年对象检测指标 与 配 套 开 源 工 具 包 的 比 较 分 析 。 电 子 学 ( 瑞 士 ) 10 ( 3 ) , 1-28 。https://doi.org/10.3390/electronics10030279。Redmon , J. , Farhadi , A. , 2018. YOLOv3 : 增 量 改 进 。 计 算 机 视 觉 与 模 式 识 别https://pjreddie.com/media/文件/papers/YOLOv3.pdf。机器人,2022.机器人https://robo browrow.com/.罗明河,Leonard,A.,Seagraves,A.,米格尔,S. S.,Jones,E.,奥格尔,S.,2021年日落员工重新-港口最终结果www.sunset.texas.gov网站。Saito,T.,Mr. Jummsmeier,M.,2015年。当在不平衡数据集上评估二进制分类器时,精 确 度 - 召 回 图 比 ROC 图 提 供 更 多 信 息PLoS One 10 ( 3 ) , 1-21.https://doi.org/10.1371/journal.pone.0118432网站。夏尔马,维奈,2020年。 使用YOLOv 5进行COVID-19的面罩检测[California StateUniversity-San Marcos]。https://scholarworks.calstate.edu/downloads/wp988p69r?locale =en.Silwal,A.,Parhar,T.,Yandun,F.,Kantor,G.,2021年一种用于农业应用的鲁棒照明不变http://ar
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功