基于優(yōu)化YOLOv5算法的玉米苗間雜草檢測(cè)研究

中圖分類號(hào)：S451 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-5553（2025）07-0220-06

Abstract：Toaddress the problems of diverse weedspecies，high detection complexity，and slow detection speed in the detection of weedsamong maize seedlings，thispaperproposesa weed detection method based on optimized YOLOv5 algorithm.The SE parameter-freeatentionmoduleis introduced intotheconvolutional layersof theYOLOv5 backbone network，withthe SE一integrated C3module replacing theoriginal C3 moduleto beterfocus ondetection targets. The traditional residual neural network is replaced with the BoTNetmodule，andglobal multi-headself-attention is used to replace 3×3 spatial convolution in thelastthree botleneck blocksof ResNet，thereby improving the accuracy of detecting smalltargets.The improvedtargetdetectionalgorithmisused todetect weeds，withnon-maizeseedlingareas inthe fieldlabeledasweeds.The super-green feature，combinedwith the OTSU threshold segmentation algorithm，is used tosegment thesoilbackgroundandidentifytheforegroundareasof weeds，effectivelysolving theproblemof weed detection inmaizesedling fields.The resultsshowthattheimproved YOLOv5algorithmachievesatarget detection precision of 97.5% for maize seedlings，which is 7.4% higher than the original YOLOv5 algorithm. The detection speed reaches 40ms ，thereby improving the detection accuracy and model robustness to meet the needs of real-time detection.

Keywords：wed detection among maize seedlings；YOLOv5；attention module；BoTNet module；super-green feature; OTSU threshold segmentation

0 引言

與高產(chǎn)作物爭(zhēng)奪生長(zhǎng)空間、陽(yáng)光、水分和土壤養(yǎng)分，容易引發(fā)病蟲害等問題，嚴(yán)重影響作物的健康生長(zhǎng)，從而導(dǎo)致農(nóng)產(chǎn)品的產(chǎn)量和質(zhì)量下降[1，2]。因此，雜草檢測(cè)農(nóng)田雜草是對(duì)農(nóng)業(yè)生產(chǎn)最嚴(yán)重的威脅之一，雜草技術(shù)的重要性不言而喻。

目前，國(guó)內(nèi)外廣泛致力于雜草檢測(cè)研究，主要分為基于傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)的雜草識(shí)別方法包括遙感識(shí)別法、光譜識(shí)別法；而深度學(xué)習(xí)方法則涵蓋基于圖像處理和計(jì)算機(jī)視覺技術(shù)識(shí)別法、機(jī)器視覺識(shí)別法[3-5]。研究者采用不同的技術(shù)手段來(lái)應(yīng)對(duì)雜草識(shí)別的挑戰(zhàn)。沈?qū)殗?guó)等6采用顏色特征來(lái)區(qū)分棉田中的棉苗莖稈與雜草，融合雜草位置信息實(shí)現(xiàn)雜草的識(shí)別。吳蘭蘭等通過改進(jìn)Itti模型，提取原始圖像特征圖，分割出目標(biāo)區(qū)域，通過區(qū)域融合得到雜草區(qū)域。王二銳[8基于YOLOv4卷積神經(jīng)網(wǎng)絡(luò)模型，通過數(shù)據(jù)增強(qiáng)技術(shù)，增加網(wǎng)絡(luò)訓(xùn)練的復(fù)雜性，提高檢測(cè)準(zhǔn)確性，實(shí)現(xiàn)雜草識(shí)別和定位的視覺系統(tǒng)，其雜草檢測(cè)率為 93.19% 。然而，雜草檢測(cè)在技術(shù)層面仍然面臨一些難題：光照變化對(duì)識(shí)別準(zhǔn)確性的影響、不同雜草種類的形態(tài)差異導(dǎo)致的分類挑戰(zhàn)、小目標(biāo)檢測(cè)的困難、深度學(xué)習(xí)對(duì)樣本需求量大等。

本文通過優(yōu)化YOLOv5算法的玉米苗間雜草檢測(cè)研究，在主干網(wǎng)絡(luò)中引人SE無(wú)參數(shù)注意力模塊和BotNet模塊，采用超綠特征灰度化（ ExG^* 和OTSU閥值分割算法進(jìn)行雜草分割，致力于解決這些技術(shù)上的難題，提高雜草檢測(cè)技術(shù)的精度、魯棒性和實(shí)用性。

1數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)圖像采集

使用數(shù)碼相機(jī)在實(shí)地采集 3～5 葉齡玉米苗和雜草的高清圖片，如圖1所示。

圖1作物與雜草的分布情況

針對(duì)雜草和玉米苗這種特定物體的目標(biāo)檢測(cè)，目前尚無(wú)可用公開數(shù)據(jù)集。因此，通過自主采集方式構(gòu)建新的數(shù)據(jù)集。樣本采集時(shí)間為2022年6月6—20日，地點(diǎn)位于黑龍江八一農(nóng)墾大學(xué)試驗(yàn)田，采用垂直拍攝方式，采集的圖像包含玉米苗及伴生雜草，展現(xiàn)作物與雜草的分布情況。

1.2 圖像預(yù)處理

考慮到數(shù)據(jù)集的復(fù)雜性，采集的圖片在不同光照、時(shí)間、天氣和土壤背景（如土壤濕度和秸稈殘茬）條件下進(jìn)行拍攝，共采集1427幅圖片，經(jīng)過篩選和清理，最終保留1050幅原始圖像。為增強(qiáng)數(shù)據(jù)集的豐富性，對(duì)采集的原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理，包括圖像裁剪、旋轉(zhuǎn)、鏡像翻轉(zhuǎn)、顏色變化以及噪聲注入等，如圖2所示。通過數(shù)據(jù)增強(qiáng)，將樣本容量擴(kuò)展4倍，總共獲得4200幅圖像。

圖2數(shù)據(jù)增強(qiáng)示意圖

Fig.2 Schematic diagram of data enhancement

2 YOLOv5模型結(jié)構(gòu)與優(yōu)化

2.1 YOLOv5的模型結(jié)構(gòu)

為提升目標(biāo)檢測(cè)性能，改進(jìn)YOLOv5算法的主干特征提取網(wǎng)絡(luò)。在CSP層之后，引人SE注意力模塊，并采用BottleneckTransformer編碼器模塊來(lái)替代原有編碼器。優(yōu)化后YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3優(yōu)化后YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

Fig.3YOLOv5 network structure after optimization

2.1. 1 YOLOv5目標(biāo)檢測(cè)算法原理

目前，深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法分為兩階段檢測(cè)和單階段檢測(cè)，主要區(qū)別在于是否存在候選框產(chǎn)生的階段。雙階段算法通常具有更高的檢測(cè)精度，常見的算法包括R—CNN、FastR—CNN、FasterR—CNN;單階段算法也稱為回歸分析目標(biāo)檢測(cè)算法，雖然準(zhǔn)確性不如FasterR一CNN算法，但實(shí)時(shí)性更好，通常采用YOLO算法和 SSD算法[9-11]

YOLO目標(biāo)檢測(cè)算法將目標(biāo)檢測(cè)視為一個(gè)回歸問題，直接從輸入圖像中預(yù)測(cè)物體的種類和位置，同時(shí)生成檢測(cè)框，無(wú)須進(jìn)行候選框提取的復(fù)雜過程，具備高速的推理能力和低成本的模型部署優(yōu)勢(shì)。YOLOv5的網(wǎng)絡(luò)模型主要由4個(gè)關(guān)鍵部分組成，包括輸人層（Input）、主干網(wǎng)絡(luò)（Backbone）、中間連接層（Neck）以及預(yù)測(cè)層（Prediction）[12.13]。（1）輸人層（Input）：定義圖像的尺寸和通道數(shù)，同時(shí)采用Mosaic數(shù)據(jù)增強(qiáng)技術(shù)，提高模型訓(xùn)練速度和網(wǎng)絡(luò)精度。（2）主干網(wǎng)絡(luò)（Backbone）：負(fù)責(zé)從輸入圖像中提取有關(guān)目標(biāo)的關(guān)鍵信息，YOLOv5中的主干網(wǎng)絡(luò)使用CSP和Focus結(jié)構(gòu)作為基準(zhǔn)網(wǎng)絡(luò)。（3）中間連接層（Neck）：融合和處理來(lái)自不同層級(jí)的特征，以提升目標(biāo)檢測(cè)的準(zhǔn)確性。YOLOv5使用SPP模塊和FPN + PAN模塊，F(xiàn)PN層實(shí)現(xiàn)自下而上的強(qiáng)定位傳遞特征，又稱為特征融合層。（4）預(yù)測(cè)層（Prediction）：將檢測(cè)頭預(yù)測(cè)的信息轉(zhuǎn)化為目標(biāo)框的位置和類別概率，被稱為預(yù)測(cè)層，其輸出用于生成目標(biāo)檢測(cè)的最終結(jié)果。

2.1.2SE卷積注意力機(jī)制

由于玉米苗和雜草在顏色、形狀和紋理特征上相似，引人SE（Squeeze-and-Excitation）注意力模塊增強(qiáng)網(wǎng)絡(luò)對(duì)玉米苗的關(guān)注度，特別是在復(fù)雜農(nóng)田背景中。解決原始網(wǎng)絡(luò)中存在的注意力不足問題，使網(wǎng)絡(luò)在檢測(cè)過程中更專注于檢測(cè)目標(biāo)，減少無(wú)關(guān)信息的干擾。SE模塊算法流程如圖4所示。

SE注意力機(jī)制是對(duì)每個(gè)通道（特征圖中的每一個(gè)特定特征）應(yīng)用不同的權(quán)重，以突出或抑制特定通道的信息，這個(gè)過程可以分為3個(gè)步驟。

第一步，擠壓（squeeze）：通過全局平均池化，將每個(gè)通道的二維特征（ （H×W） 壓縮為一個(gè)實(shí)數(shù)，將特征圖從 [H，W，C] 壓縮成[1，1， ?_C] 的形狀，計(jì)算如式（1）所示。

式中： z_c 一 壓縮后的通道描述符；u_c（i，j） ——圖像在坐標(biāo) （i，j） 處的灰度值；i 一 圖像的高度；j 一 圖像的寬度；H 輸人特征圖的高度；W 輸人特征圖的寬度。

第二步，激勵(lì)（excitation）：生成每個(gè)特征通道權(quán)重值，建立不同通道之間的相關(guān)性。通過兩個(gè)全連接層 （τυ₁ 和 w₂ ）完成，對(duì)前一步得到的向量 z 進(jìn)行處理，從而產(chǎn)生與輸人特征圖的通道數(shù)相同數(shù)量的權(quán)重值。最終得到的通道權(quán)重值 s 中的不同數(shù)值表示不同通道的權(quán)重信息，為不同通道賦予了不同的重要性，計(jì)算如式（2）所示。

s=F_ex（z，w）=σ（g（z，w））=σ（w₂δ（w₁z）） （2）式中： z 1 每個(gè)通道的平均值；w 權(quán)重矩陣； 1 兩個(gè)MLP層的權(quán)重。

第三步，權(quán)重（scale）：通過生成的特征向量 s（1× 1×C 與特征圖 U（H×W×C） 相應(yīng)通道的點(diǎn)乘，得到所需的特征圖 ，計(jì)算如式（3）所示。

式中： u_c 一 原始特征圖中的第 c 個(gè)通道；

s_c 一 激勵(lì)權(quán)重。

通過在主干特征提取網(wǎng)絡(luò)中引入SE注意力機(jī)制，解決原網(wǎng)絡(luò)無(wú)注意力偏好問題，使網(wǎng)絡(luò)更專注于待檢測(cè)目標(biāo)。

2.1.3 BoTNet模塊

在目標(biāo)檢測(cè)任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的卷積層主要關(guān)注局部信息，建立相鄰像素之間的關(guān)系，而Transformer模型具備全局感知視野，能夠建模長(zhǎng)距離依賴關(guān)系，捕獲豐富的全局信息，這兩者之間存在互補(bǔ)的優(yōu)勢(shì)[14]。BoTNet將注意力模塊融合到CNN原有的模塊中。卷積層結(jié)構(gòu)如圖5所示。

BoTNet塊中使用的多頭自注意（MHSA）層，將ResNet中最后3個(gè) 3×3 卷積層替換成MHSA層，在小目標(biāo)檢測(cè)方面顯著改善，同時(shí)減少了參數(shù)量，從而使得延遲最小化。

2.2雜草分割算法原理

采用超綠特征灰度化（ ExG 和OTSU閾值分割算法進(jìn)行雜草分割。由于王壤和綠色植被之間的顏色特征差異很大，通過超綠特征灰度化方法將彩色圖像轉(zhuǎn)換為灰度圖像，突出顯示綠色植被部分。通過OTSU閾值分割算法將灰度圖像分割為雜草和背景兩個(gè)部分，獲得二值化的分割圖像。

超綠色方法在提取綠色植物圖像方面效果出色，能夠明顯抑制陰影、雜草、苗和土壤等圖像成分，使苗、草圖像更加突出。針對(duì)作物識(shí)別和雜草檢測(cè)，超綠色方法是最常用的灰度化方法，計(jì)算如式（4）所示。

ExG=2G-R-B 式中： G # 綠色通道值；R 紅色通道值；B 藍(lán)色通道值。

經(jīng)超綠特征灰度化處理后的圖像，采用OTSU閾值分割算法自動(dòng)選擇最優(yōu)閾值 T 。再利用這個(gè)閾值將圖像二值化，同時(shí)像素分為兩個(gè)類別，產(chǎn)生一個(gè)黑白的二值化圖像。OTSU算法的優(yōu)點(diǎn)在于其不需要人工干預(yù)，能夠在圖像中自動(dòng)確定合適的閾值，使圖像分割過程更加簡(jiǎn)便和穩(wěn)定。二值化計(jì)算如式（5）所示。

當(dāng)灰度值為0時(shí)，像素點(diǎn)為黑色，表示土壤背景；當(dāng)灰度值為255時(shí)，像素點(diǎn)為白色，表示雜草背景。

在 ExG 特征通道圖像上應(yīng)用OTSU自適應(yīng)閾值法來(lái)確定一個(gè)適當(dāng)?shù)姆指铋撝?，將圖像分割為前景和背景。對(duì)二值圖像進(jìn)行形態(tài)學(xué)運(yùn)算，以去除噪點(diǎn)并填充空洞，最終得到植被分割的前景圖像。

目標(biāo)檢測(cè)算法生成檢測(cè)框后，通過在前景圖像上創(chuàng)建一個(gè)黑色掩膜，掩蓋在前景圖像的玉米苗檢測(cè)框位置，從而將玉米苗從圖像中移除，只保留待檢測(cè)的雜草目標(biāo)，再使用二值圖像連通域標(biāo)記算法來(lái)識(shí)別前景圖像中的雜草目標(biāo)的連通域，實(shí)現(xiàn)雜草檢測(cè)。OTSU閾值分割算法通過分割圖像中的像素點(diǎn)，將雜草與土壤背景分離開來(lái)，這一過程包括4個(gè)步驟：（1）分割圖像中的像素點(diǎn)，標(biāo)記雜草像素。（2）遞歸遍歷雜草像素的八鄰域，找到完整的雜草連通域。（3）連接連通域的邊界像素，構(gòu)建閉合的矩形框。（4）連通域內(nèi)像素點(diǎn)的均值，輸出雜草的連通域外接矩形框和質(zhì)心坐標(biāo)。

3 試驗(yàn)結(jié)果與分析

3.1試驗(yàn)平臺(tái)與模型訓(xùn)練設(shè)置

目標(biāo)檢測(cè)算法需要高性能設(shè)備進(jìn)行計(jì)算，試驗(yàn)平臺(tái)配置如下：設(shè)備系統(tǒng)為Windows11，CPU為Intel（R）Core（TM）i7-11800H，GPU為NVIDIAGeForceRTX3060，學(xué)習(xí)框架為Python3.8。YOLOv5模型采用隨機(jī)梯度下降法（SGD）作為優(yōu)化器，通過根據(jù)梯度更新參數(shù)來(lái)降低損失函數(shù)的值。在此過程中，學(xué)習(xí)率動(dòng)量被設(shè)置為0.937，初始學(xué)習(xí)率為0.01，采用余弦退火學(xué)習(xí)率策略，逐漸減小學(xué)習(xí)率[15]。此外，權(quán)重衰減系數(shù)設(shè)為0.0005，批量大?。╞atchsize）為16，總訓(xùn)練周期（epoch）為300，前3個(gè)周期使用預(yù)熱訓(xùn)練算法[16]

3.2 結(jié)果分析

3.2.1模型評(píng)估指標(biāo)設(shè)置

目標(biāo)檢測(cè)算法精度評(píng)估通常采用準(zhǔn)確率 P 、召回率 R 、平均精度均值 mAP 指標(biāo)，計(jì)算如式 （6）～ 式（8）所示。

式中： TP （20 模型正確預(yù)測(cè)為正類別的樣本數(shù)；FP 模型錯(cuò)誤預(yù)測(cè)為正類別的負(fù)樣本數(shù)；（204號(hào) FN 模型錯(cuò)誤預(yù)測(cè)為負(fù)類別的正樣本數(shù)；_AP 平均精度；k 類別的總數(shù)。

改進(jìn)后的YOLOv5算法在數(shù)據(jù)集上進(jìn)行300輪訓(xùn)練，性能指標(biāo)曲線如圖6所示。

圖6性能指標(biāo)曲線Fig.6Performance index curve

在玉米苗間雜草數(shù)據(jù)集上，模型的準(zhǔn)確率為97.485% ，召回率為 96.982% ；當(dāng)閾值為0.5時(shí)，平均精度均值為 98.5% ；當(dāng)閾值為 0.5～0.95 時(shí)，平均精度均值為 74.04% ，可以看出，該模型對(duì)檢測(cè)指定目標(biāo)具有很好的識(shí)別效果。

3.2.2 損失函數(shù)分析

依據(jù)設(shè)定好的訓(xùn)練參數(shù)，使用優(yōu)化后的YOLOv5—SE—BoT算法在標(biāo)注好的數(shù)據(jù)集上進(jìn)行訓(xùn)練，模型損失函數(shù)曲線如圖7所示； P-R 曲線如圖8所示。YOLOv5使用GIoULoss作為boundingbox的損失函數(shù)，包括誤差損失 $（ b o x ＼_ l o s s ＼$ ）、置信度損失 和分類損失 個(gè)部分，由于檢測(cè)目標(biāo)只有玉米苗這一類，不需要對(duì)物體進(jìn)行分類，所以分類損失 L_cls 損失函數(shù)圖沒有數(shù)據(jù)。如圖7所示，經(jīng)過300個(gè)周期的訓(xùn)練后，其余兩類損失函數(shù)均具有較低的收斂值，模型的誤差損失 L_box 和置信度損失 L_obj 在第8輪左右開始收斂，收斂于0.019和0.012，從而改進(jìn)的YOLOv5模型具備出色的訓(xùn)練收斂性能和訓(xùn)練效果。試驗(yàn)中，將 IoU 閾值設(shè)為0.5，計(jì)算所有圖像玉米苗的 P 一 ?R 曲線，可以看出，平均精度均值 mAP 達(dá)到 98.5% ，表明改進(jìn)后的YOLOv5模型在玉米苗檢測(cè)方面有較高的識(shí)別精度。

3.2.3 不同算法模型對(duì)比

為展示改進(jìn)后算法優(yōu)勢(shì)，在相同數(shù)據(jù)集下，對(duì)SSD、FasterR—CNN、原YOLOv5以及本文算法（YOLOv5—SE—BoT）進(jìn)行充分訓(xùn)練，性能檢測(cè)對(duì)比結(jié)果如表1所示。本文算法與SSD和FasterR—CNN相比，準(zhǔn)確率和召回率都有顯著的提高， mAP 值分別提升 9.2%.7.8% 。與原YOLOv5算法相比， P 、R 和 mAP 分別提升 7.4%.5.5% 和 6.1% 。綜合各項(xiàng)性能指標(biāo)，本文算法具有更好的檢測(cè)性能。

表1性能檢測(cè)對(duì)比結(jié)果Tab.1 Performance test comparison results

3.3 YOLOv5模型玉米苗檢測(cè)

為驗(yàn)證本文算法在檢測(cè)效果上的優(yōu)勢(shì)，以玉米苗田圖像為例，選取雜草稀疏、雜草密集和多種雜草伴生情況下的圖片進(jìn)行對(duì)比測(cè)試，對(duì)比YOLOv5和本文算法，檢測(cè)結(jié)果對(duì)比如圖9所示。可以看出，在多種雜草伴生的情況下，YOLOv5受到周圍多種雜草的干擾，容易出現(xiàn)漏檢和誤檢的情況。而本文算法表現(xiàn)出更好的穩(wěn)定性，能夠準(zhǔn)確檢測(cè)出所有情況下的玉米苗，避免漏檢和誤檢的情況。由于本文算法引入了SE注意力模塊和Transformer編碼器模塊，檢測(cè)置信度明顯高于原始的YOLOv5算法，引人的SE注意力模塊有助于提高對(duì)檢測(cè)目標(biāo)的注意力，降低無(wú)關(guān)信息的干擾，Transformer編碼器模塊增強(qiáng)目標(biāo)定位能力，進(jìn)一步降低漏檢率和誤檢率。

圖9檢測(cè)結(jié)果對(duì)比Fig. 9Comparison of test results

4結(jié)論

1）基于YOLOv5目標(biāo)檢測(cè)算法構(gòu)建的模型，通過改進(jìn)主干特征提取網(wǎng)絡(luò)，并引人SE無(wú)參數(shù)注意力模塊，使算法模型更好地聚焦主體目標(biāo)；同時(shí)將BoTNet模塊替換原本的殘差神經(jīng)網(wǎng)絡(luò)，從而提高對(duì)小目標(biāo)檢測(cè)的精度，模型的平均精度均值 mAP 達(dá) 98.5% 。

2）采用 ExG 超綠特征結(jié)合OTSU閾值分割算法分離土壤背景，找出玉米苗和雜草的前景區(qū)域，再通過黑色掩膜掩蓋目標(biāo)檢測(cè)框位置來(lái)剔除玉米苗圖像，只保留待檢測(cè)的雜草目標(biāo)，再使用二值圖像連通域標(biāo)記算法來(lái)識(shí)別前景圖像中的雜草目標(biāo)的連通域，實(shí)現(xiàn)玉米苗田中的雜草檢測(cè)，同時(shí)解決復(fù)雜情況下雜草種類多、檢測(cè)速度慢等問題。

3）改進(jìn)后的YOLOv5算法在玉米苗的目標(biāo)檢測(cè)上精確率達(dá) 97.5% ，較原始的YOLOv5算法提高7.4% 。雖然檢測(cè)速度略微降低，但檢測(cè)精度提升，滿足實(shí)時(shí)檢測(cè)的需求。

參考文獻(xiàn)

[1]付豪，趙學(xué)觀，翟長(zhǎng)遠(yuǎn)，等．基于深度學(xué)習(xí)的雜草識(shí)別方法研究進(jìn)展[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（5）：198-207.FuHao，Zhao Xueguan，Zhai Changyuan，etal.Researchprogress on weed recognition method based on deeplearningtechnology[J].JournalofChineseAgricultural Mechanization，2023，44（5）：198-207.

[2]王宇博，馬廷淮，陳光明．基于改進(jìn)YOLOv5算法的農(nóng)田雜草檢測(cè)[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（4）：167—173.Wang Yubo，MaTinghuai， Chen Guangming.Weedsdetectionin farmland basedona modifiedYOLOv5algorithm[J].Journal of ChineseAgriculturalMechanization，2023，44（4）：167-173.

[3]Wang A，Zhang W，Wei X. A review on weed detectionusing ground-based machine vision and image processingtechniques [J]. Computers and Electronics in Agriculture，2019，158.

[4]王寶聚，蘭玉彬，陳蒙蒙，等．機(jī)器學(xué)習(xí)在無(wú)人農(nóng)場(chǎng)中的應(yīng)用現(xiàn)狀與展望[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（10）：186-192，217.Wang Baoju， LanYubin， Chen Mengmeng， etal.Application status and prospect of machine learning inunmanned farm [J]. Journal of Chinese AgriculturalMechanization，2021，42（10）：186—192，217.

[5]李金陽(yáng)，張偉，康燁，等．基于無(wú)人機(jī)遙感技術(shù)的大豆苗數(shù)估算研究[J]．中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（4）：83—89.Li Jinyang，Zhang Wei，KangYe，et al. Researchonsoybeanseedlingnumberestimationbased onUAV remote sensing technology [J]. Journal of ChineseAgricultural Mechanization，2022，43（4）：83-89.

[6]沈?qū)殗?guó)，陳樹人，尹建軍，等．基于顏色特征的棉田綠色雜草圖像識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（6）：163—167.Shen Baoguo， Chen Shuren， Yin Jianjun， etal.on color feature [J]. Transactions of the Chinese Society ofAgricultural Engineering，2009，25（6）：163—167.

[7]吳蘭蘭，徐愷，熊利榮．基于視覺注意模型的苗期油菜田間雜草檢測(cè)[J]．華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，37（2）：96—102.Wu Lanlan， Xu Kai， Xiong Lirong. Detecting weedin seedling rapeseed oil field based on visual-attentionmodel[J]. Journal of Huazhong Agricultural University，2018，37（2）：96—102.

[8]王二銳．基于深度學(xué)習(xí)的前胡除草機(jī)部件設(shè)計(jì)與試驗(yàn)[D].合肥：安徽農(nóng)業(yè)大學(xué)，2022.

[9］尚文卿，齊紅波．基于改進(jìn)FasterR—CNN與遷移學(xué)習(xí)的農(nóng)田雜草識(shí)別算法[J]．中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2022，43（10）：176-182.Shang Wenqing，Qi Hongbo. Identification algorithm offield weeds based on improved Faster R—CNN and transferlearning[J].JournalofChineseAgriculturalMechanization，2022，43（10）：176—182.

[10]RenS，He K， Girshick R，et al.Faster R一CNN：Towards real-time object detection with region proposalnetworks [J]. IEEE Transactions on Pattern Analysisamp;Machine Intelligence，2017，39（6）：1137—1149.

[11］李春明，逯杉婷，遠(yuǎn)松靈，等．基于FasterR—CNN的除草機(jī)器人雜草識(shí)別算法[J]．中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（12）：171—176.Li Chunming，Lu Shanting，Yuan Songling，et al.Weed identification algorithm of weeding robot based onFaster R-CNN[J]. Journal of ChineseAgricultural Mechanization，2019，40（12）：17l—176.

[12］李茂暉，吳傳平，鮑艷，等．論YOLO算法在機(jī)器視覺中應(yīng)用原理[J]．教育現(xiàn)代化，2018，5（41）：174—176.

[13] Bochkovskiy A， WangC， LiaoH. YOLOv4：Optimal speed and accuracy of object detection [J].arXivpreprint arXiv：2004.10934，2020.

[14]王貴參，楊承林，蒲佳佳，等．基于改進(jìn)的VisionTransformer雜草生長(zhǎng)周期識(shí)別方法研究[J]．長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2022，43（6）：712-718.

[15］東輝，陳鑫凱，孫浩，等．基于改進(jìn)YOLOv4 和圖像處理的蔬菜田雜草檢測(cè)[J].圖學(xué)學(xué)報(bào)，2022，43（4）：559-569.Dong Hui，Chen Xinkai，Sun Hao，et al．WeeddetectioninvegetablefieldbasedonimprovedYOLOv4 and image processing [J]. Journal of Graphics，2022，43（4）：559-569.

[16］張偉康，孫浩，陳鑫凱，等．基于改進(jìn)YOLOv5 的智能除草機(jī)器人蔬菜苗田雜草檢測(cè)研究[J]．圖學(xué)學(xué)報(bào)，2023，44（2）：346-356.Zhang Weikang，Sun Hao，Chen Xinkai，et al. Research onweed detection in vegetable seedling fields based on theimproved YOLOv5 intelligent weeding robot [J]. Journal ofGraphics，2023，44（5）：346-356.