典型文献
基于轻量级网络和数据扩增的作物与杂草识别
文献摘要：
为解决传统的深度学习网络在进行农作物与杂草识别时存在的问题,如训练时间长、识别精度低、检测速度慢、采集数据需求量大等,基于YOLOv4算法设计一种改进检测模型.利用轻量级特征提取网络替代原YOLOv4特征提取网络,在增强特征提取网络引入深度可分离卷积,降低网络参数规模.通过数据扩增方法对原始实验数据进行扩充,增加实验数据量和数据多样性,提高模型识别准确率.实验结果表明,改进模型检测速度约为54帧/s,是原YOLOv4模型的330％,训练时间为原来的21.8％,对自然环境下玉米及其伴生杂草的识别准确率更高.此方法亦适用于其他作物与杂草识别.
文献关键词：
数据扩增;网络优化;机器视觉;除草机器人
中图分类号：
作者姓名：
高嘉南;侯凌燕;杨大利;梁旭;佟强
作者机构：
北京信息科技大学计算机开放系统实验室,北京100101
文献出处：
引用格式：
[1]高嘉南;侯凌燕;杨大利;梁旭;佟强-.基于轻量级网络和数据扩增的作物与杂草识别)[J].北京信息科技大学学报（自然科学版）,2022(01):82-89,95
A类：
B类：
轻量级网络,数据扩增,杂草识别,深度学习网络,训练时间,识别精度,检测速度,速度慢,采集数据,数据需求,YOLOv4,算法设计,检测模型,特征提取网络,深度可分离卷积,网络参数,增方,数据量,数据多样性,模型识别,识别准确率,改进模型,模型检测,伴生,网络优化,机器视觉,除草机器人
AB值：
0.364849
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
