在農(nóng)業(yè)應(yīng)用中，在地塊照片中識別和計(jì)數(shù)植物對產(chǎn)量估計(jì)、作物監(jiān)測和資源優(yōu)化至關(guān)重要。在這項(xiàng)工作中使用了YOLO(You Only Look Once)方法來正確識別和計(jì)數(shù)地塊照片中的植物。該算法使用Roboflow平臺通過監(jiān)督學(xué)習(xí)過程進(jìn)行訓(xùn)練。該方法利用機(jī)器學(xué)習(xí)的力量，為農(nóng)業(yè)植物分析提供了自動化和有效的解決方案。作為技術(shù)的一部分，收集了一個廣泛的植物地塊照片數(shù)據(jù)集，然后用精確的邊界框?qū)γ總€植物實(shí)例進(jìn)行注釋。

利用Roboflow平臺對數(shù)據(jù)進(jìn)行有效的管理和標(biāo)注。對于植物檢測，使用實(shí)時目標(biāo)檢測能力強(qiáng)的YOLO方法。YOLO通過將輸入圖像劃分為網(wǎng)格并預(yù)測每個網(wǎng)格單元的邊界框和類別概率，在不犧牲精度的情況下實(shí)現(xiàn)了令人印象深刻的檢測速度。該方法在地塊照片中植物的精確識別和計(jì)數(shù)方面顯示出良好的效果。通過向農(nóng)民、農(nóng)學(xué)家和研究人員提供作物管理和決策的深刻信息，它有可能極大地改善農(nóng)業(yè)實(shí)踐。該方法可以在未來得到改進(jìn)，其應(yīng)用范圍可以擴(kuò)大到更多的植物種類和氣候情況。

圖1 數(shù)據(jù)集訓(xùn)練模型。

圖2提出的系統(tǒng)模型

圖3 數(shù)據(jù)集生成報告。

圖4植物檢測。

圖5 訓(xùn)練和驗(yàn)證準(zhǔn)確度。

來源

D. Kholiya, A. K. Mishra, N. K. Pandey and N. Tripathi, "Plant Detection and Counting using Yolo based Technique," 2023 3rd Asian Conference on Innovation in Technology (ASIANCON), Ravet IN, India, 2023, pp. 1-5.

審核編輯：黃飛